认知重构------理解 AI 时代的软件范式
- 课程时长：4-6 课时（理论授课 2 课时 + 案例研讨 2 课时 + 实验实操 2 课时）
- 目标受众：软件工程师、架构师、技术负责人、产品经理
教学目标
| # | 目标 | 说明 |
|---|---|---|
| 1 | 思维转变 | 完成从"过程导向（How）"向"结果导向（What）"的思维迁移 |
| 2 | 技能掌握 | 理解结构化 Prompt 的逻辑构造，掌握利用 AI 进行需求拆解的方法 |
| 3 | 角色认知 | 明确在 Agentic Workflow（智能体工作流）中，开发者作为"决策者"与"审计者"的核心价值 |
1.1 从"编写代码"到"定义意图"
本节重点：理解编程语言的边界正在从机器指令向自然语言逻辑扩展。
核心知识点
编程范式的演进
- 传统模式：汇编 → C/Java → Python（抽象层级不断提高，但逻辑仍需人工穷举）。
- AI 模式：自然语言 → 意图（Intent） → 逻辑约束 → 代码生成（开发者负责定义边界）。
提示词工程（Prompt Engineering）的底层逻辑
- 结构化指令框架 ：引入 CO-STAR 或 CRISPE 框架，涵盖以下要素------
- Context（上下文）
- Objective（目标）
- Style（风格）
- Tone（语气）
- Audience（受众）
- Response（响应格式）
- 逻辑拆解能力：如何将一个模糊的"用户想要一个登录功能"拆解为包含"安全性、异常流、UI 交互、数据持久化"的结构化指令。
认知避坑指南
- 幻觉管理：理解 LLM 的概率预测本质，学习如何通过"思维链（CoT）"减少 AI 的错误输出。
- 角色定位：开发者不再是"搬砖工"，而是"代码审查员（Reviewer）"和"系统架构师（Architect）"。
教学活动
- 对比实验：展示同一需求，使用"模糊指令"与"结构化指令"生成的代码质量差异（对比单元测试覆盖率、边界情况处理等关键指标）。
- 案例研讨：分析一个失败的 AI 编程案例，找出问题根源是"意图不明确"还是"约束缺失"。
1.2 AI 时代的软件生命周期（SDLC）变革
本节重点：理解 AI 如何渗透进研发的每一个环节，而非仅仅是编写代码。
核心知识点
需求阶段（Requirement Engineering）
- AI 作为需求分析师：利用 LLM 进行需求文档（PRD）的补全、边界条件（Edge Cases）的自动挖掘、用户故事（User Stories）的生成。
设计阶段（System Design）
- 架构辅助设计：使用 AI 生成 Mermaid 流程图、类图、数据库 Schema。
- API 驱动设计：通过自然语言描述业务逻辑，自动生成 OpenAPI/Swagger 规范。
开发阶段（Implementation）
- 从 Copilot 到 Agent ：
- Level 1（Autocomplete）：代码补全（GitHub Copilot）
- Level 2（Chat-based）：对话式修改（ChatGPT / Claude）
- Level 3（Agentic）：自主执行任务，具备工具使用能力（Cursor, Devin, OpenDevin）
测试与运维阶段（Testing & Ops）
- 自动化测试生成：基于逻辑描述自动生成 Unit Test 和 Integration Test。
- 日志分析与自愈：利用 LLM 分析 Trace 日志，辅助定位 Bug 并提出修复方案。
教学活动
- 全流程模拟演练：学生分组，给定一个原始业务需求，使用 AI 工具完成从"需求拆解 → 架构设计 → API 定义 → 核心逻辑实现"的完整闭环。
💡 自学材料清单（Self-study Materials）
1. 必读书籍与论文
| 类别 | 推荐内容 | 说明 |
|---|---|---|
| 入门概念 | 《Prompt Engineering for Developers》（DeepLearning.AI 免费课程配套文档） | 打下结构化提示词的基础 |
| 进阶理论 | Chain-of-Thought（CoT）论文、ReAct（Reasoning and Acting）论文 | 理解 AI 如何进行逻辑推理 |
| 架构思维 | 经典软件设计模式（Design Patterns）相关书籍 | AI 时代开发者需用这些模式来"约束"AI |
2. 实践工具集（Hands-on Tools）
| 类别 | 推荐工具 | 说明 |
|---|---|---|
| 核心 IDE | Cursor | 目前最领先的 AI 原生 IDE，建议作为主要实验工具 |
| 模型平台 | Claude 3.5 Sonnet、GPT-4o | 前者逻辑推理能力目前最强 |
| 流程工具 | Mermaid.js、Postman / Swagger | AI 生成流程图与 API 验证 |
3. 在线课程与社区
- DeepLearning.ai：搜索 Andrew Ng 关于 Prompt Engineering 的短课程
- GitHub 优质项目：关注 OpenDevin 或 AutoGPT 的源码，理解 Agent 架构如何运作
📊 评估标准（Assessment）
| 评估维度 | 优秀（A） | 合格（C） | 不合格（F） |
|---|---|---|---|
| 指令编写能力 | 能使用结构化框架，通过多步 Prompt 解决复杂逻辑 | 能完成基本指令，但存在逻辑模糊或约束缺失 | 仅能使用简单的自然语言，无法处理复杂任务 |
| 需求拆解能力 | 能预判异常场景，将大需求拆解为极小、可执行的模块 | 能完成基本功能拆解，但忽略了边界条件 | 无法将业务需求转化为技术逻辑 |
| 工具集成能力 | 熟练使用 Cursor / Copilot 配合 Agent 模式完成端到端开发 | 能使用 AI 辅助写代码，但仍依赖大量手动修改 | 无法利用 AI 工具，仍维持传统的"手敲每一行"模式 |
🎓 教学建议（致讲师）
本模块的核心难点不在于"教新技术"，而在于"打破旧习惯"。
建议在课堂上多展示 AI 犯错的案例，引导学生思考如何通过增加约束和逻辑拆解来纠正 AI，从而自然地过渡到"开发者就是架构师"这一核心教学理念。