用 AI 做表单、聊天机器人和自动化小工具

很多真实需求根本不需要做成一个"产品"。一个表单页面收数据然后发邮件、一个能回答常见问题的对话框、一个每天定时跑一次的脚本——这些东西用 AI 工具几个小时就能搭出来，而且立刻能用。

反倒是很多人把精力花在了"先想清楚整体架构"上，然后就没有然后了。

这篇讲三类最常见的"小而美"工具：表单/问卷、聊天机器人、自动化小工具。它们有一个共同点——需求明确、开发快、用现成能力拼就够了，不需要你从头造什么。

用 Cursor 或 Claude Code 来搭，两者在这类场景里的用法基本一致。

---

这三类小工具的共性

在讲每一类之前，先说共性——因为踩坑的地方往往是共性的坑，不是某类特有的：

数据存哪？ 大多数小工具的数据量不大，Supabase 免费额度（500MB + 每月 200 万次请求）足够了。表单提交存一张表，聊天记录存一张表，脚本日志存一张表——不需要自己运维数据库。

通知怎么发？ 表单提交后通知、脚本跑完告警，最省事的方案是邮件（Resend 免费 100 封/天，接入代码不到 20 行）或者企业微信 Webhook（一个 POST 请求就能推消息到群里）。不要自己搭邮件服务器。

定时怎么跑？ 脚本类工具经常需要定时执行。选项有三种：Vercel 的 Cron Jobs（免费，每天最多 2 个）、GitHub Actions 的 schedule 触发、或者 Render 的 Cron Job 服务。任何一个都能让你不用买服务器跑一个常驻进程。

密钥安全。 这是最容易出事的地方。AI 生成的代码里，密钥有时候会直接出现在源码里——你得养成习惯，每次让 AI 涉及外部 API 时，都在提法里加一句"API Key 从环境变量读，不要硬编码"。

---

表单 / 问卷：收集数据 + 存库 + 通知

适合什么需求

• 活动报名收信息
• 用户反馈/满意度问卷
• 内测申请、Waitlist 收集
• 内部流程表单（请假、申请、审批）

这类需求的核心逻辑很简单：用户填 → 提交 → 存库 → 通知你。不需要复杂的后端，也不需要管理后台（Supabase Dashboard 就能直接看数据）。

用 AI 快速搭的路径

1. 用 Next.js App Router 出一个表单页面（或者直接用 v0 生成 UI 组件）
2. 提交时调用一个 /api/submit 接口
3. 接口里写入 Supabase，然后调 Resend 或企业微信 Webhook 发通知
4. 不需要登录，不需要管理后台

表单本身用 react-hook-form + zod 做校验，这是目前最省事的组合，AI 对它们的训练数据很多，生成代码质量稳定。

对 AI 提需求示例

帮我做一个活动报名表单页面，路由是 /register。

表单字段：姓名（必填）、手机号（必填，校验格式）、公司（选填）、
参会意向（单选：线上/线下）。

提交逻辑：
1. 调用 /api/register，把数据写入 Supabase 的 registrations 表
   （表结构：id/name/phone/company/attendance_type/created_at，
   我自己会建表，你只需要写插入代码）
2. 写入成功后，用 Resend 给 admin@example.com 发一封通知邮件，
   邮件正文包含刚才提交的信息
3. 前端显示"报名成功！"

使用 react-hook-form + zod 做表单校验。
Supabase 和 Resend 的 API Key 都从环境变量读，
变量名：NEXT_PUBLIC_SUPABASE_URL、NEXT_PUBLIC_SUPABASE_ANON_KEY、RESEND_API_KEY。
不要硬编码任何密钥。

注意提法里几个关键点：字段名要具体、环境变量名要指定、Supabase 表结构要说明（即使你自己会建表，让 AI 知道字段名，它写插入代码才不会出错）。

现成能力怎么拼

需求	用什么	不用造什么
表单 UI	shadcn/ui 组件 + react-hook-form	不用自己写 input 样式和校验逻辑
数据存储	Supabase	不用自己装 PostgreSQL
发邮件通知	Resend SDK	不用搭邮件服务器
发群消息通知	企业微信 Webhook（一个 POST）	不用装任何 SDK
防刷	Cloudflare Turnstile（免费）	不用自己写验证码

---

聊天机器人：接 AI 对话 + 接入网站 / 微信

适合什么需求

• 网站客服机器人（回答常见问题）
• 微信公众号自动回复
• 内部知识库问答（给公司同事用）
• 产品引导助手（教用户怎么用你的产品）

聊天机器人看起来很复杂，但拆开来其实就两块：对话 UI + 调 LLM 接口。如果是微信，还要加一个微信消息转发层。

用 AI 快速搭的路径

网站内嵌聊天框：

1. 一个对话 UI 组件（输入框 + 消息列表 + loading 状态）
2. 一个 /api/chat 接口，调 Anthropic API，系统 prompt 里写清楚机器人的角色和知识范围
3. 流式输出（streaming）让回复感觉更快

