AI 编程实战训练营

掌握两大 agentic 编程工具的深度用法,建立一套可复用的 AI 开发工作流。

• 1.1 工具全景与选型：Claude Code 与 Codex 的能力边界、计费方式与适用场景，什么任务用哪个。
• 1.2 项目级配置：CLAUDE.md / AGENTS.md 编写规范，把项目约定与上下文喂给 AI。
• 1.3 自定义命令、hooks 与权限管理：把重复操作固化成命令，控制 AI 的操作边界与安全范围。
• 1.4 上下文工程实战：context window 控制、压缩策略、长会话管理，避免越聊越乱。
• 1.5 subagent 与并行开发：用子代理拆分任务，基于 git worktree 多分支并行推进。
• 1.6 MCP 工具接入：接入数据库、文档、第三方服务，扩展 AI 的实际能力。
• 1.7 大型与陌生代码库导航：快速理解既有架构，安全地定位与改动。

补齐全栈知识地图,学会用 AI 快速进入任意技术栈。

• 2.1 现代全栈技术栈全景：前端、后端、数据库、部署的主流选择与取舍。
• 2.2 选型方法论：按项目规模、团队能力与长期维护成本做技术决策。
• 2.3 用 AI 攻克陌生技术栈：从"读文档"到"能上手"的高效路径。
• 2.4 前端工程化生态：构建工具、包管理、类型系统。
• 2.5 后端服务生态：API 设计、ORM、缓存、消息队列。
• 2.6 存储选型：关系型、NoSQL、向量数据库的适用场景。
• 2.7 云原生与容器化基础：Docker、镜像、基础编排概念。

建立企业级测试思维,用 AI 把测试做扎实,而非只凑覆盖率数字。

• 3.1 测试策略与金字塔：单元、集成、E2E 测试的分层与配比。
• 3.2 用 AI 生成测试用例：让 AI 覆盖边界条件与异常路径。
• 3.3 测试数据与场景构造：用 AI 生成贴近真实业务的测试数据。
• 3.4 TDD 与 AI 协作的节奏：先写测试、再让 AI 实现的工作方式。
• 3.5 Mock、桩与依赖隔离：隔离外部依赖的工程实践。
• 3.6 有效覆盖率：区分"覆盖率数字"与"是否真的测到了"。
• 3.7 接入 CI：把自动化测试纳入持续集成流水线。

掌握应用上线后「看得见、稳得住」的运维基本功。

• 4.1 可观测性三支柱：日志、指标、链路追踪。
• 4.2 用 AI 搭建监控告警：关键指标设计与告警阈值设定。
• 4.3 容器化与编排：Docker 与 Kubernetes 基础。
• 4.4 CI/CD 流水线设计：从代码提交到自动部署的完整链路。
• 4.5 基础设施即代码（IaC）：用代码管理运行环境。
• 4.6 线上故障排查：AI 辅助的根因分析（RCA）方法。

从「凭感觉写」升级到「规范驱动」,让 AI 协作可控、可复现。

• 5.1 什么是 SDD：规范驱动开发（Spec-Driven Development）与 vibe coding 的本质区别。
• 5.2 写好一份 spec：需求、约束与验收标准的清晰表达，让 AI 真正听懂。
• 5.3 完整链路：spec → 设计 → 任务拆解 → 实现 → 验收。
• 5.4 工具实践：spec-kit、openspec、superpowers 等工具的实战用法。
• 5.5 团队规范沉淀：把团队约定变成可复用的资产。
• 5.6 AI 代码评审协作：让 AI 参与 Code Review，提升评审效率与一致性。

掌握让代码长期可维护的架构方法,并教会 AI 守住架构。

• 6.1 整洁架构核心思想：分层、依赖方向与关注点分离。
• 6.2 依赖倒置与模块边界：让业务核心不依赖具体框架。
• 6.3 DDD 基础：限界上下文、聚合、实体、值对象。
• 6.4 用 AI 重构"屎山代码"：渐进式重构策略与风险控制。
• 6.5 维持架构一致性：把架构约束表达给 AI，防止改着改着结构崩坏。

掌握大模型应用的核心能力——把私有知识接进模型。

• 7.1 大模型应用基础：token、embedding、prompt 的底层机制。
• 7.2 上下文工程原理：如何组织进入模型的信息以获得稳定输出。
• 7.3 RAG 全流程：检索 → 召回 → 重排 → 生成。
• 7.4 文档切分与 embedding 策略：影响召回质量的关键环节。
• 7.5 向量库工程化：选型、索引构建与数据更新。
• 7.6 RAG 效果评估：召回率、准确率的衡量与迭代方法。

