AI 全栈开发实战:基于 trae + uni-app 极速开发扫码点餐小程序

效果抢先看

图片


扫码即点、自动识别桌号、前后端一体管理 —— 一个完整的点餐系统原来可以这么快上线!

一、开发环境准备

1.1 安装 HBuilder X(uni-app 官方 IDE)

下载地址:https://dcloud.io/hbuilderx.html
这是我们的核心开发工具,支持 Vue 语法,一键编译到微信小程序。

图片

1.2 安装微信开发者工具

下载地址:https://developers.weixin.qq.com/miniprogram/dev/devtools/download.html
用于真机预览、调试与上传审核。

图片

1.3 安装 Trae 国际版(AI 编程助手)

下载地址:https://www.trae.ai/
我们将用它辅助生成 UI 与逻辑代码,提升 3 倍开发效率。

图片

二、快速创建用户端小程序

2.1 导入现成模板,5分钟搭建基础框架

我们使用 “私房菜点餐项目前端模板” 快速启动。
模板地址:https://ext.dcloud.net.cn/plugin?id=19865

点击“下载插件并导入 HBuilderX”,系统会自动创建项目:

图片

导入后的项目结构清晰,包含基础页面与组件:

图片

2.2 一键运行到小程序模拟器

在 HBuilderX 中选择“运行 → 运行到小程序模拟器 → 微信开发者工具”,即可预览效果:

图片

三、AI 助力,智能开发桌号管理功能

3.1 配置 Trae 开发规则

在 Trae 中设置个人与项目规则,确保生成的代码符合项目规范:

个人规则配置:

- 代码精简,不写冗余测试代码 - 忽略注释问题 - 不自主创建图片资源 - 回答直接、准确,避免泛泛而谈 - 默认使用中文回复 

项目规则配置:

- 本项目基于 vue2 + uni-app + uniCloud 开发扫码点餐微信小程序 

3.2 关联 uniCloud 云空间

在 HBuilderX 中关联或新建云服务空间,后续所有数据与逻辑将托管在云端:

图片

3.3 创建云对象与数据库

  • 云对象table.obj.js,用于处理桌号生成、二维码生成等业务逻辑
  • 云数据库zhuohao.schema.json,存储桌号、二维码、时间等字段

图片

3.4 使用 AI 提示词生成核心功能

向 Trae 输入以下提示词,自动生成桌号管理相关代码:

# 开发扫码点餐小程序桌号管理功能 ## 要求: 1. 通过云对象生成带桌号的小程序码,并上传至云数据库 2. 数据库包含:桌号、点餐二维码、创建时间、更新时间 3. 用户扫码后自动弹出桌号与人数选择窗 ## 参考文档: https://developers.weixin.qq.com/miniprogram/dev/OpenApiDoc/qrcode-link/qr-code/getUnlimitedQRCode.html 

AI 会自动生成云函数逻辑、数据库操作及前端弹窗组件:

图片

3.5 用户端实际效果

扫码后自动识别桌号,并弹出人数选择窗口,体验流畅:

图片

四、搭建可视化管理系统(管理端)

4.1 基于 uni-admin 快速创建管理后台

在 HBuilderX 中选择“新建 → 项目 → uni-admin”,一键生成后台管理系统:

图片

4.2 同步云对象与数据库

将之前创建的云对象和数据库同步到管理端项目中,实现数据互通:

图片

4.3 使用 schema2code 自动生成管理页面

右键点击 zhuohao.schema.json,选择 schema2code,系统自动生成列表、新增、编辑等页面:

图片

4.4 运行管理端并配置菜单

首次运行后,在 uni-admin 后台中配置“桌号管理”菜单,刷新即可见:

图片

4.5 新增桌号并生成二维码

进入桌号管理页面,点击“新增”,输入桌号后提交,系统自动生成该桌的点餐二维码:

