如何验收 AI 一次生成的单文件应用

一次生成的单文件应用可能已经有看板、图表、按钮和动画，但这些元素未必共享状态，刷新后也可能丢失数据。仅凭截图、代码行数或文件大小，无法判断它是否形成可运行交付。本文只解决验收问题：先核对任务书是否写明运行环境和核心闭环，再实际操作功能、检查跨视图状态与持久化，随后加入异常输入和代码审查。最终交付是一份带运行记录、失败项和已知限制的检查结果，而不是对模型能力的泛化结论。

验收关注的是：

任务书是否足以约束实现？
核心流程是否能从头到尾完成？
状态、持久化和异常处理是否可观察？
哪些结论不能由一次运行推出？

1. “一句话”其实不是“没有规格”

案例中的开发提示词虽然只有一段，但信息密度很高。

它已经规定：

技术栈。
交付格式。
运行环境。
核心功能。
禁止依赖。
离线要求。
测试与修复责任。

所以更准确的说法不是“一句话凭空生成”。

而是：

用一段结果导向、约束明确的任务书，让模型自主完成方案与实现。

这和只说“帮我做个项目管理系统”不是同一难度。

提示词应说明结果、成功标准、约束和可用上下文，同时允许实现过程根据环境选择方案。

2. 后台界面要检查统一状态

项目管理平台最容易做成“能看不能用”的 Demo。

真正的闭环不是卡片数量，而是同一次操作能否同步影响多个视图：

拖动任务到已完成。
  ↓
任务状态改变。
  ↓
项目进度重新计算。
  ↓
统计图同步更新。
  ↓
操作历史新增记录。
  ↓
localStorage 保存新状态。

验收时需要逐项观察这些联动，而不是根据页面外观推断。通过检查后，才能确认实现处理了：

状态模型。
派生数据。
事件更新。
持久化。
跨视图一致性。

3. Canvas 小游戏要检查循环和对象生命周期

Roguelike 的复杂度不只来自敌人和武器数量。

实时游戏还要同时处理：

游戏循环。
输入响应。
碰撞检测。
对象生命周期。
粒子和屏幕反馈。
音频。
动态难度。
升级与得分循环。

需要检查更新频率是否与渲染解耦、对象是否会无限增长、碰撞检测是否遗漏高速移动对象，并用长时间运行和密集对象场景记录表现。不能仅凭类名或功能清单断定这些机制已经实现。

4. 单次运行没有证明什么

单次运行不能证明：

每次生成都能达到相同质量。
代码没有隐藏 Bug。
项目可以直接进入生产环境。
该模型在其他任务上也有相同表现。
文件越小，工程质量越高。
单文件一定比模块化方案更适合维护。

单文件适合演示和离线交付，却不适合直接推导可维护性、安全性、协作能力和长期扩展性。

5. 一句话任务书应该怎么写

推荐结构：

目标成果：最终交付什么。
使用环境：在哪里运行。
技术边界：允许和禁止什么。
核心闭环：哪些动作必须真正联动。
质量要求：性能、响应式、可访问性或兼容性。
验证责任：需要运行哪些检查。
交付形式：文件、源码、说明和已知限制。

通用模板：

请从零完成一个[产品类型]。

最终成果：
[可直接运行或打开的交付物]

运行环境：
[浏览器、桌面、服务器、离线等]

核心功能：
[真正需要的功能和状态联动]

技术约束：
[技术栈、依赖、接口和素材限制]

成功标准：
1. [关键流程可以从头到尾完成]
2. [数据或状态在多个视图中一致]
3. [刷新、重启或异常场景可处理]
4. [桌面和移动端达到的最低要求]

请自主完成设计、实现、运行验证和问题修复。
最终说明已验证内容、未验证内容和已知限制。

6. 怎样验证“一次生成”不是演示

至少跑以下几类检查。

功能检查

所有核心按钮、输入、拖拽和状态变化都实际操作。

状态检查

同一数据在列表、统计、详情和历史中保持一致。

持久化检查

关闭并重新打开，确认数据是否恢复；清除数据后是否能回到初始状态。

异常检查

空输入、重复操作、极端数据量和中断恢复是否可控。

代码检查

搜索未使用变量、吞掉的异常、硬编码密钥、危险 DOM 写入和无限增长的数组。

7. 保留完整运行记录

评估 Coding Agent 生成工具时，还要记录完整运行链：

模型与推理档位。
任务书版本。
输入上下文。
生成耗时。
输入输出 Token。
工具调用次数。
修复轮次。
测试结果。
人工修改量。
最终是否采用。

这些字段的目的是复现本次运行，不应将一次结果外推为模型排名。

8. 一份可复现评分表

总分不是为了制造新榜单。

而是让不同模型、不同推理档位和不同提示词能在同一规则下复测。

9. 结论与限制

验收的重点是模型是否把高密度任务书变成了完整状态闭环：

管理工具能否保持数据一致。
实时游戏能否兼顾玩法、性能和反馈。

成果只有在目标环境中被运行、验证和复现，并明确记录未通过项与限制后，才适合称为交付物。单次生成不证明代码安全、长期可维护或生产可用。

本文评分表没有预设权重，也没有给出任何模型排名。不同任务应在运行前确定各维度的重要性，并保留源码、环境、任务书、测试记录和人工修改量；缺少这些材料时，只能评价可见成品，不能评价模型的普遍能力。