理解智能体的真实结构,能从零搭建一个可控的 agent。

• 8.1 智能体核心架构：感知 - 决策 - 行动循环。
• 8.2 Agent Harness 设计：工具调用、循环控制与错误恢复。
• 8.3 记忆系统：短期与长期记忆、状态管理。
• 8.4 工具与 MCP：给智能体接入外部能力。
• 8.5 多智能体协作：常见的编排与协作模式。
• 8.6 可靠性与评估：让智能体可控、可测、可信。

从零启动一个企业级 Text-to-SQL 系统,完成核心链路。

• 9.1 项目拆解：业务场景分析与需求边界确定。
• 9.2 整体架构设计：模块划分与数据流设计。
• 9.3 schema 与元数据管理：让模型理解数据库结构。
• 9.4 业务语义层：把业务术语映射到具体的表与字段。
• 9.5 Text-to-SQL 核心实现：自然语言到查询语句的生成。

把 demo 打磨成可上线、准确且安全的产品。

• 10.1 准确率优化：schema linking 与 few-shot 示例工程。
• 10.2 自校验与纠错：让模型自我检查并修正 SQL。
• 10.3 结果可视化：根据查询结果自动生成图表。
• 10.4 部署上线：生产环境配置与发布。
• 10.5 权限隔离与数据安全：行级权限、防注入与数据脱敏。

从零搭建一个智能体系统的骨架与核心能力。

• 11.1 系统定位与边界：明确这个智能体要解决的核心问题。
• 11.2 整体架构设计：引擎、工具、记忆、接口之间的关系。
• 11.3 核心引擎与调度循环：智能体主循环的实现。
• 11.4 工具系统设计：工具的注册、调用与结果处理。
• 11.5 外部能力接入：接入真实业务接口与数据。

把智能体从「能跑」做到「能上线、稳定、可运营」。

• 12.1 记忆与长期上下文管理：跨会话的状态维护。
• 12.2 多轮对话与任务编排：复杂任务的拆解与衔接。
• 12.3 异常处理与降级：工具失败、超时等情况的兜底策略。
• 12.4 生产部署：环境与配置管理。
• 12.5 监控与稳定性：可观测性建设与告警。

系统梳理大模型应用方向高频面试题,做到能答、能讲、能动手。

• 13.1 大模型基础高频题：token、embedding、上下文窗口、温度等关键参数；Transformer 的高层原理；主流模型的对比与选型逻辑。
• 13.2 Prompt 与上下文工程题：prompt 设计原则、few-shot 与示例工程、上下文工程，以及常见失效场景与应对。
• 13.3 RAG 系统面试题：RAG 全流程、切分与 embedding 策略、检索与重排、混合检索；RAG 效果如何评估；RAG、微调、长上下文三者如何取舍。
• 13.4 智能体面试题：agent 架构、工具调用、记忆设计、任务规划、多智能体协作、harness 设计与可靠性保障。
• 13.5 大模型应用系统设计题：如何设计企业知识库问答 / 智能客服 / 智能体平台，重点考查成本、延迟、并发、评估与安全的权衡。
• 13.6 工程与生产实战题：幻觉治理、prompt 注入防护、评估体系（eval）建设、成本与延迟优化、线上可观测性。
• 13.7 项目讲述与实战演示：用 STAR 结构把课程里的 RAG / 智能体实战讲到面试官认可，并能现场口述或白板还原核心设计。
• 13.8 高频追问演练：覆盖以上各模块的高频追问与压力测试式准备。

梳理 AI 编程工作流与企业级工程能力高频面试题。

• 14.1 AI 编程工具与工作流题：Claude Code / Codex 的用法、上下文工程、subagent、MCP，以及"如何用 AI 高效开发一个项目"这类开放题的应答思路。
• 14.2 SDD 与协作开发题：规范驱动开发与 vibe coding 的区别、如何写好 spec、AI 时代的团队协作与代码评审。
• 14.3 整洁架构与 DDD 题：分层、依赖倒置、限界上下文、聚合、实体、值对象等核心概念的考查与辨析。
• 14.4 测试工程题：测试金字塔、TDD、Mock 与依赖隔离、覆盖率的真实含义，以及如何用 AI 做测试。
• 14.5 运维与 DevOps 题：可观测性三支柱、CI/CD、容器化与编排、IaC、线上故障排查。
• 14.6 全栈与技术选型题：技术栈选型的权衡、前后端生态、存储选型。
• 14.7 企业级系统设计题：设计一个高可用 Web 系统 / 后台服务（非大模型方向），考查架构、扩展性、数据一致性与容量评估。
• 14.8 工程素养开放题：代码可维护性、如何带 AI 维持架构、如何评估一个系统/产品的好坏；结合项目讲述如何作答。