## 一、我是谁，这次想解决什么
我是一个交通行业的全栈开发者，独立负责一个边坡/路基无人机巡检项目：无人机定期沿公路飞，拍回照片，人在平台上看图、发现隐患、上报处理。
这套流程最大的痛点是**纯人肉**——一个架次几十上百张照片，看图的人漏掉一条裂缝，可能就是汛期的一个塌方点。所以我一直想做的事很明确：
> 让 AI 先把照片过一遍，自动识别落石、裂缝、滑坡、人员入侵这类隐患，疑似问题直接生成告警，人只负责审核确认。
听起来是个"AI 平台级"的需求：要训模型、要做推理服务、要接进 Spring Boot 后端、要做前端审核页、还要部署到生产服务器。而我是一个人干活，典型的"想得多、手不够"。
这时候 TraeCode 就是那个"手"。
## 二、我是怎么把 TraeCode 慢慢用顺的
整个过程我最大的心得是：**不要一上来就甩一句"帮我做个 AI 告警系统"**，而是把 TraeCode 当成一个能力很强、但需要你拍板的搭档，分三步用。
### 第 1 步：先让它做调研和方案，我来拍板
一开始我只有个模糊念头。我没有让它直接写代码，而是先让它帮我算一笔账：生产服务器是 aarch64 架构的鲲鹏 CPU、没有 GPU，训练放上面根本不现实，怎么办？
TraeCode 给出的路线现在回头看依然是正确的：
- **训练**放在我自己的 Mac 上（M 系列芯片跑 MPS，POC 阶段够用）；
- 数据集用 COCO 格式统一管理，人员入侵直接复用 COCO/VisDrone 预训练权重微调；
- 训练完导出 **ONNX**，生产服务器上用 **ONNX Runtime 的 aarch64 版本做 CPU 推理**——鲲鹏 16 核跑小模型绰绰有余。
它还提醒了我一个我完全没意识到的坑：我最初想用的某个 YOLO 训练框架对裂缝这种细长目标不友好，将来上分割任务会别扭，选型时就得想清楚。最后综合维护状态和部署难度，我拍板用了 MMYOLO。
贴图 1：TraeCode 里讨论算力路线/技术选型的对话截图
### 第 2 步：让它出分阶段实施计划，一个阶段一个阶段验收
方案定了之后，让它把整条链路拆成可独立验收的阶段，而不是一口气糊完：
1. **推理微服务**：FastAPI 起一个 ai-inference 服务，加载 ONNX 模型，顺便用 PIL 从照片 EXIF 里提取 GPS 坐标；
2. **后端集成**：Spring Boot 定时扫描新照片 → 调推理服务 → 按置信度分级——≥0.60 自动生成告警，0.35~0.60 进待审核列表，<0.35 留档防重复扫描；
3. **前端审核页**：AI 检出结果画成橙色虚线框叠在图片上，审核人员可以删框、拖框、修正后保存回写；
4. **生产部署**：模型和服务部署到现场服务器，注册 systemd 开机自启。
每个阶段做完，我都在本地跑通端到端再进下一个。中间任何一步报错，直接把整段日志丢给 TraeCode，它翻译成人话再给修复方案，基本没有卡死过。
贴图 2：AI 审核页面上，照片上叠加检测框的成果截图
### 第 3 步：部署翻车时，让它帮我"翻译报错 + 兜住细节"
真正见功夫的是部署那天。本地好好的，一到生产服务器就跑不起来，连着踩了几个典型的坑：
- **Python 版本不兼容**：我本地是 3.10，代码里用了 `str | None` 这种新语法，服务器是 3.9，直接语法报错。TraeCode 秒定位到 PEP 604 的问题，把类型标注全部改成了 `Optional[str]` 的兼容写法；
- **内网装不了依赖**：aarch64 的 onnxruntime 得走国内镜像源装，它直接给出了清华源命令和版本号（1.19.2）；
- **一个很邪门的"自杀"问题**：我远程重启服务时，用 `pkill -f uvicorn` 杀进程，结果命令把自己也杀了——因为模式串出现在了远程 shell 自己的命令行里。TraeCode 想出的 `[u]vicorn` 写法绕开了自匹配，这种细节我可能要排查一晚上。
贴图 3：服务器上推理日志截图（每张照片的识别耗时、HTTP 200 状态）
## 三、最后做成了什么
整条链路在生产上已经跑通：
- 无人机照片落库后，后端定时任务自动送 AI 识别，单张耗时 **150~350ms**（鲲鹏 CPU 推理），全链路 200 OK；
- 目前处于**观察期**：我把自动建告警的阈值临时调高，所有检出先进人工审核队列，跑一周看误报率，再恢复自动建告警；
- POC 模型对现场新场景的泛化还比较弱，零检出属于正常——正式数据集训练完，导出新 ONNX 替换掉服务器上的模型文件就行，**换模型不动代码**，这套架构的扩展性是留足了。
一个以前要靠人肉翻照片的场景，现在有了 7×24 小时不知疲倦的"AI 安全员"打底，人只做最后一步确认。
## 四、给后来人的三句建议
1. **先让 AI 出方案，你拍板，再动手。** TraeCode 的调研和拆解能力非常强，但架构决策（选什么框架、阈值怎么定）一定要自己拍——它负责把路铺好，方向盘在你手里；
2. **分阶段验收，别让它一口气写完。** 每个阶段有明确的"跑通标准"，出问题当场解决，绝不带病进下一阶段；
3. **报错整段丢给它，别自己硬读。** 尤其是部署环境的坑（架构、Python 版本、镜像源），它见得比你多，一晚上 vs 三分钟的差距就在这。
这个开学季，如果你也想把"一直想做的那个东西"真正做出来，不妨让 TraeCode 当你的编程搭子——一个人，也能跑通一条完整的产品链路。
-–
*话题标签：TraeCode上手记*
