【极客时间】AI 原生开发工作流实战

这门课的主题不是「怎么用 AI 写代码」，而是「怎么让 AI 进入你的开发流程，成为可复用的工程环节」。两者差别很大：前者停留在对话式补全，后者要处理上下文组织、工具编排、结果校验和团队协作。资料包以图片素材和分节内容为主，适合先通读一遍建立整体结构，再挑自己项目里最痛的那一环落地。

课程围绕的技术主线

从内容组织看，它把 AI 原生开发拆成了几个可以分别动手的层面。一是模型调用层，涉及常见的 API 接入、流式返回处理、以及不同模型在代码任务上的取舍；二是上下文层，也就是怎么把代码库、文档、历史对话整理成模型能稳定消费的输入，这里往往决定输出质量的上限；三是工具层，让模型能读写文件、跑命令、查文档，而不是只输出一段文本；四是流程层，把上面这些串成可重复执行的步骤，而不是每次凭感觉提问。

这几层在资料里是交叠出现的，不是严格的章节递进。看的时候建议自己画一张调用关系图，把「谁调谁、哪里需要人确认」标出来，比按顺序刷一遍更有用。

项目结构上值得关注的地方

资料包的图片素材比重较高，说明很多关键信息是靠流程图、架构图、界面截图来承载的。这类内容的价值在于：它展示的是编排结构，而不是某一行代码。对照图片去看对应的实现部分，能更快理解「为什么这里要加一层中间处理」。

如果你打算把它落到自己的项目里，建议不要整套照搬，而是按模块拆开看：哪部分是通用的调用封装，可以直接复用；哪部分是针对特定任务的提示词组织，需要按自己的领域重写；哪部分是临时性的调试手段，不必进生产。这种拆法能避免把示例代码当成框架来用。

可复用模块的判断标准

判断一段实现值不值得复用，可以看三点。第一，它的输入输出是否稳定，如果换一个任务就要大改，那它只是示例；第二，它有没有把不确定的部分隔离出来，比如模型返回的解析、失败重试、格式校验是否单独成层；第三，它的依赖是否清晰，接一个 API 和一个完整的编排框架，维护成本完全不同。

课程里涉及的工作流思路，核心是把「一次成功的对话」变成「可重复执行的过程」。这意味着要处理失败分支、要记录中间状态、要能人工介入。这些在演示里可能被简化，但在自己项目里必须补上，否则很难稳定跑起来。

自学路径建议

• 先过一遍整体结构，重点是各环节的衔接方式，不必纠结具体实现细节。
• 挑一个自己熟悉的小任务，比如批量改注释、生成测试骨架，按资料里的思路走一遍完整流程。
• 把走通过程中卡住的点记下来，这些通常就是需要补的基础知识，比如上下文长度管理、结构化输出约束。
• 再回头看资料里对应的部分，这时候理解会具体很多。
• 最后尝试把流程固化成脚本或配置，让它脱离对话界面也能跑。

这套资料更适合「边看边改」而不是「看完再动手」。它的内容是围绕实战展开的，很多判断需要你在自己的代码库里验证过才有体感。如果你已经在用 AI 辅助开发，但总觉得输出不稳定、难以沉淀，这里讨论的编排和校验思路会比单纯学某个工具更有参考价值。