一次周末露营，Simon Willison 如何用手机和 AI 搭建了一个数据可视化工具

起因：一个周末露营时的“小需求”

故事的起点非常生活化：Simon Willison 想查看自己分散在两个 iNaturalist 账户上的自然观察记录，并按时间和地点分组。这个需求本身并不复杂，但有趣的是他实现的方式——在露营的周末，他完全用手机完成了整个工具的搭建。这背后揭示了当前开发者工具和 AI 能力结合后，个人项目开发的门槛正在急剧降低。

拆解：三步搭建“数据管道+可视化”

他的实现路径清晰地分为三步，每一步都体现了现代开发的某种范式：

1. 数据获取与处理（Python CLI）：他首先写了一个 Python 命令行工具 inaturalist-clumper，用于从 iNaturalist API 拉取数据，并按“2小时内、5公里内”的规则将观察记录“聚类”。这解决了数据从哪来、如何初步整理的问题。
2. 数据托管与更新（Git Scraping）：接着，他将这个工具设置成一个 Git Scraping 仓库。简单说，就是让这个工具定期自动运行，将结果保存到仓库里的一个 JSON 文件中，并利用 Git 的版本控制来记录数据的历史变化。这个 JSON 文件托管在 GitHub 上，通过 raw.githubusercontent.com 链接可以直接被前端 JavaScript 跨域访问。这一步将数据变成了稳定、可公开访问的 API。
3. 前端可视化（一次 AI 提示生成）：最后一步堪称点睛之笔。他对着自己的另一个工具仓库（simonw/tools）给出了一个自然语言提示，要求 Claude Code 生成一个单页应用 inat-sightings.html。这个应用的功能是：获取那个 JSON 数据，用缩略图网格展示所有观察，点击可查看大图，并显示物种通用名。整个复杂的前端交互，他用一段话描述清楚，AI 就帮他实现了。

趋势洞察：个人数据工具与“胶水开发者”的崛起

这个小项目虽小，却像一颗棱镜，折射出几个重要趋势：

• Git Scraping 成为个人数据管道标配：它不仅仅是抓取数据，更是将数据版本化、历史化。对于个人项目，这意味着你可以轻松回溯“上周我的观察记录是什么样的”。数据不再是静态快照，而是一个有生命历程的“数据集”。
• AI 编程助手重塑开发流程：Simon 没有花时间去调试前端框架、处理模态框逻辑或图片懒加载。他把核心精力放在了数据逻辑和需求描述上，而将具体的、模式化的实现交给了 AI。这预示着，未来开发者的竞争力可能更多在于清晰定义问题、设计数据流和架构，而非编写每一行具体代码。
• “为自己造工具”变得极其高效：以前，这样一个涉及数据抓取、处理、存储和前端可视化的全栈项目，可能需要一个开发者投入数小时甚至数天。现在，通过组合现成的 API（iNaturalist）、托管服务（GitHub）、AI 编程助手（Claude Code）和清晰的架构思维，可以在一次露营的间隙中完成。这极大地激发了开发者构建“个人数字仪表盘”或“专属数据小工具”的热情。

实用价值：你可以怎么借鉴？

对于读者而言，这个案例的启发在于：

• 审视你的重复性数据需求：你是否经常需要手动登录某个网站查看数据（如运动记录、阅读列表、项目状态）？思考能否用类似的“Git Scraping + 简单前端”模式自动化它。
• 练习用自然语言描述你的项目：尝试像 Simon 那样，用一段话精确描述你想要一个应用做什么（包括数据源、UI 交互、展示细节）。这是有效利用 AI 编程助手的关键技能。
• 拥抱“胶水架构”：不必所有东西都自己从头写。善于发现和组合像 GitHub raw 文件托管、CORS 访问这样的“免费”服务，将它们作为你个人应用的基石。你的角色更像是“架构师”和“粘合剂”，而非纯粹的编码者。

反常识/意外

一个可能被忽略的细节是：这个项目完全在手机上完成。这暗示着，随着云开发环境、AI 辅助编程和移动设备性能的提升，“开发者工作站”的概念正在泛化。未来的开发可能不再局限于一台装有完整 IDE 的电脑，一个能访问网络和运行 AI 对话的终端，就足以完成许多有创造性的构建工作。Simon 的这次露营编程，或许就是这种未来工作方式的一次生动预演。

---

原文地址: iNaturalist Sightings