AI改变了什么？

起因：被一个“半成品”卡住了

车机流量用完了，正好看到 GitHub 上有个下载音乐的项目，想着把歌单离线到 U 盘里听。结果解析九百首歌花了三个多小时，只下下来前五首；想继续下载，还得从头再解析一遍——心态直接崩了。

看不懂代码，但想着 AI 能看懂。用 Trae 把仓库克隆下来，把歌单链接扔给它，问题很快浮出水面：脚本的解析机制本身就有问题，每首歌要来回发一大堆请求，极慢，而且解析完不缓存，重新运行就得重来。

第一次迭代：解决“重复劳动”

AI 给出的第一个诊断很直白：解析结果没有缓存。加上缓存后，重跑时不用再等解析了。

但“慢”依然是硬伤，只是从“非常慢”变成了“没那么慢”。

第二次迭代：找到核心矛盾

继续让 AI 分析卡点。它发现歌单里每首歌都有唯一标识，脚本没有利用好它。改成先通过唯一标识快速生成歌曲列表，解析速度瞬间从“小时级”降到了“分钟级”。

第三次迭代：下载也要策略

列表拿到了，下载器又开始串行干活——挨个接口去试探，找到一个能用的才开始下。九百多首歌按这个逻辑跑完，黄花菜都凉了。

这次我让它优先使用歌单所在平台的接口，改成多线程并发下载，加上断点续传。下载体验终于正常了。

第四次迭代：处理遗留的“瑕疵”

下完后检查发现，有些歌曲只有一分钟——试听版本。AI 再次出手，自动检测每首歌的时长，把试听版单独挑出来放到一个文件夹，再针对这些试听曲去寻找完整版替换。

所以 AI 到底改变了什么？

1. 门槛降低了：不懂代码不是终点，会描述问题+能验证结果就行——这在以前根本不可能。
2. 流程变成了迭代：以前遇到不好用的工具只能忍，现在可以像带实习生一样，一步步把它改到顺手。
3. 边界拓宽了：不是第一次想下载歌单，但以前要么放弃，要么费力找现成方案。AI 让我能亲手把半成品打磨成想要的样子。

对了，模型之间差别挺大。这次在Trae用的 Qwen3.7-plus 经常逻辑混乱，浪费了不少时间；同样是免费的 DeepSeek-v4-flash 反而从头到尾都很稳定。工具再好，选错模型一样踩坑，当出现反复重复某个问题还不止一次后，换个模型试试看没准一下就好了。
另外，这种小工具我从来不在乎它有没有bug，是不是屎山，于我而言就是本地用一下，用完了就不管了的那种。