课程简介
在人工智能技术飞速发展的当下，大模型正逐步成为软件研发过程中的重要辅助与协作伙伴。本课程旨在系统化地引导开发者从基础认知到深度应用，逐步掌握如何借助AI进行研发全流程赋能，并最终迈向“AI原生”的软件开发新范式。
目标收益
培训对象
课程大纲
|
第一天：AI编程：工具、原理与核心技能 目标：祛除对AI的迷信与恐惧，掌握核心工具的实战技巧，建立“人机共生”的编程思维。 |
1.生成式AI与大模型技术全景 ○从GPT-3到o1再到DeepSeek R1和Qwen Coder：大模型编程能力的进化路线。 ○核心概念对齐：大模型原理、Token生成机制与上下文窗口（Context Window）。 ○DeepSeek R1等深度思考模型的训练过程及其对推理能力的影响（强化学习在编程中的应用）。 2.AI编程助手工作原理解析 ○代码生成模型背后的FIM（Fill-In-the-Middle）技术原理。 ○IDE上下文（Context）是如何被提取并传递给大模型的，如何有效利用这一机制。 ○案例分析：为何AI有时候生成的代码是错的？（幻觉与逻辑混乱的成因）。 3.主流工具选型与环境搭建 ○工具对比：GitHub Copilot, Cursor, Trae, Cline (Claude-dev) 的优劣势分析。 ○实操演练：在VS Code中配置AI开发环境，并完成代码生成任务。 4.AI Coding 核心技能：Prompt即代码 ○防幻觉的“两句真言”：如何通过特定的Prompt技巧提高AI回答的准确率。 ○结构化沟通：如何清晰描述需求，让AI生成高质量代码（注释驱动开发、思维链CoT应用）。 ○实操演练： ■基于注释生成完整函数体。 ■生成高覆盖率的单元测试用例。 ■利用AI解释复杂代码与正则表达式。 |
|
第二天：Agent（智能体）与研发全流程赋能 目标：跨越简单的代码生成，利用Agent自主完成复杂任务，覆盖从需求到测试的全生命周期。 |
1.AI Agent（智能体）技术架构 ○Agent的核心构成：大脑（LLM）、感知（Perception）、行动（Action）与工具（Tools）。 ○MCP（Model Context Protocol）协议详解：如何让AI安全地连接本地文件系统、Git仓库与数据库。 2.“R.I.P.E.R. Five”开发范式 ○Step 1 Research（澄清）：利用AI复述需求，消除歧义。 ○Step 2 Innovate（方案）：让AI提供多套技术方案并分析优劣。 ○Step 3 Plan（计划）：生成Step-by-step的任务清单。 ○Step 4 Execution（执行）：执行计划，生成代码。 ○Step 5 Review（审查）：AI自查与人类专家兜底。 3.全生命周期场景演练 ○需求分析与产品设计阶段：利用AI辅助拆解PRD，生成功能列表与验收标准。 ○架构设计阶段：辅助生成Mermaid流程图、类图与数据库Schema设计 ○代码评审：让AI扮演“挑剔的架构师”，发现安全漏洞与逻辑缺陷。 ○Bug修复与运维：利用Agent自动分析报错日志，定位并修复Bug。 4.多智能体（Multi-Agent）协同 ○多智能体协同的原理与优势。 ○实践：如何通过多智能体协作（如开发Agent+测试Agent）减少累积误差。 5.AI赋能下的程序员能力要求及发展路径 |
|
第三天：AI原生软件开发过程 目标：理解AI原生软件的本质特征与技术架构，掌握智能体设计、开发到落地的全流程方法论。 |
1.AI原生软件的核心概念与特征 ○什么是AI原生软件：以智能体（Agent）为核心交互与执行单元的软件形态。 ○与传统软件的本质区别：从“功能逻辑固化”到“能力动态涌现”。 2.AI原生软件的技术架构 ○智能体平台与智能体开发框架，低代码工作流编排和智能体的代码实现。 ○知识集成：RAG（检索增强生成）与模型微调的结合，实现“开卷考试”与“闭卷考试”的优势互补。 ○工具与连接：通过MCP等协议连接企业内部和第三方系统（数据库、Git、API等）。 3.AI原生软件与传统软件开发范式的区别和开发方法论 ○AI原生软件开发面对的挑战 ○“3A”智能体敏捷开发方法和执行流程 ○智能体评估指标与测试方法 4.行业落地案例深度解析 |
