一个前端一天可以做多少页面?

一个前端一天能做多少页面?这个问题没有固定答案,但在真实项目中,绝大多数情况下是 0.5–3 个页面/天(中等复杂度),极端情况下能到 5–10+ 个(纯切图/高度重复/用 AI 工具)。

下面按 2025–2026 年国内互联网/外包/大厂/中小厂的真实反馈和观察,给你一个务实的分层对比表(基于知乎、掘金、V2EX、Reddit、脉脉等高赞讨论共识):

页面类型 & 复杂度典型日完成量(经验中级前端,8小时有效编码)影响因素 & 真实案例备注对应场景 / 项目类型
极简静态页(纯 HTML+CSS,无交互)3–8 个复制粘贴模板 + 改颜色/文字,AI 工具(如 v0、Cursor)可 10+ 个外包低价站、营销落地页批量
简单业务页(表单、列表、Tab切换)2–4 个有基本交互 + 响应式 + 调接口,设计师给好设计稿中后台管理系统、H5 活动页
中等复杂度页(复杂布局、动画、组件封装)1–2 个涉及自定义组件、状态管理、性能优化、适配多端官网、电商详情页、小程序主页面
高复杂度页(重交互、3D、WebGL、大屏、复杂表单校验)0.3–1 个(甚至 2–3 天/页)需要写大量 JS 逻辑、调试浏览器兼容、像素级还原、跟设计师反复对齐营销 H5、数据可视化大屏、复杂 SaaS 页面
使用 AI 工具加速后(Cursor / v0 / Claude / Windsurf)+50% ~ +300%(1 天干传统 3–10 天活)先让 AI 生成布局/组件,再手动修交互/逻辑/性能,2025–2026 年已成主流提效方式创业公司/个人项目/快速原型

更现实的“一天工作量”拆解(中级前端,正常 8 小时)

  • 纯切图/布局阶段:2–5 个页面(Tailwind / UnoCSS / Shadcn 等现代工具下更快)
  • 加交互 + 调接口 + 联调:通常砍一半,只剩 1–2.5 个
  • 像素级还原 + 动效 + 兼容性 + 测试:再砍一半,0.5–1.5 个
  • 开会/需求澄清/改稿/写文档/ code review:有效编码时间经常只剩 4–6 小时 → 再砍 30–50%

所以大厂/中大型项目里,一个前端一个月交付 15–30 个页面(中等偏上复杂度)已经算正常偏快节奏了。
外包/小厂/创业公司如果赶工期,经常 1 天 3–5 个,但质量和可维护性通常打折。

影响“一天多少页”的核心变量(排序从高到低)

  1. 设计稿质量 & 复杂度 → 设计师给的稿越乱/细节越多,前端越慢
  2. 交互/动效需求 → 简单 Tab vs 复杂拖拽/粒子动画/3D 差 5–10 倍时间
  3. 是否需要像素级还原 → 要像素级 vs “大概像就行” 差 2–4 倍
  4. 框架/工具链 → Vue/React + Tailwind + Shadcn vs 纯原生 CSS/JS 差 2–3 倍
  5. AI 辅助程度 → 2026 年用好 Cursor/v0 的前端,效率轻松翻倍甚至更多
  6. 经验 & 专注度 → 5 年+ 老手 vs 1 年新人,速度差 2–3 倍
  7. 联调/后端接口稳定性 → 接口经常变/没 mock,前端时间浪费在等和改上

一句话总结(最扎心的版本):

一个正常业务项目里,中级前端一天真正“高质量交付”的页面数,通常是 1–2 个(中等复杂度)。
吹一天 5–10 个的,要么是极简页/批量复制、要么是 AI 神助攻、要么是质量/可维护性不要了。

你现在问这个,是自己被 leader 压 KPI 了,还是在评估某个项目的工作量?
或者想知道用 AI 工具后能提效到什么程度?说说你的具体情况(技术栈、页面类型、公司类型),我可以给你更针对性的估算~

