规范驱动编程系列——亚马逊AI编程工具Kiro工具实测6——前端验证及调整

接下来看一下前端的代码输出。

前端结构

前端生成的位置经过指令指示,要求放到已有的工具模块下,生成的位置是准确的,如下:

API

前后端交互的 API,AI 并没有参照项目现有情况,根据自行生成了一套跟后端自己设计的接口一致的 API,如下:

import{COMMON_METHOD}from'@/constant/common'import request from'@/config/axios'import type { LifeSettingsRequest, LifeSettingsResponse, ApiResponse }from'../view/lifeCalendar/types'const moduleName ='tool'// 生命日历设置APIexportconst lifeCalendarSettingApi ={/** * 获取用户生命日历设置 */getSettings(): Promise<ApiResponse<LifeSettingsResponse>>{return request.get({url:`/${moduleName}/lifeCalendarSetting/settings`})},/** * 保存用户生命日历设置 */saveSettings(data: LifeSettingsRequest): Promise<ApiResponse<LifeSettingsResponse>>{return request.post({url:`/${moduleName}/lifeCalendarSetting/settings`, data })},/** * 更新用户生命日历设置 */updateSettings(data: Partial<LifeSettingsRequest>): Promise<ApiResponse<LifeSettingsResponse>>{return request.put({url:`/${moduleName}/lifeCalendarSetting/settings`, data })}}

我手工调整回统一规范与风格,如下:

import{COMMON_METHOD}from'@/constant/common'import request from'@/config/axios'const moduleName ='tool'// 配置exportconst lifeCalendarSetting = Object.assign({},COMMON_METHOD,{serveUrl:'/'+ moduleName +'/'+'lifeCalendarSetting'+'/',// 获取配置getMyConfig(){return request.get({url:this.serveUrl +'getMyConfig'})}})

常量

kiro 在常量文件中定义了一堆,目前看上去还正常,先放在这里,待结合功能再看是否有不合理的地方,如下:

// 生命日历设置相关常量exportconstLIFE_CALENDAR_SETTING={// 网格配置GRID:{ROWS:80,// 80年COLS:52,// 52周TOTAL_CELLS:4160,// 总格子数CELL_SIZE:8,// 基础格子大小(像素)CELL_SPACING:1// 格子间距(像素)},// 缩放配置ZOOM:{MIN:0.5,MAX:3.0,DEFAULT:1.0,STEP:0.2},// 颜色配置COLORS:{LIVED:'#606266',// 已过时间 - 深灰色CURRENT:'#f56c6c',// 当前周 - 红色FUTURE:'#f0f0f0',// 未来时间 - 浅灰色BORDER:'#e0e0e0'// 边框颜色},// 预期寿命范围LIFESPAN:{MIN:60,MAX:150,DEFAULT:80},// 响应式断点BREAKPOINTS:{SMALL_SCREEN:768}}// 时间计算常量exportconstTIME_CONSTANTS={WEEKS_PER_YEAR:52,DAYS_PER_WEEK:7,MS_PER_DAY:24*60*60*1000}// 本地存储键名exportconstSTORAGE_KEYS={LIFE_CALENDAR_SETTING_SETTINGS:'lifeCalendarSettingSettings',LIFE_CALENDAR_SETTING_UI_STATE:'lifeCalendarSettingUIState'}

页面

接下来就是关键的页面了,看代码结构,采用了组件化策略,分为上中下三个区域,上面是进度展示组件,中间是网格组件,下方是设置组件,最后用一个组件组装起来,整个拆分是规范合理的。

整体效果

我将路由和权限配置好,挺顺利地展示出来了,超出预期,直接看看页面效果吧。

虽然中间区域网格显示有点问题,但整体上美观大方,尝试修改了下出生日期和预期寿命,功能看上去也是正常的。

网格标题显示异常

人工看了下行列的显示问题,逻辑如下:

<!-- 行标题 --><div class="row-headers" v-if="showRowHeaders"><div v-for="(header, index) in rowHeaders":key="`row-${index}`"class="row-header":style="getRowHeaderStyle(index)">{{ header }}</div></div>/** * 生成简化的行标题(每5年显示一次) * 用于小屏设备或缩小视图 * @returns 简化的行标题数组 */publicgenerateSimplifiedRowHeaders(): Array<{index: number; label: string }>{constheaders: Array<{index: number; label: string }>=[]for(let i =0; i < GridService.TOTAL_ROWS; i +=5){ headers.push({index: i,label:`${i +1}`})}return headers }

header 里放了一个对象,包括索引和标签,显示为行标题的时候,应该显示标签而不是整个对象,因此,把 {{ header }}更改为 {{ header.label }}就可以了,修改后效果图正常了,如下:

