零代码开发微信小程序：Codex+Antigravity三天实战

一位开发者用三天时间，借助 Antigravity（反重力）和 OpenAI Codex 两款 AI 工具，在不写一行代码的情况下完成了一款微信小程序的开发与上线。这款"AI菜谱"小程序不仅具备完整的社交分享功能，还内置了 AI 对话式菜谱生成能力，展示了当前 AI 编程工具的实际生产力水平。

项目概览：一款AI驱动的菜谱小程序

这款小程序的核心功能围绕"做菜"展开——用户可以通过 AI 对话生成个性化菜谱，也可以浏览和收藏其他用户分享的菜品。开发者表示，自己平时需要做饭，因此选择了这个贴近生活的场景来检验 AI 编程工具的能力。

从最终上线的效果来看，小程序包含以下核心模块：

• 首页信息流：展示所有用户公开分享的菜谱作品，支持浏览和收藏
• 私人厨房：个人收藏夹和已创建菜谱的管理空间
• AI菜谱生成：通过自然语言对话，让 AI 根据需求定制菜谱
• 个人中心：查看收藏记录和创作历史
• 社交分享：支持将菜谱分享给好友或公开发布

整体功能设计虽然不算复杂，但涵盖了用户系统、内容管理、AI交互、社交分享等多个维度，作为一个零代码项目来说已经相当完整。

值得一提的是，微信小程序本身有着独特的技术门槛。它基于微信自有的框架体系，使用 WXML（类似 HTML 的标记语言）、WXSS（类似 CSS 的样式语言）和 JavaScript 进行开发，同时需要遵循微信平台的组件规范、API 调用限制和审核发布流程。截至 2024 年，微信小程序的日活用户已超过 5 亿，生态内活跃小程序数量超过数百万个。传统开发一款功能完整的小程序，开发者不仅需要掌握前端技术栈，还需要熟悉微信开发者工具、云开发或自建后端服务、以及平台特有的登录授权和支付体系。正因如此，一个零编码基础的人能在三天内完成从开发到上线的全流程，才显得格外具有标志性意义。

AI对话式菜谱生成：小程序的核心亮点

小程序最有意思的功能是 AI 菜谱定制。用户可以像和朋友聊天一样，告诉 AI 自己想吃什么、几个人吃、口味偏好等信息，AI 会自动生成包含配料清单和烹饪步骤的完整菜谱。

开发者在演示中输入了"我今天想吃萝卜炒肉丝，一个人吃，微辣"，AI 随即返回了详细的材料清单和做法。更说个细节，这个交互支持多轮修改——当开发者发现家里只有牛肉没有猪肉时，告诉 AI 修改需求，系统便重新生成了基于牛肉的菜谱版本。

这种多轮对话式交互的背后，涉及大语言模型（LLM）的上下文窗口管理和结构化输出两项关键技术。上下文窗口决定了模型能"记住"多少轮对话内容——用户说"把猪肉换成牛肉"时，模型需要回溯之前的菜谱内容才能准确修改，而不是从头生成一份全新菜谱。结构化输出则确保 AI 返回的不是一段随意的文字，而是按照"菜名-配料清单-烹饪步骤"这样固定格式组织的数据，这样前端才能将其渲染为美观的菜谱卡片。实现这一点通常需要在 API 调用时设置 system prompt（系统提示词）来约束输出格式，或者使用 function calling（函数调用）等机制让模型输出 JSON 结构化数据。

确认菜谱满意后，用户点击"开始定制"，系统会花大约一分钟时间生成最终版本，之后可以选择分享给好友或公开发布。这种"对话→调整→确认→生成"的交互流程设计得比较自然，降低了使用门槛。

开发工具链：Codex与Antigravity如何分工协作

这个项目的开发工具选择颇具代表性。开发者使用了两款 AI 工具的组合：

• OpenAI Codex：负责前端代码的生成，处理小程序的页面逻辑和交互实现
• Antigravity（反重力）：负责 UI 设计和部分联调工作，整体界面风格由它完成

OpenAI Codex 是 OpenAI 推出的 AI 编程智能体（coding agent），于 2025 年正式发布。与早期的代码补全工具不同，Codex 能够在云端沙盒环境中自主执行多步骤的编程任务：它可以读取整个代码仓库的上下文，理解项目结构，然后根据自然语言指令编写新功能、修复 Bug 或重构代码。Codex 基于 OpenAI 的 codex-1 模型（经过强化学习针对编程任务专门优化），能够处理从简单脚本到复杂工程级别的代码生成任务。在本案例中，开发者通过自然语言描述页面功能和交互逻辑，Codex 自动生成了符合微信小程序规范的 WXML、WXSS 和 JS 代码。

Antigravity（反重力）则是一款面向产品设计和开发的 AI 工具，它的核心能力在于将自然语言描述或设计意图转化为可用的 UI 界面。与 Codex 侧重代码逻辑不同，Antigravity 更擅长处理视觉层面的工作——包括页面布局、配色方案、组件样式和交互动效。它还具备一定的联调能力，可以将设计输出与前端代码进行对接。在当前 AI 工具生态中，Antigravity 的定位类似于"AI 设计师 + 前端切图师"的结合体，填补了从设计稿到可用界面之间的自动化空白。开发者提到它包含"口头模型和绘图能力"，说明该工具同时集成了语言理解和视觉生成两种 AI 能力。

