用 AI 撸一个评论系统：从 Astro 到 Cloudflare Pages 的实操避坑指南
于是我决定尝试用 AI 独立开发一套。这次尝试让我意识到，现在的“开发”重心已经从写代码转移到了“定义需求”上。整个过程我没有手动写一行代码，完全靠“描述需求 → AI 出码 → 测试报错 → 反馈修正”这个闭环搞定。在短短一天内，我实现了一个包含数据库存储、边缘函数处理、验证码防刷、邮件提醒以及表情回应的完整评论系统。
在实操过程中，我踩了几个非常典型的坑，分享给准备尝试的朋友，避免在这些琐碎的事情上浪费时间。
首先是关于方案选择的误区。我最初尝试直接安装一个现成的第三方评论系统，结果上线运行一小时后我才意识到，强制登录对内部协作效率的影响极大。很多同事在尝试评论时被登录页面挡了回来，导致参与度极低。这时候最正确的做法不是去研究如何优化登录流程，而是果断删掉，重新用 AI 定义一个“匿名昵称”的轻量方案。
其次是关于缓存的心理建设。在开发过程中，我有两次遇到更新代码后页面完全没变化的情况。当时我第一反应是代码写崩了，开始疯狂检查逻辑，结果折腾半小时才发现其实是 Cloudflare 的边缘缓存没刷新。在处理这类部署问题时，如果代码逻辑没变但页面没更新，建议先等两分钟或者手动清除缓存，不要盲目地在 AI 面前反馈 Bug，否则 AI 可能会为了修复这个“不存在的错误”而把原本正确的代码改乱。
最让我哭笑不得的是一个关于字符显示的 Bug。当时我测试评论区的表情符号功能，发现前端页面死活显示不出 Emoji，我怀疑是编码格式出了问题，反复让 AI 优化字符集。结果最后发现代码逻辑完全正确，单纯是因为我当时使用的终端（Terminal）不支持显示该字符。这种“伪 Bug”在 AI 辅助开发中非常常见，因为 AI 只能看到代码，看不到你的运行环境。
在具体的部署逻辑上，我采用了 Astro 的静态构建方案，配合 Cloudflare Workers 处理后端逻辑，并使用一个小数据库存储评论内容。整个部署流程非常简洁，主要依赖以下两个命令：
# 首先执行 Astro 的静态构建
npm run build
# 然后通过 wrangler 工具将构建后的 dist 目录部署到 Cloudflare Pages
npx wrangler pages deploy dist通过这种工作流，我成功地在不需要任何专业后端开发资源的情况下，为团队搭建了一个流畅的互动模块。这次经历给我最大的感触是，只要你能像个挑剔的客户一样清晰地描述行为需求，并具备基础的测试意识，AI 就能帮你把技术方案快速落地。对于非技术人员来说，这极大地降低了内部工具建设的依赖，效率提升非常明显。