图片

Read more

Cogito-v1-preview-llama-3B实战案例:用3B模型完成SQL生成与API文档编写

Cogito-v1-preview-llama-3B实战案例:用3B模型完成SQL生成与API文档编写 在当今AI大模型动辄数十亿参数的时代,一个仅有3B参数的模型能否胜任实际开发任务?Cogito v1预览版给出了令人惊喜的答案。 1. 认识Cogito v1预览版:小而强的混合推理模型 Cogito v1预览版是Deep Cogito推出的混合推理模型系列中的佼佼者。这个仅有3B参数的模型在大多数标准基准测试中都超越了同等规模下的最优开源模型,包括来自LLaMA、DeepSeek和Qwen等知名模型的同类表现。 模型核心特点: * 混合推理能力:既可以直接回答问题(标准LLM模式),也可以在回答前进行自我反思(推理模式) * 广泛训练数据:在超过30种语言上进行训练,支持128k的超长上下文 * 专业优化:针对编码、STEM、指令执行和通用帮助性进行了专门优化 * 开源商用:采用开放许可发布,允许商业使用 最令人印象深刻的是,这个3B模型在编码能力和工具调用方面表现出色,完全能够胜任实际开发任务。 2. 快速上手:3分钟部署Cogito模型 2.1 环境

AIGC工具平台-Edict 三省六部制 OpenClaw 集成封装版

AIGC工具平台-Edict 三省六部制 OpenClaw 集成封装版

Edict 是基于开源项目 cft0808/edict 二次开发后,集成到 tarui 工具箱中的功能模块。通过封装,用户无需直接接触源码,也不必手动处理复杂的部署和启动流程,即可在本地完成程序获取、服务启动和页面访问,整体使用门槛更低。 本文将围绕该封装版本的实际使用方式展开,重点说明程序获取、本地启动、WebUI 访问和常见问题处理,帮助使用者快速完成上手并理解标准使用流程。 目前已整理为一组连续教程,分别对应部署启动、使用实战、二开扩展和封装版本使用四个方向。若希望完整了解该项目的源码运行方式、实际操作流程以及封装版本的使用方法,建议结合以下文章按需阅读。 文章说明【OpenClaw】Edict 三省六部制部署与启动介绍 Edict 三省六部制的基础部署方式、运行环境准备和启动流程【OpenClaw】Edict 三省六部制使用与实战流程介绍系统启动后的主要使用方式、核心流程和实战操作思路【OpenClaw】Edict 三省六部制二开与扩展介绍项目在源码层面的二次开发、扩展思路和能力接入方式AIGC工具平台-Edict 三省六部制 OpenClaw 集成封装版介绍封装后的

AIGC 时代的“机器写作”:为何 AI 检测 (AI Detector) 已成为刚需?

AIGC 时代的“机器写作”:为何 AI 检测 (AI Detector) 已成为刚需?

不管你是熬夜赶 Paper 的学生,还是正在死磕 Deadline 的内容营销人员,亦或是正在调试代码的开发者,像 ChatGPT 和 Gemini 这样的工具已经成为了我们最好的“数字助手”。 但问题来了:伴随强大能力而来的,是巨大的质疑。 规则变了。无论你是发布网络内容、提交学术论文,还是进行数据分析,文本的真实性 (Authenticity) 比以往任何时候都重要。AI 检测器 (AI Detector) 不再是“锦上添花”,而是“绝对必要”。 今天,想介绍个产品 MyDetector.ai。这款工具因其能够精准区分“人类灵魂”与“AI”,探讨如何在不扼杀创意的前提下使用它。 文本的“恐怖谷”效应 (The "Uncanny Valley") 是否读过那种感觉……有点“

昇腾CANN实战:LLaMA-2大模型高效部署

昇腾CANN实战:LLaMA-2大模型高效部署

在 AI 大模型落地的过程中,底层算力框架的适配性直接决定了模型的运行效率和资源利用率。华为昇腾 CANN(Compute Architecture for Neural Networks)作为面向昇腾 AI 芯片的异构计算架构,为大模型在昇腾硬件上的部署和运行提供了核心支撑。本文将以LLaMA-2-7B开源大模型为例,详细复现其基于 CANN 的适配过程,并通过实验数据呈现适配后的运行效果,为开发者提供昇腾 CANN 大模型适配的实操参考。 一、实验环境准备 在进行模型适配前,需完成昇腾 CANN 环境的搭建和依赖配置。华为云 ModelArts 提供了预装 CANN 的 Notebook 实例,可快速跳过环境部署环节,直接进入开发阶段。 1.1 创建昇腾 CANN Notebook 实例 1. 登录华为云 ModelArts 控制台,进入开发环境 >