01 - AI 编程实战概述¶
这门课的目标不是让你“学会几个 AI 工具”，而是让你掌握
2028 年仍然值钱的 AI4SE 交付能力。真正重要的不是会不会自动补全，而是能不能把 AI 纳入真实的软件工程闭环。
这章解决什么问题¶
很多人对 AI 编程的理解还停留在：
- 用聊天框问一段代码
- 用 IDE 自动补全
- 用 prompt 生成 demo
这在 2026 年已经不够构成强竞争力。到了 2028，企业真正需要的是：
- 能做仓库感知开发
- 能把任务拆成 agent 可执行的子任务
- 能做测试门禁、审查和评测
- 能把 AI 产出接进发布、回滚和复盘流程
所以这套 AI编程实战 的核心不是“工具合集”，而是 Agentic Software Engineering 的落地训练。
学习目标¶
- 建立
需求 -> 规格 -> 上下文 -> 代码 -> 验证 -> 交付的完整视角 - 明确哪些任务适合 AI 做，哪些必须人工主导
- 学会把 AI Coding 结果做成项目资产、简历证据和面试表达
- 理解 2028 年
AI Coding / AI4SE / Agent 工程岗位的真实要求
什么叫“会用 AI 编程”¶
真正能打的水平，不是会点快捷键，而是下面 5 层能力。
| 层级 | 说明 | 面试/工作价值 |
|---|---|---|
| L0 手写能力 | 算法、调试、阅读代码 | 仍然是底线 |
| L1 工具使用 | IDE/CLI/Agent 基本操作 | 只是入门 |
| L2 任务编排 | spec、plan、context pack | 开始形成差异 |
| L3 验证治理 | 测试门禁、评测、风险控制 | 企业真正看重 |
| L4 交付表达 | 架构、指标、复盘、协作 | 决定晋级和面试上限 |
你至少要把 L2-L4 练出来，才称得上 2028 语境里的“会用 AI 编程”。
为什么这一套内容重要¶
因为行业已经从“代码补全”升级到了下面这些议题：
- 仓库感知
- Context Engineering
- Spec-to-Code
- Sandbox 执行
- AI 代码评测
- Agent 控制面
- 成本、延迟和风险治理
这些能力不只是影响日常效率，也会直接进入岗位招聘和面试问题。
这一套实战课的核心主线¶
你可以把整门课理解成 8 个连续问题：
- AI 编程到底在做什么
- 如何把模糊需求变成可执行 spec
- 如何让 agent 生成更可控的代码
- 如何做高质量代码审查
- 如何补测试和建立验证闭环
- 如何把文档、说明和交付资产补齐
- 如何做一个能写进简历的 AI4SE 项目
- 如何把个人使用经验沉淀成团队方法论
这才是一套完整的实战路径。
2028 视角下的 AI 编程能力图¶
Text Only
需求澄清
↓
规格定义（spec）
↓
上下文打包（context pack）
↓
任务拆解（plan）
↓
补丁生成（patch）
↓
测试 / lint / build
↓
审查 / 风险评估
↓
交付 / 发布 / 回滚 / 复盘
如果你只会中间那一步“生成代码”，整个链条最关键的部分其实都没掌握。
你应该怎么学这门课¶
不要按“看懂”为标准，要按“能交付”为标准。
推荐学习方式¶
- 每一章都绑定一个真实仓库或最小项目
- 每一章都沉淀一份模板或 checklist
- 每次生成代码都做验证和复盘
- 每做完一个模块，都写出“这能怎么写进简历”
不推荐的方式¶
- 只看示例，不自己跑
- 只堆 prompt，不做测试
- 只做 demo，不做交付说明
- 只讲效率，不讲风险
这门课对应哪些岗位¶
直接强相关¶
- AI 应用工程师
- AI Coding / AI4SE 工程师
- Agent 工程师
- DevTools / 平台工具工程师
间接但很有帮助¶
- AI 系统设计面试
- 搜索推荐 + LLM 工程
- AI Infra / 推理平台
因为这些岗位都会越来越重视：
- 工程闭环
- 自动化验证
- 代码质量治理
- AI 协作效率
这门课会产出什么¶
如果你认真做，不应该只得到“知识点”，而应该得到下面这些资产：
- 一套 spec 模板
- 一套上下文模板
- 一套 code review checklist
- 一套测试与验证模板
- 一个可讲清楚的 AI4SE 项目
- 一套可直接写进简历的项目证据链
这些资产会比“我学过某某工具”更有价值。
课程结构总览¶
| 章节 | 核心问题 | 最终产出 |
|---|---|---|
| 01 概述 | AI 编程到底在做什么 | 全局框架 |
| 02 代码生成 | 如何从 spec 到 patch | 任务模板 |
| 03 代码审查 | 如何把 AI 产出变得可信 | 审查清单 |
| 04 代码优化 | 如何控制性能和可维护性 | 优化案例 |
| 05 测试生成 | 如何补齐验证闭环 | 回归测试模板 |
| 06 文档生成 | 如何补齐交付资产 | README/Runbook 模板 |
| 07 实战项目 | 如何做仓库感知 AI 助手 | 核心项目 |
| 08 方法论 | 如何沉淀团队级流程 | 方法论文档 |
| 09 交付模板 | 如何把项目讲成完整交付 | 简历/面试资产 |
学这门课之前要准备什么¶
最低前置：
- 一门主语言能独立开发
- 会 Git、测试、基本调试
- 能读懂一个中小型项目结构
更推荐你提前具备：
- 基本系统设计意识
- 基本 API/后端/前端之一的完整项目经验
- 至少一个正在维护的仓库
一个很重要的判断标准¶
学完每一章后，问自己 3 个问题：
- 如果不用 AI，我知道这件事在工程上该怎么做吗
- 如果交给 AI，我知道怎么限制范围和验证结果吗
- 如果面试官追问，我能讲出为什么这样设计吗
这 3 个问题能帮助你避免“会用但不会讲、会点但不成体系”。
本章小结¶
- AI 编程实战不是工具体验，而是工程能力训练
- 2028 真正有价值的是
spec、context、verification、delivery - 这门课最终要帮你做出能写进简历、能经得起面试追问的 AI4SE 项目
下一步¶
- 继续看 02-代码生成
- 然后看 03-代码审查
- 配合 07-实战项目 和 09-Agentic软件工程项目交付模板 一起做