AI Code Mother 项目学习笔记（一）：项目总体介绍与学习路线

1. 为什么要学习这个项目？

近几年，大模型在代码生成领域的应用越来越普遍。我们平时使用 ChatGPT、GitHub Copilot 或其他 AI 编程工具时，通常是输入一段需求，然后让模型返回代码。但如果想把这种能力做成一个完整系统，仅仅调用大模型接口是不够的。

一个真正可用的 AI 代码生成系统，至少要解决以下问题：

用户如何提交需求？ AI 如何判断应该生成什么类型的代码？ 生成过程如何实时返回给前端？ AI 生成的代码如何解析、保存和管理？ 生成后的页面如何部署、预览和下载？ 用户、应用、历史对话如何管理？

AI Code Mother正是一个围绕这些问题构建的后端项目。它不是一个简单的“调用大模型生成代码”的 Demo，而是一个较完整的 AI 代码生成后端系统。根据项目 README 的介绍，该项目基于 Spring Boot，支持通过大模型生成前端页面代码、保存对话历史、执行工作流、部署静态页面，并通过 SSE 流式返回生成过程。GitHubhttps://github.com/Tittifer/ai-code因此，这个项目很适合作为学习 AI 应用后端开发的案例。通过它，我们可以了解一个 AI 代码生成系统从接口设计、模型调用、工作流编排到结果部署的完整流程。

2. 这个项目主要做什么？

简单来说，AI Code Mother 的核心功能可以概括为一句话：

用户输入页面需求，系统调用大模型生成前端代码，并将生成结果保存、部署、预览和下载。

例如，用户可以输入：

帮我生成一个科技风格的登录页面，包含用户名、密码输入框和登录按钮。

系统接收到这个需求后，不只是把它直接发给大模型，而是会经过一系列处理：

用户输入需求 ↓ 后端接收请求 ↓ 判断生成代码的类型 ↓ 调用大模型生成代码 ↓ 通过 SSE 流式返回生成内容 ↓ 解析 AI 输出 ↓ 保存为代码文件 ↓ 部署页面或打包下载

从功能上看，项目支持 AI 对话式生成代码，并支持HTML、MULTI_FILE、VUE_PROJECT三种代码生成模式。项目还支持 LangGraph4j 工作流编排、SSE / Flux 流式输出、Redis 会话与缓存、页面部署、截图、代码打包下载，以及管理员和普通用户权限控制。(GitHub)

这说明它的目标不是只生成一段代码文本，而是希望把“AI 生成代码”变成一个完整的应用服务。

3. 项目的技术栈

从 README 可以看到，该项目使用的主要技术包括：

Java 21 Spring Boot 3.5.4 MyBatis-Flex MySQL Redis Redisson LangChain4j LangGraph4j Reactor Knife4j / OpenAPI Selenium

其中，几个比较关键的技术需要重点理解。(GitHub)

3.1 Spring Boot

Spring Boot 是整个后端项目的基础框架，负责提供 Web 接口、依赖注入、配置管理、业务服务组织等能力。

在这个项目中，用户注册、登录、创建应用、生成代码、部署应用、下载代码等接口，都是通过 Spring Boot 提供的 Controller 暴露出来的。

3.2 LangChain4j

LangChain4j 可以理解为 Java 生态中的大模型应用开发框架。它的作用是帮助 Java 项目更方便地调用大模型，并组织 Prompt、AI Service、工具调用等逻辑。

在 AI Code Mother 中，LangChain4j 主要用于封装大模型调用。例如，项目可以根据不同任务使用不同的系统提示词，让大模型生成 HTML 页面、多文件代码或 Vue 项目。

3.3 LangGraph4j

LangGraph4j 用于工作流编排。所谓工作流，就是把一个复杂任务拆成多个步骤，并规定这些步骤之间的执行顺序。

AI 代码生成并不是一步完成的。它可能包括：

图片收集 提示词增强 智能路由 代码生成 代码质检 项目构建

项目 README 中也明确提到，它通过 LangGraph4j 将这些步骤串联起来。(GitHub)

3.4 SSE / Flux

SSE 是 Server-Sent Events 的缩写，可以让服务端持续向前端推送数据。

在 AI 代码生成场景中，如果等大模型全部生成完成后再返回，用户体验会比较差。更好的方式是：模型生成一点，后端就返回一点，前端实时显示生成过程。

该项目使用 SSE / Flux 实现流式输出，使前端能够实时接收 AI 生成进度。(GitHub)

4. 项目整体结构

项目的核心代码位于：

src/main/java/com/aicode/codemother

根据 README，主要目录结构如下：(GitHub)

src/main/java/com/aicode/codemother ├─ ai AI 服务与工具调用 ├─ controller 接口层 ├─ service 业务层 ├─ mapper 数据访问层 ├─ model DTO / VO / Entity ├─ langgraph4j 工作流编排 ├─ config Spring 配置 ├─ core 核心能力 ├─ manager 资源管理 ├─ utils 工具类 └─ ratelimter 限流模块