鼠标悬浮位置偏移

这里有个明显的问题,鼠标悬浮的时候,显示当前人生的第几年和第几周,其位置并没有跟随鼠标,而是偏移了很大一块,甚至于在屏幕之外,这问题让 kiro 来解决吧。

消耗一个点,用时 1 分钟,但经测试,没有效果,于是给了 kiro 一张截图用来排查和修正。

经测试,还是没用。

这个思考过程很像人了,发现中间步骤错了,再撤销~

这次总算测试效果通过了,如下图:

总共进行了 3 轮修复,每次消耗 1 点,约 1 分钟,问题算是彻底解决了。

周次计算问题

当前时间是 2026 年的 2 月 9 号,是 第 7 周,但显示是第 28 周,看上去明显是有问题的,继续把问题抛给 kiro。

kiro 的思考过程显示,计算方法本身其实没有错,而是计算规则问题,当前是从出生日期开始算总天数,然后除以 52,我自己思考了下,通常 1 年 52 周,实际是 364 天,而不是 365 天,这样 7 年就能差出一周来,而且四年一个闰年,又多 1 天,以 1982 年 10 月 3 日计算,可能偏移量是 9 个周左右,但是从第 7 周偏移到第 28 周,粗略估算还是不太对啊。

问题抛给 kiro,然后给了修复,同时显示两种信息,如下图:

这问题消耗了 2.67 个点,真不小~

然后找了个简单的数据验证数据的正确性,将生日设置为了 2026 年的 1 月 1 日,计算结果如下:

看上去是正确的。

但是把自己的生日代入进去,计算结果还是怪怪的,因此询问 kiro 计算过程:

如果是1982年10月3日出生,到今天2026年2月10日,实际不到44周岁,显示人生第44年第28周是如何算出来的 

调整后的结果是:

虽然不满 44 周岁,但是按照 1982 年视为第 1 年也没问题,然后除以整年后,剩余的作为周数,约等于从上一个生日即 2025 年 10 月 3 日到现在 2026 年 2 月 10 日,是 19 个周左右,这个结果是看上去比较自然的。同理,上图中的年度进度,也是 19 除以 52,大概得出 36%的数据,而不是当前是 2026 年的第 7 个周,用 7 除以 52 得到的结果。

后端交互

页面基本调试完成了,再来处理与后端交互,当前 kiro 生成的与后端交互都是按照先前的逻辑,需要调整为与风格一致的,还得编写一个比较复杂的提示词告诉 kiro 怎么做。

后端交互问题修复总结

主要改进正确使用 COMMON_METHOD 的增删改查方法 ✅

首次保存:使用 lifeCalendarSetting.add() 方法新增记录

后续修改:使用 lifeCalendarSetting.modify() 方法更新记录

获取配置:使用 lifeCalendarSetting.getMyConfig() 方法获取用户配置完善的数据流程 ✅

初始化流程:

调用 getMyConfig() 尝试从后端获取配置

如果返回 404(未找到),尝试从本地存储加载

如果都没有,显示空状态,等待用户设置

保存流程:

判断是否为新记录(通过 id 字段判断)

新记录调用 add() 方法

已有记录调用 modify() 方法

保存成功后同步到本地存储

如果网络失败,使用本地存储作为备份本地缓存同步 ✅

从后端加载成功后,自动保存到本地存储

保存到后端成功后,同步更新本地存储

网络失败时,使用本地存储作为降级方案

记录离线变更,便于后续同步类型定义完善 ✅

在 LifeSettingsResponse 中添加可选的 id 字段

用于区分新增和修改操作错误处理优化 ✅

404 错误特殊处理(用户未设置)

网络错误降级到本地存储

所有错误都有适当的日志记录

不会因为网络问题阻塞用户使用

数据流程图

用户首次访问

调用 getMyConfig()

返回 404 → 尝试本地存储 → 无数据 → 显示空状态

用户设置生日和预期寿命

调用 add() 新增 → 保存到本地存储

后续修改

调用 modify() 更新 → 同步到本地存储

现在生命日历功能的后端交互已经完全符合项目规范,支持离线使用和数据同步!

