课程简介
课程聚焦AI-Native研发范式，系统讲解如何将智能体（Agent）深度融入软件全生命周期。从大模型底层能力演进（推理、上下文、System 1/2）出发，剖析Agent核心架构——感知-规划-执行（S-P-A）及记忆、工具系统设计。
课程覆盖需求发现、原型生成、协同开发、测试自愈、智能运维等SDLC各环节，并深入探讨如何构建“Agent友好型”系统：通过模块化边界、标准化文档与架构即代码，让Agent高效理解并改造存量代码。同时，结合工具链选型（Cursor、Claude Code、LangGraph等）与企业级治理（安全、度量、组织转型），帮助团队从“打字员”模式升级为“护栏设计师”模式。最后，通过跨端推荐系统实战案例，完整演练从PRD到自动修复的全流程。课程融合理论、架构与工程实践，助力研发团队实现10倍效能跃迁。
目标收益
1、掌握Agent核心设计：深入理解S-P-A架构、记忆分层与工具调用，能够自主搭建研发Agent。
2、构建AI-Native研发流水线：实现从需求、代码生成到测试自愈、自动运维的全链路Agent闭环。
3、提升代码质量与系统韧性：利用自愈测试、根因分析Agent，大幅缩短Bug定位与修复时间。
4、优化组织效能与安全合规：建立AI采纳率、Agent任务完结率等新度量体系，并落地代码隐私与开源合规防护。
培训对象
1、软件工程师、架构师与技术负责人
2、AI工程化实践者、DevOps与SRE工程师
3、期望通过AI重塑研发流程的技术管理者与创新团队
课程大纲
|
第⼀部分：认知重构⸺⼤模型与软件⼯程的奇点 ⽬标：建⽴“AI 为先”的思维模型，理解从辅助⼯具到协作实体的⻆⾊转变。 |
1.1 ⼤模型能⼒的底层演进与⼯程含义 - 从补全到推理：分析 OpenAI o1/o3、Claude 3.7 的强化学习与思维链（CoT）对复杂逻辑的突破。 - Token 经济学与上下⽂之战：理解⻓上下⽂（1M+）与 RAG 在研发场景下的成本与精度权衡。 - System 1（直觉）与 System 2（慢思考）：如何在研发中区分“代码补全”与“架构设计”的不同模型调⽤策略。 - 能⼒边界红线：模型幻觉的根源、时效性限制、以及对复杂数学/算法的确定性挑战。 1.2 ⼯程师⻆⾊的范式重塑 - 从“打字员”到“Harness（护栏）设计师”：核⼼⼯作转为设计 Agent 的运⾏环境、校验逻辑与任务边界。 - Vibe Coding 与直觉驱动开发：前端原型与快速迭代中的“情绪驱动”开发模式及其⻛险。 - Spec-driven Development (SDD)：为什么“规格说明”是 AI 时代最⾼效的编程语⾔。 - Human-in-the-loop (HITL)：在⾃动化流⽔线中识别“必须由⼈决策”的关键卡点。 |
|
第⼆部分：架构深挖⸺⼯程化 Agent 系统设计（The Inner Loop） ⽬标：拆解 Agent 的内部构造，理解它是如何“思考”并“⾏动”的。 |
2.1 Agent 核⼼架构：S-P-A（感知-规划-执⾏） - Runner（执⾏器/⽣命周期管理）：任务循环（Task Loop）的控制逻辑、状态机设计与超时中断机制。 - Planning（任务规划层）策略： - 静态拆解：基于⽬录结构的预规划。 - 动态决策：ReAct 模式（思考-⾏动-观察）在解决 Bug 中的递归拆解。 - Self-Reflection：Agent 如何通过⾃我审查（Reviewer Agent）优化产出结果。 - Memory（记忆层）多级架构： - Working Memory：当前会话的 Context Window 管理与摘要技术。 - Project Context：基于 Repo Indexing、Code Graph 与 AST 的项⽬全局理解。 - Long-term Memory：历史决策、编码⻛格与架构规范的向量化存储与检索。 2.2 技能与⼯具系统（The Body） - 技能（Skill）即代码：为什么⾃定义 CLI/Skill 架构⽐ MCP 更适合复杂业务的确定性要求。 - Tool-use 设计模式：如何为 Agent 封装标准化的 Shell 环境、DB 操作、API 调⽤与本地编译器。 - 沙箱环境设计：为了安全执⾏ Agent 代码⽽构建的容器化（Docker/MicroVM）隔离环境。 |