微信公众号：

1. 用 Node.js 或 Python 写一个接收微信消息的 Webhook
2. 收到用户消息后调 LLM，把回复发回去
3. 部署到 Vercel 或 Render

接入微信公众号比网站稍微麻烦一点（需要备案域名、微信认证），如果只是内部用或者测试，先做网站版本验证想法，再考虑接微信。

相关参考：用 AI 做微信小程序，里面有微信生态的接入细节。

对 AI 提需求示例

帮我做一个网站内嵌聊天机器人，用 React 组件实现。

功能：
- 右下角有一个悬浮按钮，点击展开对话框
- 对话框里有消息列表（区分用户消息/AI 消息）、输入框、发送按钮
- 发送后调用 /api/chat 接口，支持流式输出（SSE）
- AI 的系统 prompt 是："你是 XX 产品的客服助手，
  只回答关于 XX 产品使用方法的问题，
  不清楚的问题请让用户联系 support@example.com"

/api/chat 接口：
- 使用 Anthropic SDK（@anthropic-ai/sdk）
- 模型用 claude-haiku-4-5
- 支持流式返回（stream: true）
- ANTHROPIC_API_KEY 从环境变量读，不要硬编码

对话历史保存在组件的 state 里，不需要持久化。
只要功能能跑，UI 简洁就好，不需要动画效果。

系统 prompt 是聊天机器人最核心的配置。一定要说清楚机器人的"角色"和"边界"——知道什么、不知道什么、不确定时怎么处理。不加约束的 LLM 会发散到什么都回答，在客服场景里容易出问题。

知识库接入（RAG 简单版）

如果你有一批固定文档想让机器人参考（比如产品手册、FAQ），最简单的方案是：把内容拆成段落，存到 Supabase 的向量表里，每次用户提问时先搜出相关段落，拼进系统 prompt。

Supabase 支持 pgvector 扩展，直接在数据库里做向量检索，不用单独搭向量数据库。文档量不大时（几百段）这个方案够用了。

---

自动化小工具：定时抓取 / 批处理 / 脚本

适合什么需求

• 每天定时抓取某个页面的数据，存到表格里
• 批量处理一批文件（重命名、转格式、压缩图片）
• 定期统计业务数据，发邮件或推送给团队
• 自动化一个原来手工做的重复操作

这类工具的特点是没有用户界面或界面极简，核心是"定时跑、不出错、出错了告诉我"。

用 AI 快速搭的路径

定时脚本（推荐 GitHub Actions）：

对于不需要实时触发的任务，GitHub Actions 是最省事的方案——代码放在 repo 里，配一个 YAML，免费额度（每月 2000 分钟）对大多数脚本够用。

批处理脚本（本地或服务器）：

用 Python 或 Node.js 写一个脚本，AI 对这类任务的代码生成质量很高，你只需要描述清楚"输入是什么、要做什么操作、输出到哪里"。

Serverless 定时任务：

如果需要调用外部 API 或访问数据库，可以用 Vercel Cron Jobs（免费版每天最多 2 个）或 Render 的 Cron Job。

对 AI 提需求示例

帮我写一个 Python 脚本，做以下事情：

1. 读取当前目录下的 data.csv 文件
   （字段：date, product_name, sales_amount, region）
2. 按 region 分组，统计每个 region 的 sales_amount 总和和均值
3. 结果写入 output/report_{today_date}.csv
4. 打印一行摘要："处理完成，共 X 条记录，报告保存到 output/xxx.csv"

如果 data.csv 不存在，打印"错误：找不到 data.csv"然后退出。
只用 Python 标准库 + pandas，不要引入其他依赖。
脚本顶部加一行注释说明用途和运行方法。

这个提法的关键：输入/输出格式具体（字段名、文件名、目录结构），错误处理要说（不然 AI 生成的脚本往往没有异常处理），依赖限制要说（不然它可能引入一堆你没装的库）。

把脚本挂成定时任务（GitHub Actions 示例）

让 AI 给你生成 GitHub Actions 的 YAML 配置：

帮我写一个 GitHub Actions workflow，每天北京时间 9:00 自动运行
仓库根目录下的 scripts/daily_report.py。

运行环境：Python 3.11。
脚本需要一个环境变量 SUPABASE_URL 和 SUPABASE_KEY，
从 GitHub Secrets 读取，变量名对应 SUPABASE_URL 和 SUPABASE_KEY。

生成的 YAML 放到 .github/workflows/daily.yml 里，在 GitHub repo 的 Settings → Secrets 里加上对应的变量，就跑起来了。