Credits used: 3.42

Elapsed time: 2m 48s

然后测试发现前后端的字段名对应错了,让其修正:

单次花费 3.6 个点,比预期的多。

其他调整

最后,又人工调整了一下小问题,比如把不合适的 card 卡片标题“人生日历设置”删掉,清理点击单元格的 console.log 输出,预期寿命从 60~150 调整为 1-130 等。

并且让 kiro 把生命网格悬浮的时候,增加日历年显示,如下图:

此外,测试发现生命网格固定显示 80 年,应根据用户设置动态调整,如下:

这任务居然消耗了 6 个多点,调整后效果如下:

Read more

RAG进化史:从“幻觉”到“可信”,及前端流式渲染实战

RAG进化史:从“幻觉”到“可信”,及前端流式渲染实战

前言: 1. 什么是 RAG(检索增强生成) RAG(Retrieval-Augmented Generation)是一种将信息检索(Retrieval)与大语言模型生成(Generation)相结合的技术架构。它的核心逻辑是“先查后答”,旨在解决大模型因训练数据滞后或知识盲区而产生的“幻觉”(一本正经胡说八道)问题。 工作流程拆解 1. 检索(Retrieval):当用户提出问题时,系统不会直接扔给大模型。而是先将问题转化为向量,在私有知识库(如文档、数据库)中进行语义搜索,找出最相关的几段原文。 2. 增强(Augment):将检索到的原文片段作为上下文(Context),与用户问题一起拼接成提示词(Prompt),喂给大模型。 3. 生成(Generation):大模型基于“用户问题 + 权威原文”进行回答,确保答案有据可依。 简单比喻:大模型是一个博学但记忆模糊的专家,RAG

基于web艺术展览网站设计与实现17261-计算机原创毕设选题推荐(免费领源码)

基于web艺术展览网站设计与实现17261-计算机原创毕设选题推荐(免费领源码)

摘 要   随着互联网技术的不断发展,艺术领域也开始逐渐融入到网络中,艺术展览网站作为一个线上艺术展示平台,能够为艺术家和艺术爱好者提供一个交流、展示的平台。因此,设计一个基于Springboot的艺术展览网站对于推动艺术行业的发展和促进文化交流有着重要的意义。 该系统充分利用了Java语言的跨平台特性和强大的生态系统,结合Spring Boot框架的优势实现了高效的开发和灵活的配置。该艺术展览网站为用户提供了注册登录、展览发布、展品信息浏览、评论互动、个人中心等功能,同时管理员具备对轮播图、网站公告、用户管理、资讯管理、展览发布、展品信息、展品类别等进行管理的权限。本课题的开发不仅仅是一项技术实践,更是对艺术与科技结合的探索。通过结合Springboot框架的强大功能和艺术展览网站的实际需求,不仅提升了网站的性能和用户体验,也为艺术与科技融合开辟了新的可能性。此外,艺术展览网站的开发还促进了艺术作品的传播和推广,为艺术家和艺术机构提供了一个全新的展示平台,对于艺术行业的发展和文化交流起到了积极的推动作用。 关键词:艺术展览网站;Java语言;Spring Boot框架;MyS

Qwen3-VL-WEBUI工业检测应用:缺陷识别系统部署指南

Qwen3-VL-WEBUI工业检测应用:缺陷识别系统部署指南 1. 引言 在智能制造与工业自动化快速发展的背景下,视觉缺陷检测已成为提升产品质量、降低人工成本的核心环节。传统基于规则或浅层机器学习的方法在复杂场景下泛化能力弱、维护成本高。随着大模型技术的演进,多模态大模型为工业视觉任务带来了全新的解决方案。 阿里云最新推出的 Qwen3-VL-WEBUI 正是面向此类高价值场景的开源利器。该工具基于阿里开源的 Qwen3-VL-4B-Instruct 模型构建,集成了强大的视觉理解与语言交互能力,特别适用于工业图像中细微缺陷的语义级识别与解释。 本文将围绕 如何利用 Qwen3-VL-WEBUI 构建一套可落地的工业缺陷识别系统,从环境准备、模型部署、数据接入到实际推理全流程进行手把手实践指导,并结合真实产线案例说明其工程优势和优化建议。 2. 技术方案选型:为何选择 Qwen3-VL-WEBUI? 2.1 工业缺陷检测的传统挑战 当前工业质检面临以下典型问题: * 缺陷种类多样且样本稀少(长尾分布) * 图像背景复杂,光照变化大 * 需要对缺陷成因做出可解

OpenClaw WebUI 中 Chat 的工作流程及主要程序名称

## 整体架构 OpenClaw WebUI 是一个基于 Web Components 的现代前端应用,提供了直观的聊天界面来与 OpenClaw Agent 进行交互。 ## 主要程序名称 ### 前端程序 1. control-ui/index.html - WebUI 主页面 2. control-ui/assets/index-BeKTXH1m.js - 打包后的前端核心代码 3. control-ui/assets/index-DWhx-9JL.css - 前端样式文件 ### 后端服务 1. Gateway 服务 - 运行在端口 18789,提供 API 端点 2. Agent 服务 - 处理代理逻辑 3.