|
第三部分：全链路应⽤⸺AI-Native SDLC 实战 ⽬标：将 Agent 注⼊研发全流程，实现端到端的效能倍增。 |
3.1 需求发现与产品定义（Discovery & Spec） - ⾃动化竞品分析：利⽤ Deep Research Agent（如 Perplexity API）进⾏⾏业基准测试与功能扫描。 - 从模糊到精确的 Spec 转化：利⽤ Claude Artifacts 协作⽣成原⼦化、⽆歧义的 PRD。 - User Story ⾃动拆解：基于卡农模型（Kano Model）⾃动评估需求优先级。 3.2 UI 原型设计与“代码即视觉” - 视觉概念探索：利⽤ Midjourney / DALL-E 3 ⽣成 UI 意向图与⻛格板。 - 快速原型⼯具链： - v0.dev / Lovable / Bolt.new：从⽂本直接⽣成可运⾏的 React/Vue 交互原型。 - Uizard / Galileo AI：从线框图草图⾃动⽣成⾼保真设计稿。 - Design-to-Code 闭环：Figma 语义化组件与 Tailwind CSS 的⾃动映射。 3.3 开发阶段：Repo 即 Agent 的“操作系统” - Agent 协同开发模式：多 Agent 协作（如：前端 Agent 与后端 Agent 通过 API 契约对⻬）。 - 构建“知识地图索引”：让 Agent 具备跨⽂件的“局部上下⽂”定位能⼒，降低单次推理负担。 - PR 驱动的闭环执⾏：设计 → 编码 → 静态扫描 → 单元测试 → ⾃动补丁 → 提交 PR。 3.4 测试与质量：从⾃动⽣成到⾃愈保障 - 测试⽤例⾃动推导：基于设计⽂档⽣成 Happy Path、边界值及异常流测试集。 - 可观测性驱动的⾃愈：Agent 读取 Sentry/Log ⽇志，结合 Trace 信息⾃动提交 Bugfix。 - Synthetic Data ⽣成：利⽤模型⽣成⾼质量的 Mock 数据与复杂场景下的压测脚本。 3.5 ⾃动化运维与智能 Ops - 根因分析（RCA）Agent：在⽣产故障发⽣时，⾃动聚合指标、链路与⽇志，给出复盘报告。 - IaC 智能编排：利⽤ Agent 编写并验证 Terraform、Kubernetes 与 Docker 配置⽂件。 |
|
第四部分：底层改造⸺构建“Agent 友好型”软件系统 ⽬标：通过架构调整，让 Agent 在你的系统中“如⻥得⽔”。 |
4.1 架构层：模块化与边界清晰化 - 解构复杂性：利⽤ DDD（领域驱动设计）划分限界上下⽂，将 Agent 任务限制在局部。 - 接⼝契约标准化：强制使⽤ OpenAPI / Protobuf 描述接⼝，减少 Agent 通讯幻觉。 4.2 ⽂档层：多层次上下⽂描述机制（Standardized MD） - 系统级 MD：定义全局架构、技术选型理由、⽬录结构与公共协议。 - 模块级 MD：每个⼦⽂件夹维护 README.md，明确定位、职责、接⼝、依赖与约束。 - 代码级辅助：JSDoc / Python 类型提⽰（Type Hints）作为 Agent 的“强⼒暗⽰”。 4.3 流程层：Architecture as Code - ⽤系统约束替代⼈⼯审查：将架构规则嵌⼊ Lint、静态分析与 CI 校验中。 - ⾃动化任务定位机制：基于模块描述与代码索引，实现 Agent 对复杂 Repo 的秒级定位。 - 知识沉淀闭环：将开发过程中的 ADR（架构决策记录）结构化存储，作为 Agent 的“进化养料”。 |