---

怎么用现成能力拼，别造轮子

这是这类小工具最容易走弯路的地方——很多人看到"发邮件"就想自己搭邮件服务器，看到"存数据"就想自己装 MySQL，看到"定时任务"就想买服务器跑 cron。

这些都不必要。下面是一份"现成能力替换表"：

你想做的	用这个	免费额度够不够？
发邮件通知	Resend	每天 100 封，够了
发群消息	企业微信 / 飞书 Webhook	完全免费
存结构化数据	Supabase	500MB + 200 万次请求
定时执行脚本	GitHub Actions	每月 2000 分钟
对话 AI 接入	Anthropic API	按量付费，haiku 很便宜
文件存储	Supabase Storage 或 Cloudflare R2	R2 免费 10GB
防刷/验证码	Cloudflare Turnstile	完全免费
推送到手机	Bark（iOS）或 PushDeer	完全免费

AI 工具对所有这些服务都有大量训练数据，你只需要告诉它"用 Resend 发邮件"或者"用 Supabase 存数据"，它能直接给你写出接入代码。

关于如何用 AI 工具做出完整的落地页和对外产品，可以参考 用 AI 做落地页 / 营销站 和 用 AI 做 Chrome 插件 这两篇，逻辑是相通的。

---

共性的坑 / 故障排查表

症状	可能原因	排查方向
表单提交成功但收不到通知邮件	Resend 未验证发件域名，或邮件进了垃圾箱	Resend Dashboard 检查发送日志；Resend 免费版只能发到自己账号邮箱（需验证域名才能发任意邮件）
聊天机器人回复很慢或截断	没开流式输出，或 Vercel Serverless 默认 10 秒超时	改用流式 SSE；Vercel 免费版超时上限是 10 秒，超了要升级或用边缘函数
GitHub Actions 脚本跑失败说找不到环境变量	Secrets 没配或变量名拼错	Settings → Secrets 确认名称完全一致；YAML 里引用写法是 ${{ secrets.VAR_NAME }}
Supabase 插入数据 403	RLS（Row Level Security）开了但没配策略	Supabase Dashboard → 对应表 → RLS → 加一条允许插入的策略；或临时关掉 RLS 测试
AI 提到"已弃用的 API"或用了老版 SDK 接口	AI 训练数据有截止，某些 SDK 方法已更新	把报错信息连同 SDK 文档链接一起贴给 AI，让它对照文档修改
定时脚本跑了但没有数据更新	脚本里有异常被静默吞掉了	在脚本关键步骤加 print 或日志；GitHub Actions 日志里看实际输出

---

常见问题

Q：我不会 Python 也不会 JavaScript，AI 能帮我搭吗？

能，但有限度。AI 能帮你生成代码，但出了问题你需要能看懂报错、能描述清楚症状。完全不懂编程直接上手，往往卡在调试环节。建议先把 AI 辅助调试 这类基础内容过一遍，再来搭这类工具，事半功倍。

Q：表单工具用 Tally / Typeform 不香吗？干嘛自己搭？

如果现成产品满足需求，当然优先用。自己搭的优势是：数据完全在你手里、可以自定义逻辑（比如提交后触发特定流程）、没有每月订阅费。需求简单、不在乎数据自主权——用 Tally；需要定制逻辑、有技术基础——自己搭。

Q：聊天机器人的对话历史要怎么存？

看需求。如果只是简单客服，不存历史、每次对话独立就够了（上下文丢了就重新说）。如果需要记忆用户之前问过什么，可以把历史存到 Supabase，每次请求时读出来拼进 messages 数组。注意历史越长、tokens 消耗越多、成本越高——通常保留最近 10 轮就够。

Q：脚本跑报错了怎么排查？

两步：第一步，把完整报错信息（不是"有报错"这种描述，是完整的 traceback 或 error message）贴给 AI，让它看具体错在哪行；第二步，如果 AI 给的修复方案跑了还是有问题，把新的报错继续贴给它。大多数脚本类问题来回两三轮就能解决。

---

下一步

这三类小工具都是"一个人加 AI 工具能在一天内做出来"的范围。做完你会发现一件事：很多"我以为要做一个产品"的需求，其实一个脚本就解决了。

如果你想把这些小工具进化成真正的产品，下一步是 用 AI 从 0 做 SaaS MVP——那篇讲的是从 idea 到能给人用的完整路径。

相关延伸：

• 用 AI 做微信小程序（微信生态接入细节）
• 用 AI 做 Chrome 插件（浏览器扩展快速搭建）
• 用 AI 做落地页 / 营销站（对外发布产品）
• 回到 AI 编程教程全景 确认自己在哪个位置

---

👉 看看我们的 AI 编程实战体系课，或逛 AI 编程教程大全 把基本功打扎实。