AI 辅助开发实战：基于 Spring Boot 的毕设天气预报系统架构与实现-智慧文博士

背景痛点：学生项目常见问题

做毕设最怕“跑通就行”。很多同学把天气 API 的 URL、密钥、城市代码直接写死在 Controller，结果老师一换城市演示就 404；异常不处理，对方接口一限流，前端直接白屏；每次刷新页面都去打一次第三方，分分钟把免费额度打光。
这些问题总结起来就三句话：硬编码、无异常、重复请求。AI 辅助工具（GitHub Copilot / 通义灵码）能帮你快速生成功能代码，但如果不先想清楚“哪里该抽象、哪里该兜底”，AI 只是把坏习惯写得更快而已。

技术选型对比：别让“能跑”变成“只能跑”

HTTP 客户端：RestTemplate vs WebClient
- RestTemplate 进入维护模式，同步阻塞，高并发下线程数飙升。
- WebClient 响应式、非阻塞，配合 Spring WebFlux 一条线程扛 1k QPS 很轻松。
  毕设并发不高，但答辩现场老师喜欢狂点刷新，WebClient 更稳。
本地缓存：Redis vs Caffeine
- Redis 跨进程、可集群，但多一次网络 I/O，本地笔记本还要再装服务。
- Caffeine 基于 LRU+TinyLFU，命中率 99%，引入一个 jar 即可，重启即清空，正合毕设“单机演示”场景。
  最终组合：WebClient + Caffeine，既轻量又能扛并发。

核心实现：AI 帮你写骨架，你来做决策

下面示范“城市天气查询”模块，目标：高内聚、低耦合、可测试。

领域模型先行
让 AI 生成实体，Prompt：
“用 Java 17 record 定义一个 WeatherResponse，包含城市、温度、湿度、更新时间字段，添加 Swagger 注解”
得到：

@Schema(description = "天气响应体") public record WeatherResponse( @Schema(description = "城市") String city, @Schema(description = "温度") Double temp, @Schema(description = "湿度") Integer humidity, @Schema(description = "更新时间") LocalDateTime updateTime ) {}

声明式 HTTP 客户端
用 OpenFeign 代替手写 WebClient，Prompt：
“Spring Cloud OpenFeign 接口，调用 GET https://api.openweathermap.org/data/2.5/weather，返回 WeatherResponse，路径参数 q、appid，开启 gzip”
AI 直接给出：

@FeignClient(name = "weatherClient", url = "${weather.api.base-url}") public interface WeatherClient { @GetMapping(value = "/data/2.5/weather", consumes = "application/json") WeatherResponse getWeather(@RequestParam("q") String city, @RequestParam("appid") String appId); }

本地缓存层
引入 Caffeine，Prompt：
“Spring Boot 使用 Caffeine 缓存，过期时间 10 分钟，最大条目 1000，记录命中率”
生成配置类：

@Configuration @EnableCaching public class CacheConfig { @Bean public CacheManager cacheManager() { CaffeineCacheManager mgr = new CaffeineCacheManager(); mgr.setCaffeine(Caffeine.newBuilder() .maximumSize(1000) .expireAfterWrite(10, TimeUnit.MINUTES) .recordStats()); return mgr; } }

服务层兜底
在 Service 加@Cacheable("weather")，并捕获降级：

@Service @RequiredArgsConstructor public class WeatherService { private final WeatherClient client; @Value("${weather.api.app-id}") private String appId; @Cacheable(value = "weather", key = "#city", unless = "#result==null") public WeatherResponse getCachedWeather(String city) { try { return client.getWeather(city, appId); } catch (FeignException e) { throw new BizException("第三方服务繁忙，请稍后再试"); } } }

注意：AI 会忘记兜底，你要手动加try/catch并转译成业务异常，保持 Clean Code 的“错误处理集中化”原则。

性能与安全：老师不一定会问，一问就要答得上

缓存过期策略
天气数据变化慢，10 分钟 TTL 足够；若担心雪崩，加随机 0~30 秒 jitter，防止集中失效。
API 密钥管理
坚决不写进代码。
- 本地开发：Spring Profile +application-local文件里占位符${WEATHER_APP_ID}，IDE 启动参数注入。
- 线上演示：GitHub Codespaces 的 Secret 或阿里云 SAE 环境变量，仓库代码里不出现真实值，答辩时直接展示环境变量页。
防刷机制
用 Bucket4j + Spring Boot Starter 做接口限流，Prompt：
“基于 IP 的令牌桶，每秒 5 次，突发 10 次”
30 秒即可生成过滤器，老师现场狂点也不会把免费额度打光。

生产环境避坑指南：毕设也要“能上线”

冷启动延迟
Caffeine 在首次加载时构建缓存，可把热门城市（北京、上海、广州）提前预热，CommandLineRunner 里异步刷一次。
第三方不可用
加断路器 Resilience4j，失败率 50% 即打开，5 秒后半开。AI 能生成模板，但阈值要根据免费额度调低。
幂等性
虽然查询天然幂等，但统计调用次数的埋点表要防重复写入。给每次请求生成 UUID，数据库唯一索引兜底。
日志与监控
引入 Micrometer + Prometheus，暴露/actuator/metrics命中率、QPS，答辩时给老师看 Grafana 大屏，加分项拉满。

把 AI 当成“不会累的结对伙伴”

整个开发过程里，AI 负责三板斧：样板代码、单元测试、注释润色。
但“决策”必须留在你手里：缓存时间、降级策略、异常转译，这些才是老师想听到的“你为什么这么做”。
把 Prompt 当成需求文档写得越细，AI 返回越贴合；写完立刻让 AI 生成 JUnit + Mockito 用例，Prompt：
“给 WeatherService 写单元测试，Mock WeatherClient，断言缓存命中时不会调用 Feign”
30 秒就能拿到可运行用例，再让 GitHub Actions 跑一遍，绿色小勾比任何口头解释都香。

结尾思考：下一步让 AI 帮你“提问题”

代码写完只是 50%，测试覆盖率、性能基准、安全扫描都得补。
试试把下面这段话丢给 AI：
“扮演面试官，针对我的天气预报系统，从性能、安全、可扩展角度提出五个尖锐问题，并给出改进代码”
你会发现 AI 比你更会“找茬”。
把生成的改进意见再喂回去，让 AI 继续重构——循环几轮，代码质量会呈指数级上涨。
毕设不是终点，学会“用 AI 提问”才是长期竞争力。祝你答辩一次过，把更多时间留给真正的创造。