欢迎来到「Vibe Coding AI编程实战」系列的第4篇。

上一回，我们让AI聊天机器人连上了大模型，能聊、能思考、还能记住上下文。今天再往前走一步——让它自己查数据库。老板用大白话问一句“上个月哪个区域销量最高”，它自己去查库、出图、然后把答案直接甩出来。

这其实是当前企业里最火的Agent落地方向之一，叫NL2SQL——自然语言转SQL。但不少人的做法是：一上来就让AI写代码，结果翻车翻到怀疑人生。而最容易翻车那一步，恰恰不在写代码的过程里，而是在写代码之前。

先把要做什么想清楚

老板的需求其实掰开了就三件事。

第一，接一个大模型；第二，让模型能操作数据库，听懂人话、自己写SQL去查；第三，查出来的数据，前端要能实时画成图表，同时把答案也说清楚。

这三件事听着简单，但它们对应的其实还是软件开发的完整生命周期：立项、需求分析、系统设计、开发、测试、上线、迭代。AI时代这套流程没有消失，只是每一步都让大模型帮你加速了。

别急着开Trae，先做调研

我们用的是字节跳动的AI编程工具Trae，对中文友好而且免费。但拿到需求之后，别顺手打开它就催着AI写代码，那样几乎注定要返工。

经验之谈：先用大模型的深度研究功能做一轮调研。ChatGPT、Gemini的deep research都行，把上面那三件事甩给它，让它帮忙查清楚：现在做这种系统主流用什么技术、有哪些Agent框架、有什么开源项目可以抄作业、前后端技术栈怎么搭。

调研完心里就有底了。后端用LangChain 1.0搭Agent，它有现成的SQL数据库工具；模型用阿里云百炼的千问（现在已经到Qwen3.7了）；数据库图省事就用SQLite本地起一个；前端React加ECharts画图。开源参考DB-GPT、Vanna、Chat2DB，思路都能扒着看。

为什么要费这个劲先调研？因为NL2SQL这种系统，核心不是写代码，而是把“听懂人话、生成SQL、查库、分析、画图”这条链路完整串起来。如果不先搞清楚每一步用什么技术、模型怎么调工具，直接让AI上，它大概率会瞎编——表名乱猜、SQL语法不对、字段对不上，前端再怎么调都不通。调研，本质上就是在动手之前把那些坑先填平。

有了这套确定性的方案，才轮到打开Trae。

Trae的几种模式，重点在“规划”

Trae里常用的几种工作模式：Chat是只读问答，问它答，不动代码；Agent是自主编码，给它权限，它能自己读写文件、跑工具；SOLO是全流程自己干。还有一种动作特别值得重视——让它先做规划。

这个规划动作，是整个流程里最值钱的一步。你把调研好的方案甩给它，它不直接写代码，而是先输出一份实现清单：前端怎么搭、后端怎么接、数据库怎么设计、NL2SQL那一步关键工具是什么。这份清单你可以审、可以改，改定了再让它一步步执行。

有两个踩过坑之后总结出的经验。

第一，别把模糊需求直接丢给规划。你只说“帮我做个数据分析系统”，它给的方案大概率没法用。得先调研、把技术选型定死，再让它规划。除非你对这套技术本来就熟，那可以省掉调研这一步。

第二，规划生出来的是一份待办清单，本质上是文档驱动的任务状态机——它干完一步就在文档里打个勾。但千万别图省事按那个“一键全部执行”的按钮，一整坨跑下来不可控，出个bug你都不知道卡在哪。拆成小步，一步一验证，遇到问题才游刃有余。它生成清单的时候，底层并不会每次都把整份文档塞进上下文，而是按相关性去检索。所以文档写得越清楚、越有条理，它执行得越准。

下载了别人的开源项目也是一样，别上来就提需求。先让它读一遍源码、给你讲明白，再告诉它“我要在这个基础上接飞书、接钉钉，该怎么做”，这样出来的规划才靠谱。

范式转变：从盯代码到盯文档

走到这儿你会发现，用AI编程，最大的转变不是少写了多少代码，而是你维护的东西变了。

以前你得盯着某个模块有哪些代码、实现了什么。现在不用，你只盯一份规划文档：哪些需求做了、哪些没做、做到什么程度。以结果为目标，过程交给AI。

这一步想通了，零基础也能带着AI把一个智能数据分析系统从零搭起来。下一篇，我们就进到Trae里，真正开干。