|
第五部分：⼯具全景图⸺打造 AI 研发⼯具链 ⽬标：在琳琅满⽬的⽣态中精准选型。 |
5.1 需求与 UI/原型类 - 调研与⽂档：ChatGPT (Deep Research), Perplexity, NotebookLM, Notion AI. - 设计与原型：v0.dev, Lovable.dev, Bolt.new, Uizard, Galileo AI, Figma (AI features). 5.2 编码与 Agent 开发类 - 交互式 IDE：Cursor, Windsurf (Flow/Agentic), Trae (字节), VS Code Copilot. - 原⽣终端 Agent：Claude Code (Anthropic), Gemini CLI (Google), Aider, OpenClaw. - Agent 开发框架：LangGraph, CrewAI, PydanticAI (强类型 Agent). 5.3 基础设施与评估类 - 模型托管：OpenRouter, DeepSeek API, Ollama (本地部署). - 质量评估（Eval）：PromptFoo, LangSmith, Weights & Biases. |
|
第六部分：落地实践⸺企业级演进与效能治理 ⽬标：解决“怎么推”与“安全吗”的管理者难题。 |
6.1 组织变⾰与效能度量 - 研发组织形式变迁：1 名⾼级⼯程师 + N 个 Agent 模块负责⼈的“特种部队”模式。 - 新度量体系：从 DORA 指标进化到“AI 代码采纳率”、“Agent 任务完结率”与“有效时延”。 6.2 安全、隐私与合规（Enterprise Grade） - 代码隐私防护：PII 过滤、敏感词扫描与私有化模型⽹关。 - 开源合规监控：⾃动检测 Agent 引⼊代码的 License ⻛险（如 GPL 限制）。 |
|
第七部分：综合案例⼯作坊（The Grand Workshop） ⽬标：模拟真实战场，完成端到端 AI 研发。 |
- 案例：构建“跨端个性化推荐系统” 1. 产品定义：利⽤ Perplexity 调研⾏业推荐算法，⽣成 PRD。 2. UI ⽣成：⽤ v0 快速产出前端 Dashboard 原型。 3. 架构改造：为存量代码补充“模块级 MD”，建⽴ Agent 知识图谱。 4. 并⾏开发：分派不同的 Agent 在沙箱中完成算法模型、API 与监控⾯板。 5. ⾃愈测试：模拟 Bug 注⼊，Agent 基于报错⽇志⾃动修复并提交 PR。 |
|
第⼀部分：认知重构⸺⼤模型与软件⼯程的奇点 ⽬标：建⽴“AI 为先”的思维模型，理解从辅助⼯具到协作实体的⻆⾊转变。 1.1 ⼤模型能⼒的底层演进与⼯程含义 - 从补全到推理：分析 OpenAI o1/o3、Claude 3.7 的强化学习与思维链（CoT）对复杂逻辑的突破。 - Token 经济学与上下⽂之战：理解⻓上下⽂（1M+）与 RAG 在研发场景下的成本与精度权衡。 - System 1（直觉）与 System 2（慢思考）：如何在研发中区分“代码补全”与“架构设计”的不同模型调⽤策略。 - 能⼒边界红线：模型幻觉的根源、时效性限制、以及对复杂数学/算法的确定性挑战。 1.2 ⼯程师⻆⾊的范式重塑 - 从“打字员”到“Harness（护栏）设计师”：核⼼⼯作转为设计 Agent 的运⾏环境、校验逻辑与任务边界。 - Vibe Coding 与直觉驱动开发：前端原型与快速迭代中的“情绪驱动”开发模式及其⻛险。 - Spec-driven Development (SDD)：为什么“规格说明”是 AI 时代最⾼效的编程语⾔。 - Human-in-the-loop (HITL)：在⾃动化流⽔线中识别“必须由⼈决策”的关键卡点。 |