|
第一天：AI编程：工具、原理与核心技能 目标：祛除对AI的迷信与恐惧，掌握核心工具的实战技巧，建立“人机共生”的编程思维。 1.生成式AI与大模型技术全景 ○从GPT-3到o1再到DeepSeek R1和Qwen Coder：大模型编程能力的进化路线。 ○核心概念对齐：大模型原理、Token生成机制与上下文窗口（Context Window）。 ○DeepSeek R1等深度思考模型的训练过程及其对推理能力的影响（强化学习在编程中的应用）。 2.AI编程助手工作原理解析 ○代码生成模型背后的FIM（Fill-In-the-Middle）技术原理。 ○IDE上下文（Context）是如何被提取并传递给大模型的，如何有效利用这一机制。 ○案例分析：为何AI有时候生成的代码是错的？（幻觉与逻辑混乱的成因）。 3.主流工具选型与环境搭建 ○工具对比：GitHub Copilot, Cursor, Trae, Cline (Claude-dev) 的优劣势分析。 ○实操演练：在VS Code中配置AI开发环境，并完成代码生成任务。 4.AI Coding 核心技能：Prompt即代码 ○防幻觉的“两句真言”：如何通过特定的Prompt技巧提高AI回答的准确率。 ○结构化沟通：如何清晰描述需求，让AI生成高质量代码（注释驱动开发、思维链CoT应用）。 ○实操演练： ■基于注释生成完整函数体。 ■生成高覆盖率的单元测试用例。 ■利用AI解释复杂代码与正则表达式。 |
|
第二天：Agent（智能体）与研发全流程赋能 目标：跨越简单的代码生成，利用Agent自主完成复杂任务，覆盖从需求到测试的全生命周期。 1.AI Agent（智能体）技术架构 ○Agent的核心构成：大脑（LLM）、感知（Perception）、行动（Action）与工具（Tools）。 ○MCP（Model Context Protocol）协议详解：如何让AI安全地连接本地文件系统、Git仓库与数据库。 2.“R.I.P.E.R. Five”开发范式 ○Step 1 Research（澄清）：利用AI复述需求，消除歧义。 ○Step 2 Innovate（方案）：让AI提供多套技术方案并分析优劣。 ○Step 3 Plan（计划）：生成Step-by-step的任务清单。 ○Step 4 Execution（执行）：执行计划，生成代码。 ○Step 5 Review（审查）：AI自查与人类专家兜底。 3.全生命周期场景演练 ○需求分析与产品设计阶段：利用AI辅助拆解PRD，生成功能列表与验收标准。 ○架构设计阶段：辅助生成Mermaid流程图、类图与数据库Schema设计 ○代码评审：让AI扮演“挑剔的架构师”，发现安全漏洞与逻辑缺陷。 ○Bug修复与运维：利用Agent自动分析报错日志，定位并修复Bug。 4.多智能体（Multi-Agent）协同 ○多智能体协同的原理与优势。 ○实践：如何通过多智能体协作（如开发Agent+测试Agent）减少累积误差。 5.AI赋能下的程序员能力要求及发展路径 |
|
第三天：AI原生软件开发过程 目标：理解AI原生软件的本质特征与技术架构，掌握智能体设计、开发到落地的全流程方法论。 1.AI原生软件的核心概念与特征 ○什么是AI原生软件：以智能体（Agent）为核心交互与执行单元的软件形态。 ○与传统软件的本质区别：从“功能逻辑固化”到“能力动态涌现”。 2.AI原生软件的技术架构 ○智能体平台与智能体开发框架，低代码工作流编排和智能体的代码实现。 ○知识集成：RAG（检索增强生成）与模型微调的结合，实现“开卷考试”与“闭卷考试”的优势互补。 ○工具与连接：通过MCP等协议连接企业内部和第三方系统（数据库、Git、API等）。 3.AI原生软件与传统软件开发范式的区别和开发方法论 ○AI原生软件开发面对的挑战 ○“3A”智能体敏捷开发方法和执行流程 ○智能体评估指标与测试方法 4.行业落地案例深度解析 |
近期公开课推荐