《AI 时代需要掌握的开发基础知识》
Engineering Decision Canvas · 工程决策画布
文件索引
| 文件 | 主题 |
|---|---|
| 00-series-overview.md | 系列统一定位、平台发布策略、统一 Hashtag |
| 01-modern-web.md | 一张图看懂现代 Web 开发 |
| 02-javascript-runtime.md | JavaScript 到底运行在哪里 |
| 03-react-nextjs.md | React、Next.js、Node.js 分别负责什么 |
| 04-csr-ssr-rsc.md | CSR、SSR、RSC 怎么选 |
| 05-hydration.md | Hydration 到底是什么 |
| 06-fetch-axios.md | fetch 和 Axios 到底差在哪 |
| 07-state.md | State 到底放在哪里 |
| 08-api-request.md | 一次 API 请求到底经过谁 |
| 09-npm-pnpm-packagejson.md | npm、pnpm、package.json 为什么能让项目跑起来 |
| 10-ai-era-minimum-stack.md | AI 时代真正需要掌握什么 |
| 11-series-essay.md | 从刀耕火种到 AI 编程：十期合集文章 |
| 2026-09-29-from-primitive-tools-to-ai-coding.zh.md | 旗舰深度特稿（中文）：从刀耕火种到 AI 编程 |
| 2026-09-29-from-primitive-tools-to-ai-coding.en.md | Architectural Essay (EN): From Primitive Tools to AI Coding |
推荐发布方式
- 建议按 01–10 连续发布，形成 10 天内容系列。
- 图片负责系统解释，文案负责提出问题、给出观点并引导收藏或讨论。
- 微信/朋友圈突出观点与收藏价值；小红书使用问题型标题；X 保持短结论；LinkedIn 强调工程判断与系统边界。
- 每一期配套使用对应编号图片。本文案整理过程中未修改、重绘或重新生成用户提供的图片。
- 发布前可根据平台字数限制、账号语气和配图版式做轻微删减，不改变核心观点即可。
系列核心问题
代码运行在哪里？什么时候运行？数据属于谁？失败如何观察？结果如何验证？
系列总开场
微信公众号 / 视频号整套发布
AI 会写代码以后，我们到底还需要掌握什么？
过去学开发，经常从语言开始：
JavaScript 怎么写？
React 怎么写？
SQL 怎么写？但 AI Coding 出现以后，我觉得学习顺序应该反过来。
先理解系统。
再理解边界。
最后才是工具。我把现代 Web 开发中最容易混淆的几个问题，整理成了一套 10 张「工程决策画布」。
整套内容其实都围绕几个问题：
运行在哪里？
什么时候运行？
谁拥有数据？
失败如何观察？
结果如何验证？AI 可以越来越快地生成代码。
但真正决定系统质量的，依然是人对边界、职责、数据流和取舍的理解。
先判断边界，再让 AI 加速实现。
小红书整套首发标题
AI 都能写代码了，这 10 张图才是现在真正该学的开发基础
备选：
- 别再背语法了：10 张图看懂 AI 时代的 Web 开发
- 从 Browser 到 PostgreSQL：10 张图建立现代 Web 工程脑图
封面第一句话：
AI 会写代码，但架构边界还是得你判断。
X 整套 Thread 开场
AI can now write a surprising amount of production code.
So what should developers still understand?
Not every syntax detail.
The important part is understanding:
runtime, boundaries, data flow, ownership, failure and trade-offs.
I turned my mental model of modern Web development into 10 engineering decision canvases.
A thread 🧵
LinkedIn 整套首发版
What development fundamentals still matter when AI can write the code?
I have been thinking about this question while using AI more deeply in software engineering.
My conclusion is that the value is gradually shifting away from memorizing syntax toward understanding boundaries and systems.
I summarized that mental model into a 10-part Engineering Decision Canvas.
The recurring questions across all ten diagrams are:
Where does it run?
When does it execute?
Who owns the data?
Where is the trust boundary?
How does failure become observable?
How do we verify the result?AI is becoming exceptionally good at implementation.
That makes architectural judgment, system boundaries, contracts and verification more—not less—important.
Understand the boundary first. Then let AI accelerate implementation.