开发者强调，从头到尾没有手写一行代码，全程通过自然语言指令驱动 AI 完成开发。整个项目耗时三天，包括开发和调试。

在成本方面，开发者开通了 Antigravity 的 Auto 会员（包含口头模型和绘图能力），以及 Codex 的基础版订阅。虽然没有透露具体金额，但从"最普通的模式"这个描述来看，投入并不算高。

开发者还提到一个有趣的观察：他感觉 Google 的模型在 UI 设计方面的表现可能更好一些，这暗示他在开发过程中可能对比过不同模型的输出效果。这一观察并非个例——Google 的 Gemini 系列模型在多模态理解（同时处理文本、图像和代码）方面确实展现出较强的能力，尤其是在理解视觉布局和设计意图方面，这可能与 Google 在计算机视觉领域的长期积累有关。

零代码开发实战带来的启示与局限

从这个案例中，我们可以提炼出几个值得关注的趋势：

AI编程工具已具备实用价值

三天时间、零代码基础要求、完成一个可上线的微信小程序——这个效率在传统开发模式下几乎不可能实现。即便是有经验的开发者，从零搭建一个包含用户系统、AI接口、社交功能的小程序，通常也需要一到两周。AI 工具将开发门槛大幅降低，让"想法到产品"的路径变得更短。

这一变化的背后是"自然语言驱动开发"（Natural Language to Code，简称 NL2Code）范式的逐步成熟。从 2021 年 GitHub Copilot 首次将 AI 代码补全引入主流开发者工作流，到 2023 年 GPT-4 展现出理解复杂编程需求的能力，再到 2024-2025 年 Cursor、Windsurf、Codex、Bolt.new 等工具将 AI 编程从"辅助补全"推进到"自主开发"，整个行业经历了从"AI 写代码片段"到"AI 构建完整应用"的质变。当前市场上，面向不同场景的 AI 编程工具已形成初步的竞争格局：GitHub Copilot 和 Cursor 主攻专业开发者的效率提升，Bolt.new 和 Lovable 瞄准快速原型搭建，而 Codex 和 Devin 则试图扮演更自主的"AI 软件工程师"角色。本案例中 Codex + Antigravity 的组合，正是这一生态多元化发展的缩影。

多工具协作是当前的最佳实践

开发者没有依赖单一工具，而是让 Codex 和 Antigravity 各司其职。这反映了当前 AI 编程工具的现实——没有哪一款工具能完美覆盖所有环节，合理的工具组合往往能取得更好的效果。前端逻辑交给擅长代码生成的 Codex，UI 设计交给视觉能力更强的 Antigravity，这种分工思路值得借鉴。

这种多工具协作模式实际上映射了传统软件开发中的角色分工：产品经理定义需求、设计师完成 UI/UX、前端工程师实现交互、后端工程师搭建服务。AI 工具目前还无法以单一产品覆盖所有角色的能力，但每款工具在各自擅长的领域已经接近甚至达到了初级从业者的水平。未来的趋势可能是这些工具之间的互操作性越来越强——比如设计工具的输出可以直接被编程工具理解和调用，形成更流畅的自动化流水线。

人类的产品思维依然不可或缺

虽然号称"零代码"，但开发者的角色并非完全被动。他需要明确产品需求、拆解功能模块、在 AI 输出不理想时调整指令、协调两个工具之间的衔接。从"命令 AI"到"产品上线"，人类的产品思维和项目管理能力依然是关键环节。

这里涉及一个正在被广泛讨论的概念——**提示工程（Prompt Engineering）**的进化。早期的提示工程关注如何写出让 AI 产生更好输出的单条指令，但在实际的 AI 驱动开发中，开发者需要的是一种更高层次的能力：将一个模糊的产品想法拆解为 AI 可执行的任务序列，判断每个任务应该交给哪个工具，评估 AI 输出的质量并决定是接受、修改还是重新生成。这种能力更接近于"AI 项目经理"或"AI 产品架构师"，它要求从业者既理解技术的可能性边界，又具备清晰的产品判断力。可以预见，随着 AI 编程工具的普及，"会用 AI 做产品"将成为一项越来越重要的职业技能。

总结

这个案例虽然规模不大，但清晰地展示了 AI 编程工具的实际能力边界：对于功能明确、复杂度适中的应用，AI 已经可以承担绝大部分编码工作。开发者的核心价值正在从"写代码"转向"定义需求"和"质量把控"。随着 Codex、Antigravity 等工具的持续迭代，这类自然语言驱动开发的案例只会越来越多。

当然，我们也需要理性看待当前 AI 编程工具的局限性。本案例中的小程序功能相对标准化，数据模型简单，没有涉及复杂的并发处理、安全防护或大规模数据架构等深层工程问题。对于涉及支付系统、敏感数据处理、高可用性要求的企业级应用，AI 生成的代码仍然需要专业开发者进行严格的安全审计和性能优化。AI 编程工具目前更适合作为"从 0 到 1"的加速器，而"从 1 到 100"的工程化打磨，仍然是人类工程师的核心战场。