|
第⼆部分：架构深挖⸺⼯程化 Agent 系统设计（The Inner Loop） ⽬标：拆解 Agent 的内部构造，理解它是如何“思考”并“⾏动”的。 2.1 Agent 核⼼架构：S-P-A（感知-规划-执⾏） - Runner（执⾏器/⽣命周期管理）：任务循环（Task Loop）的控制逻辑、状态机设计与超时中断机制。 - Planning（任务规划层）策略： - 静态拆解：基于⽬录结构的预规划。 - 动态决策：ReAct 模式（思考-⾏动-观察）在解决 Bug 中的递归拆解。 - Self-Reflection：Agent 如何通过⾃我审查（Reviewer Agent）优化产出结果。 - Memory（记忆层）多级架构： - Working Memory：当前会话的 Context Window 管理与摘要技术。 - Project Context：基于 Repo Indexing、Code Graph 与 AST 的项⽬全局理解。 - Long-term Memory：历史决策、编码⻛格与架构规范的向量化存储与检索。 2.2 技能与⼯具系统（The Body） - 技能（Skill）即代码：为什么⾃定义 CLI/Skill 架构⽐ MCP 更适合复杂业务的确定性要求。 - Tool-use 设计模式：如何为 Agent 封装标准化的 Shell 环境、DB 操作、API 调⽤与本地编译器。 - 沙箱环境设计：为了安全执⾏ Agent 代码⽽构建的容器化（Docker/MicroVM）隔离环境。 |
|
第三部分：全链路应⽤⸺AI-Native SDLC 实战 ⽬标：将 Agent 注⼊研发全流程，实现端到端的效能倍增。 3.1 需求发现与产品定义（Discovery & Spec） - ⾃动化竞品分析：利⽤ Deep Research Agent（如 Perplexity API）进⾏⾏业基准测试与功能扫描。 - 从模糊到精确的 Spec 转化：利⽤ Claude Artifacts 协作⽣成原⼦化、⽆歧义的 PRD。 - User Story ⾃动拆解：基于卡农模型（Kano Model）⾃动评估需求优先级。 3.2 UI 原型设计与“代码即视觉” - 视觉概念探索：利⽤ Midjourney / DALL-E 3 ⽣成 UI 意向图与⻛格板。 - 快速原型⼯具链： - v0.dev / Lovable / Bolt.new：从⽂本直接⽣成可运⾏的 React/Vue 交互原型。 - Uizard / Galileo AI：从线框图草图⾃动⽣成⾼保真设计稿。 - Design-to-Code 闭环：Figma 语义化组件与 Tailwind CSS 的⾃动映射。 3.3 开发阶段：Repo 即 Agent 的“操作系统” - Agent 协同开发模式：多 Agent 协作（如：前端 Agent 与后端 Agent 通过 API 契约对⻬）。 - 构建“知识地图索引”：让 Agent 具备跨⽂件的“局部上下⽂”定位能⼒，降低单次推理负担。 - PR 驱动的闭环执⾏：设计 → 编码 → 静态扫描 → 单元测试 → ⾃动补丁 → 提交 PR。 3.4 测试与质量：从⾃动⽣成到⾃愈保障 - 测试⽤例⾃动推导：基于设计⽂档⽣成 Happy Path、边界值及异常流测试集。 - 可观测性驱动的⾃愈：Agent 读取 Sentry/Log ⽇志，结合 Trace 信息⾃动提交 Bugfix。 - Synthetic Data ⽣成：利⽤模型⽣成⾼质量的 Mock 数据与复杂场景下的压测脚本。 3.5 ⾃动化运维与智能 Ops - 根因分析（RCA）Agent：在⽣产故障发⽣时，⾃动聚合指标、链路与⽇志，给出复盘报告。 - IaC 智能编排：利⽤ Agent 编写并验证 Terraform、Kubernetes 与 Docker 配置⽂件。 |