Read more

Flutter 组件 tavily_dart 的适配 鸿蒙Harmony 实战 - 驾驭 AI 搜索引擎集成、实现鸿蒙端互联网知识精密获取与语义增强方案

Flutter 组件 tavily_dart 的适配 鸿蒙Harmony 实战 - 驾驭 AI 搜索引擎集成、实现鸿蒙端互联网知识精密获取与语义增强方案

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 组件 tavily_dart 的适配 鸿蒙Harmony 实战 - 驾驭 AI 搜索引擎集成、实现鸿蒙端互联网知识精密获取与语义增强方案 前言 在鸿蒙(OpenHarmony)生态的智能个人助理、行业垂直类知识中枢以及需要实时获取互联网最新动态并进行 AI 语义加工的各种前沿应用开发中,“信息的有效检索与精准抽取”是决定 AI 应用是否具备“生命感”的关键泵口。面对浩如烟海且充满噪声的互联网网页。如果仅仅依靠传统的关键词匹配。那么不仅会导致应用返回大量无关紧要的垃圾信息。更会因为无法将网页内容转化为 AI 易于理解的结构化上下文(Context),引发严重的 LLM(大语言模型)幻觉风险。 我们需要一种“AI 驱动、语义过滤”的搜索艺术。 tavily_dart 是一套专为 AI

旧电脑秒变 AI 员工:OpenClaw 本地部署教程(含环境配置 + 插件开发 + 常见坑)

旧电脑秒变 AI 员工:OpenClaw 本地部署教程(含环境配置 + 插件开发 + 常见坑)

前言 本文基于最新OpenClaw版本编写,适配电脑低配置场景(最低2vCPU+2GiB内存+40GiB SSD),兼容Windows 10/11(优先WSL2)、Ubuntu 20.04+系统,全程纯操作指令,覆盖环境配置、本地部署、插件开发、高频坑排查。核心解决部署卡顿、国内网络适配、插件开发无思路、报错无法排查四大痛点,全程适配国内网络(国内镜像源)、国内大模型(通义千问、阿里云百炼等),无需海外代理,可稳定运行实现自动化办公(文件处理、IM对接、任务调度等)。 一、前置准备(适配优化) 1.1 硬件要求(最低适配) * CPU:Intel i3 4代+/AMD Ryzen 3 2000+(支持虚拟化,

人工智能:自然语言处理在医疗健康领域的应用与实战

人工智能:自然语言处理在医疗健康领域的应用与实战

人工智能:自然语言处理在医疗健康领域的应用与实战 学习目标 💡 理解自然语言处理(NLP)在医疗健康领域的应用场景和重要性 💡 掌握医疗健康领域NLP应用的核心技术(如电子病历分析、医学文本分类、疾病预测) 💡 学会使用前沿模型(如BERT、GPT-3)进行医疗健康文本分析 💡 理解医疗健康领域的特殊挑战(如医学术语、数据隐私、数据质量) 💡 通过实战项目,开发一个电子病历分析应用 重点内容 * 医疗健康领域NLP应用的主要场景 * 核心技术(电子病历分析、医学文本分类、疾病预测) * 前沿模型(BERT、GPT-3)在医疗健康领域的使用 * 医疗健康领域的特殊挑战 * 实战项目:电子病历分析应用开发 一、医疗健康领域NLP应用的主要场景 1.1 电子病历分析 1.1.1 电子病历分析的基本概念 电子病历分析是对电子病历文本进行分析和处理的过程。在医疗健康领域,电子病历分析的主要应用场景包括: * 病历结构化:将非结构化的电子病历文本转换为结构化数据 * 病历检索:检索相关的电子病历 * 病历质量评估:

AI 大模型落地系列|Eino 组件核心篇:Embedding 到底解决了什么

AI 大模型落地系列|Eino 组件核心篇:Embedding 到底解决了什么

Embedding 使用说明 * 有啥用?! * 他能干嘛? * 它不能直接干嘛? * 总结: * 浅用之法 * 食用之法 * 一、最基本用法:直接调用 `EmbedStrings` * 1. 创建 embedder * 2. 调用 `EmbedStrings` * 3. 向量拿来干嘛 * 二、完整demo * 三、带 Option 怎么用 * 四、在编排中怎么用 * 在 Chain 中使用 * 在 Graph 中使用 * 五、带 Callback 怎么用 * 六、真实场景 * 场景:做知识库问答 * 第一步:把知识库切块 * 第二步:给每个 chunk 生成向量 * 第三步:存起来