从学习角度看，可以先把项目分成五层来理解。

4.1 接口层：controller

controller负责接收前端请求。

例如，用户创建应用、登录、请求 AI 生成代码、部署应用、下载代码，都会先进入 Controller。

可以把 Controller 理解成系统的“入口”。

4.2 业务层：service

service负责处理具体业务逻辑。

例如，创建应用时要保存应用信息；生成代码时要判断当前用户是否有权限；下载代码时要检查应用是否存在，以及当前用户是否可以下载。

4.3 AI 层：ai

ai是这个项目最核心的部分之一。

它负责和大模型交互，包括：

根据用户需求判断代码生成类型 调用大模型生成 HTML 代码 调用大模型生成多文件代码 调用大模型生成 Vue 项目

这一层体现了 AI 应用开发的核心思路：不是直接把用户输入丢给模型，而是通过不同的 Prompt 和服务接口，把模型能力封装成稳定的后端能力。

4.4 工作流层：langgraph4j

langgraph4j负责把 AI 生成代码这件事拆成多个节点。

例如：

图片收集 → 提示词增强 → 智能路由 → 代码生成 → 代码质检 → 项目构建

这个设计比单纯调用一次大模型更复杂，但也更接近真实项目。因为真实的 AI 应用通常不是一次模型调用就结束，而是由多个步骤组合完成。

4.5 核心处理层：core

core主要负责代码生成后的处理。

AI 返回的内容可能是 Markdown 格式，也可能包含解释文字、代码块或多个文件内容。因此，系统需要对 AI 输出进行解析，然后保存成真正的代码文件。

这一层通常会涉及：

代码解析 代码保存 项目构建 文件下载 部署处理

5. 一次完整请求的运行流程

为了更直观地理解这个项目，可以用一个例子来看。

假设用户输入：

生成一个个人博客首页，包含头像、个人简介、文章列表和联系按钮。

整个后端流程大致可以理解为：

1. 用户在前端输入需求 ↓ 2. 前端请求后端生成代码接口 ↓ 3. Controller 接收请求 ↓ 4. Service 检查用户和应用信息 ↓ 5. AI 路由服务判断生成类型 ↓ 6. 大模型生成对应代码 ↓ 7. 后端通过 SSE 实时返回生成内容 ↓ 8. 系统解析 AI 输出 ↓ 9. 保存为 HTML / 多文件 / Vue 项目 ↓ 10. 用户可以预览、部署或下载代码

这条流程就是后续博客系列的主线。

后面的每一期都可以围绕这条主线展开。比如第二期先讲如何把项目跑起来，第三期讲目录结构，第四期讲接口入口，第五期讲大模型调用，第六期讲代码生成类型路由，第七期讲工作流编排。

6. 为什么这个项目值得学习？

我认为这个项目的学习价值主要体现在四个方面。

6.1 它不是简单 Demo，而是接近真实业务系统

很多 AI 代码生成示例只做到了：

输入 prompt → 调用大模型 → 返回文本

但 AI Code Mother 进一步处理了应用管理、用户权限、历史对话、代码保存、页面部署、文件下载等问题。

这让它更接近一个真实的 AI 应用后端系统。

6.2 它适合学习 AI 应用后端架构

这个项目把 AI 能力放在后端系统中，而不是只停留在模型调用层面。

通过学习这个项目，可以理解：

AI 服务如何封装？ Prompt 如何组织？ 生成结果如何流式返回？ AI 输出如何转成可用文件？ 复杂任务如何用工作流管理？

这些都是 AI 应用开发中非常常见的问题。

6.3 它适合学习 Spring Boot 工程化实践

除了 AI 部分，项目本身也包含完整的后端工程结构：

Controller Service Mapper Model Config Utils 权限控制 接口文档 数据库表设计 Redis 缓存 限流模块

对于想提升 Spring Boot 项目能力的人来说，它也有较强的学习价值。

6.4 它有继续扩展的空间

README 中也提到，项目后续可以扩展更多代码生成模板、增强代码质检能力、接入更多模型服务商、增加前端管理台、增加任务队列与异步调度。(GitHub)

这些方向都很适合作为二次开发练习。

例如：

增加 React 项目生成模式 接入通义千问、DeepSeek、OpenAI 等更多模型 增加 AI 代码审查功能 增加生成失败后的自动修复机制 增加异步任务队列，支持大型项目生成

7. 本系列博客计划

为了系统学习这个项目，我准备将整个项目拆成多个部分进行分析。

初步计划如下：

第 1 期：项目总体介绍与学习路线 第 2 期：本地环境搭建与项目启动 第 3 期：项目目录结构与分层设计 第 4 期：从接口入口理解 AI 代码生成请求 第 5 期：LangChain4j 在项目中的使用方式 第 6 期：代码生成类型路由机制 第 7 期：LangGraph4j 工作流编排解析 第 8 期：SSE / Flux 流式输出机制 第 9 期：AI 输出如何解析并保存为代码文件 第 10 期：用户、应用与对话历史管理 第 11 期：部署、预览、截图与代码下载 第 12 期：项目总结与二次开发方向

本系列不会一开始就逐行分析源码，而是先从整体流程入手，再逐步深入关键模块。

这样的学习顺序更容易理解项目：

先知道它是做什么的 再知道它怎么跑起来 然后知道代码放在哪里 最后再深入每个核心模块

8. 本期小结

这一期主要对 AI Code Mother 项目做了整体介绍。

这个项目可以理解为一个基于 Spring Boot 的 AI 代码生成后端系统。它不仅调用大模型生成代码，还进一步支持代码类型路由、工作流编排、流式输出、代码保存、页面部署、截图、下载、用户权限和对话历史管理。

后续学习这个项目时，可以始终抓住一条主线：

用户输入需求 ↓ 系统调用 AI 生成代码 ↓ 后端解析并保存代码 ↓ 用户预览、部署或下载结果

下一期将从最基础的部分开始，介绍如何在本地搭建环境、配置数据库和 Redis，并成功启动这个项目。