AI 全栈：用少量代码，把模型变成产品

AI 全栈不是从零训练大模型，而是让模型能安全地读数据、调工具、出结果、被评估。真正的全栈，是从提示词到界面，从数据库到部署，从 token 到账单。

一、AI 全栈的“全”，不是写得多，是接得通

一个 AI 应用通常有六层：界面层、接口层、模型层、数据层、工具层、运维层。每层只做一件事，层与层之间用清晰契约连接。

界面负责输入输出，接口负责鉴权限流，模型负责推理，数据负责上下文，工具负责行动，运维负责观测和成本。AI 全栈工程师的价值，不是每层都亲手写，而是让它们能串起来。

二、一个最小闭环

以 Next.js 为例，一个带检索增强的问答接口可以很短：

// app/api/ask/route.ts
export async function POST(req: Request) {
  const { q } = await req.json()
  const ctx = await db.search(q)
  const answer = await llm.chat({
    system: "只根据上下文回答，不确定就说不确定",
    context: ctx,
    user: q,
  })
  return Response.json({ answer })
}

前端调用同样可以只有一行：

const ask = async (q: string) =>
  (await fetch("/api/ask", { method: "POST", body: JSON.stringify({ q }) })).json()

这段代码已经包含输入、检索、推理、输出。剩下的是鉴权、限流、日志、计费、评估和回滚。

三、少写代码的秘诀是分层和约束

把模型当组件，不当系统。提示词模板化，输出结构化 JSON，工具签名固定，失败可回退。能用框架封装的重复劳动，就不要手写。LangChain、LlamaIndex、Spring AI、Vercel AI SDK，都在做这件事。

代码少，不是因为功能少，而是因为边界清晰。模型只负责它擅长的部分，其余交给规则、数据库和人工确认。

四、AI 全栈最贵的不是代码，是判断

上下文怎么选？模型怎么路由？成本怎么控？幻觉怎么防？权限怎么管？这些没有一行代码能自动解决。

AI 全栈开发者要同时懂产品、工程和治理：知道什么该交给模型，什么必须留给系统；知道什么时候用大模型，什么时候用规则；知道怎么评估，而不只是怎么调用。

五、结语

AI 全栈开发，不是把前后端和模型都写一遍，而是用少量代码把模型接进真实业务。少写胶水，多建反馈；少追模型，多盯场景。

能稳定交付价值的 AI 应用，才是全栈的终点。