|
第四部分：底层改造⸺构建“Agent 友好型”软件系统 ⽬标：通过架构调整，让 Agent 在你的系统中“如⻥得⽔”。 4.1 架构层：模块化与边界清晰化 - 解构复杂性：利⽤ DDD（领域驱动设计）划分限界上下⽂，将 Agent 任务限制在局部。 - 接⼝契约标准化：强制使⽤ OpenAPI / Protobuf 描述接⼝，减少 Agent 通讯幻觉。 4.2 ⽂档层：多层次上下⽂描述机制（Standardized MD） - 系统级 MD：定义全局架构、技术选型理由、⽬录结构与公共协议。 - 模块级 MD：每个⼦⽂件夹维护 README.md，明确定位、职责、接⼝、依赖与约束。 - 代码级辅助：JSDoc / Python 类型提⽰（Type Hints）作为 Agent 的“强⼒暗⽰”。 4.3 流程层：Architecture as Code - ⽤系统约束替代⼈⼯审查：将架构规则嵌⼊ Lint、静态分析与 CI 校验中。 - ⾃动化任务定位机制：基于模块描述与代码索引，实现 Agent 对复杂 Repo 的秒级定位。 - 知识沉淀闭环：将开发过程中的 ADR（架构决策记录）结构化存储，作为 Agent 的“进化养料”。 |
|
第五部分：⼯具全景图⸺打造 AI 研发⼯具链 ⽬标：在琳琅满⽬的⽣态中精准选型。 5.1 需求与 UI/原型类 - 调研与⽂档：ChatGPT (Deep Research), Perplexity, NotebookLM, Notion AI. - 设计与原型：v0.dev, Lovable.dev, Bolt.new, Uizard, Galileo AI, Figma (AI features). 5.2 编码与 Agent 开发类 - 交互式 IDE：Cursor, Windsurf (Flow/Agentic), Trae (字节), VS Code Copilot. - 原⽣终端 Agent：Claude Code (Anthropic), Gemini CLI (Google), Aider, OpenClaw. - Agent 开发框架：LangGraph, CrewAI, PydanticAI (强类型 Agent). 5.3 基础设施与评估类 - 模型托管：OpenRouter, DeepSeek API, Ollama (本地部署). - 质量评估（Eval）：PromptFoo, LangSmith, Weights & Biases. |
|
第六部分：落地实践⸺企业级演进与效能治理 ⽬标：解决“怎么推”与“安全吗”的管理者难题。 6.1 组织变⾰与效能度量 - 研发组织形式变迁：1 名⾼级⼯程师 + N 个 Agent 模块负责⼈的“特种部队”模式。 - 新度量体系：从 DORA 指标进化到“AI 代码采纳率”、“Agent 任务完结率”与“有效时延”。 6.2 安全、隐私与合规（Enterprise Grade） - 代码隐私防护：PII 过滤、敏感词扫描与私有化模型⽹关。 - 开源合规监控：⾃动检测 Agent 引⼊代码的 License ⻛险（如 GPL 限制）。 |
|
第七部分：综合案例⼯作坊（The Grand Workshop） ⽬标：模拟真实战场，完成端到端 AI 研发。 - 案例：构建“跨端个性化推荐系统” 1. 产品定义：利⽤ Perplexity 调研⾏业推荐算法，⽣成 PRD。 2. UI ⽣成：⽤ v0 快速产出前端 Dashboard 原型。 3. 架构改造：为存量代码补充“模块级 MD”，建⽴ Agent 知识图谱。 4. 并⾏开发：分派不同的 Agent 在沙箱中完成算法模型、API 与监控⾯板。 5. ⾃愈测试：模拟 Bug 注⼊，Agent 基于报错⽇志⾃动修复并提交 PR。 |
近期公开课推荐
