課程簡介
從大模型的通識基礎(chǔ)與Prompt工程入手，到AI編程智能體及工具的實(shí)戰(zhàn)應(yīng)用，課程深入講解了如何借助主流模型和工具（如Codex、DeepSeek Coder、Github Copilot等）提升開發(fā)效率。通過全棧開發(fā)工作流的落地實(shí)踐，包括需求分析、架構(gòu)設(shè)計(jì)、代碼生成和測試用例編寫等環(huán)節(jié)，學(xué)員將掌握AI輔助開發(fā)的全流程方法，提升開發(fā)效率和質(zhì)量。
目標(biāo)收益
培訓(xùn)對象
課程大綱
| 引子 | AI大模型（DeepSeek、Copilot、Trae等）輔助編程技巧 |
|
第一單元 AI大模型通識基礎(chǔ)與Prompt工程 |
1.AI大模型通識 1.1大模型的定義與特點(diǎn) 1.2大模型的分類與應(yīng)用 1.3開源 vs 閉源大模型 1.4Token模式與定價 2.Prompt應(yīng)用、模式與工程 2.1Prompt是什么 2.2Prompt要素與案例 2.3Prompt思維框架 2.4軟件工程=Prompt工程 |
|
第二單元 AI編程智能體與工具 |
3.AI Agent智能體及應(yīng)用案例 3.1Agent是什么 3.2代碼及軟件公司：MetaGPT 3.3全球首位AI工程師：Devin 3.4延展：Manus，擅長通用任務(wù)的Agent助手 |
|
第三單元 編碼大模型與工具應(yīng)用 |
4.智能編碼目前包含哪些能力？ 5.常見智能編碼模型 5.1OpenAI代碼模型基座：Codex 5.2DeepSeek Coder 5.3Meta CodeLlama 5.4Anthropic Claude 5.5總結(jié)對比 6.常見智能編碼工具實(shí)戰(zhàn)應(yīng)用 6.1Github Copilot（Chat模式） 6.2Cursor/Cline（Agent模式） 6.3Trae Builder（Agent模式） 7.AI輔助下的全棧開發(fā)工作流落地實(shí)踐 7.1 需求分析與整理 7.2 架構(gòu)設(shè)計(jì)與數(shù)據(jù)建模 7.3 讓工具更智能：Rule/MCP配置 7.4 工程搭建與代碼生成 7.5 測試用例編寫與單測生成 7.6 實(shí)現(xiàn)Docker下的全棧服務(wù)交付 |
|
引子 AI大模型（DeepSeek、Copilot、Trae等）輔助編程技巧 |
|
第一單元 AI大模型通識基礎(chǔ)與Prompt工程 1.AI大模型通識 1.1大模型的定義與特點(diǎn) 1.2大模型的分類與應(yīng)用 1.3開源 vs 閉源大模型 1.4Token模式與定價 2.Prompt應(yīng)用、模式與工程 2.1Prompt是什么 2.2Prompt要素與案例 2.3Prompt思維框架 2.4軟件工程=Prompt工程 |
|
第二單元 AI編程智能體與工具 3.AI Agent智能體及應(yīng)用案例 3.1Agent是什么 3.2代碼及軟件公司：MetaGPT 3.3全球首位AI工程師：Devin 3.4延展：Manus，擅長通用任務(wù)的Agent助手 |
|
第三單元 編碼大模型與工具應(yīng)用 4.智能編碼目前包含哪些能力？ 5.常見智能編碼模型 5.1OpenAI代碼模型基座：Codex 5.2DeepSeek Coder 5.3Meta CodeLlama 5.4Anthropic Claude 5.5總結(jié)對比 6.常見智能編碼工具實(shí)戰(zhàn)應(yīng)用 6.1Github Copilot（Chat模式） 6.2Cursor/Cline（Agent模式） 6.3Trae Builder（Agent模式） 7.AI輔助下的全棧開發(fā)工作流落地實(shí)踐 7.1 需求分析與整理 7.2 架構(gòu)設(shè)計(jì)與數(shù)據(jù)建模 7.3 讓工具更智能：Rule/MCP配置 7.4 工程搭建與代碼生成 7.5 測試用例編寫與單測生成 7.6 實(shí)現(xiàn)Docker下的全棧服務(wù)交付 |
近期公開課推薦
