八年期盼，三个月用AI打造开发工具
Simon Willison··作者 Simon Willison
关键信息
第一个由AI生成的原型被丢弃，因为它缺乏清晰的高层架构；第二个版本需要更多人工参与决策，但最终形成了一个健壮且可投入生产的库。该工具与SQLite测试套件的匹配度达到99.7%。
资讯摘要
拉利特·马甘蒂花了八年时间构想一个全面的SQLite开发工具集，后来仅用三个��就在AI帮助下建成了syntaqlite。起初他用Claude Code快速生成原型，但发现AI擅长低级编码任务，却无法胜任高层架构设计。他最终放弃了第一次尝试，重新从头构建，并融入了更多人工判断。
最终产品是一个可靠的解析器、格式化工具和验证器，完全基于SQLite自身的Lemon生成语法。这个案例揭示了代理工程的力量与陷阱：AI能加速原型开发，但无法替代深思熟虑的架构设计。
资讯正文
八年的期待，三个月的AI构建
拉利特·马甘蒂（Lalit Maganti）提供了一篇我多年来见过的关于代理工程最精彩的长文写作。
他们花了八年时间思考，又用三个月时间打造了<a href="https://github.com/lalitMaganti/syntaqlite">syntaqlite</a>，他们将其描述为“SQLite应得的高保真开发工具”。
目标是为SQLite提供快速、稳定且全面的linting（代码检查）和验证工具，适用于语言服务器和其他开发工具——一个用于SQLite查询的解析器、格式化工具和验证器。我自己过去也曾想要这样的东西，因此几个月前我曾尝试过一个远未达到生产标准的项目：<a href="https://simonwillison.net/2026/Jan/30/sqlite-ast-2/">sqlite-ast</a>。
拉利特多年来一直拖延这个项目，因为需要逐个处理400多条语法规则来构建解析器，这种工作不可避免地枯燥乏味。而这正是编码代理最擅长的领域！
Claude Code帮助他克服了最初的障碍，完成了第一个原型：
AI基本上让我放下所有技术上的疑虑、对是否在做正确事情的不确定感，以及不愿开始的犹豫，因为它给了我非常具体的问题去解决。不再是“我需要弄清楚SQLite的解析机制”，而是变成了“我需要让AI给我一个建议，然后我可以推翻它，再构建更好的东西”。比起在脑子里反复琢磨设计，我更喜欢通过具体的原型和可读的代码来推进工作，而AI让我以前所未有的速度达到了这一点。一旦迈出第一步，之后的每一步都变得轻松得多。
那个最初由AI辅助完成的原型作为概念验证效果很好，但他们最终决定舍弃它，从头再来。AI在底层细节上表现优异，但无法生成清晰的高层架构：
我发现AI让我推迟关键的设计决策。因为重构成本很低，我可以总说“我以后再处理这个问题”。而且因为AI能以工业规模生成代码，也能同样规模进行重构，延迟决策的成本看起来也不高。但实际上并非如此：推迟决策侵蚀了我的清晰思维能力，因为在那段时间里代码库始终令人困惑。
第二次尝试耗时更长，也涉及更多人工参与决策的过程，但结果是一个经得起时间考验的稳健库。
值得花些时间完整阅读这篇文章——它不仅揭示了重度使用AI带来的诸多非显性缺点，还详细解释了作者是如何克服这些挑战的。
我从中学到的关键观点是：AI在设计和架构方面存在明显短板。
当我在处理某个自己都不清楚想要什么的项目时，AI要么毫无帮助，要么反而有害。项目的架构是最明显的例子：在早期阶段，我花了数周时间跟着AI走入死胡同，探索那些当时看似高效的设计方案，但在深入审视后却彻底崩溃。回过头来看，我不禁怀疑，如果全程不依赖AI，直接靠自己思考，会不会更快一些。
但仅有专业知识还不够。即使我对一个问题理解得很深，如果任务没有客观可验证的答案，AI仍然会遇到困难。实现代码至少在局部层面有正确答案：代码能编译通过，测试用例能通过，输出结果符合预期。但设计却没有标准答案。即便几十年过去了，我们仍在争论面向对象编程（OOP）的优劣。
来源与参考
收录于 2026-04-07