先说结果：一个真实可用的影讯小程序，已经提交微信体验版了。

从立项到跑通前前后后没几天，但踩的坑比我想象中多得多。这篇就是记录一下整个过程，尤其是那些 AI 也替我踩不掉的坑。

为什么要做这个

我家附近有一家影院，平时想看个电影，得在好几个 App 之间来回切：先看哪个片子值得看，再看哪家影院有场，再看几点的场次合适，最后还要跳去购票平台买票。

每个 App 都只给一部分信息，体验特别割裂。

所以我就想做一个纯粹的影讯工具：只给信息，不做交易。今天有什么片、附近哪家影院有场、今天大盘票房多少，一目了然。想买票？再跳官方平台去。

听起来是个挺简单的小工具，但真做起来才发现，最难的问题只有一个：数据从哪来。

技术上大概是这么回事

懂技术的看这段，不懂的可以直接跳过。

• 前端：微信原生小程序，四个 Tab——影讯、影院、排片、票房。
• 后端：微信云开发，云函数加云数据库，不用自己运维服务器，个人开发者比较友好。
• 数据：主要从猫眼移动端接口抓，影片、排片、票房都是。影院详情补充了一点极速数据 API，还有高德做定位和逆地址解析。
• 定位：拿微信的坐标，丢给云函数调高德翻译成城市，结果缓存 24 小时。

但说实话，"把接口数据抓回来存进数据库"这种事，AI 一天就能写完。真正麻烦的是后面那些坑。

首页就是票房大盘加热映列表

三个印象最深的坑

第一个：云函数只有 3 秒超时

第一次跑数据同步，接口直接报错。查了半天才发现，云函数默认超时只有 3 秒。而控制台里那个"云端测试"通道，虽然显示可以跑更久，但其实也有一个硬上限——根本跑不完一次完整的数据同步。

后来改成了分片抓：每次给云函数一个时间预算，比如 12 秒，能抓多少家影院算多少，抓完把进度存成游标，下次接着来。前端也配合着驱动——用户打开影院页，小程序自己循环调云函数，每次推进一点，直到这个城市的数据开通完。

第二个：全国城市根本预同步不过来

一开始我只同步了十几个热门城市，结果用户一切换城市就白屏。全国 300 多个城市，每个城市上百家影院，要是全量预同步，请求量直接爆炸，分分钟被风控。

最后想出来的办法是按需开通：用户所在城市没数据，前端就自动分片同步，用户那边能看到"正在开通 XX 影院数据"的进度条。开通完缓存 24 小时，同城的其他用户打开就是秒开。每天再跑个定时任务，只给"近 7 天有人访问"的城市续抓。

说白了就是请求量跟着真实用户走——没人的城市不浪费额度，有人的城市数据永远新鲜。个人开发者做爬虫，这几乎是唯一能跑通的模式。

第三个：广告位死活不显示

接广告组件的时候遇到最玄学的一个 bug：配置读得到，开关是开的，页面就是不渲染。缓存清了，代码翻了，每一行都正常。

最后发现是给广告组件传参数的时候，参数名撞上了小程序的系统保留字，传什么都会被平台吃掉，等于白传。换了个参数名，一行代码就解决了。

这种坑 AI 写代码的时候不知道，我 review 的时候也看不出来，只有真机跑了才会暴露。

类似的还有好几个：比如用命令行部署云函数会静默把超时重置回 3 秒，后来把超时声明写进配置文件才根治；还有高德的密钥分"网页端"和"服务端"两种，绑错了定位就一直失败……每个单拎出来都够写一条知乎回答。

和 AI 结对写代码，真实感受

这次全程用的 AI 编程助手（Trae + GLM），说三点最真实的感受。

第一，AI 负责写代码，人负责做判断。像"按需开通"这套架构，是我和 AI 讨论出来的方案。但"要不要为全国城市预同步"这种产品决策，AI 给不了答案——它不知道你的请求额度有多少、风控能承受多大、你的用户到底在哪。

第二，描述清楚 bug 比描述清楚需求难多了。"广告不显示"这种话丢给 AI，它只能瞎猜。但如果你把现象、已经排除的可能性、控制台输出的内容整理好给它，可能两轮就定位到问题了。能不能把问题说清楚，效率差十倍都不止。

第三，AI 不会替你收尾。功能能跑和产品能用之间，隔着一大堆细节：加载失败了怎么兜底、列表太长了怎么折叠展开、权限被拒了怎么降级让用户手动选城市……这些"用户体验的毛边"，都是我自己一次次真机测试、然后提出来让 AI 改的。

现在跑起来是什么样

目前有的功能：影讯首页（热映、预映、想看）、影院列表（按距离排序，可以筛 IMAX/CINITY）、排片三步选场（选片 → 选影院 → 选场次）、票房双榜、影片和影院详情页、全国城市按需开通、还有个管理员后台管广告位和数据体检。

影院按距离排 / 排片三步选 / 票房双榜

最后随便说两句

放在以前，一个人做这样一个小程序，少说也得挤一个月业余时间。这次从立项到提交体验版，断断续续也就几天。

AI 没有把开发变成"动动嘴就行"的事，但它确实把"从 0 到 1"的门槛压下来了——个人爱好者踮踮脚，就能够得到。

剩下从 1 到 100 的那些活，还是得一步一步磨。

本文由人机协作完成：产品和踩坑是人的，初稿和润色是 AI 的