| 主题 |
课程安排 |
| 第1部分: AI辅助编程技术的工作原理 |
1. AI辅助编程技术的工作原理
2. AI辅助编程工具的主要功能
3. 智能代码自动补全与上下文感知的代码补全
4. 编译器与AI辅助编程工具
5. 生成代码能力等级
6. 生成式AI和LLM
7. Transformer模型
8. 评估LLM
9. LLM的类型
10. 评估AI辅助编程工具 |
| 第2部分 AI大模型辅助工具-github copilot |
| AI辅助编程工具GitHub Copilot简介 |
1. 为什么需要GitHub Copilot
2. 创建GitHub Copilot账户
3. 安装IDE插件-GitHub Copilot
4. 安装GitHub Copilot插件
5. 在IDE中配置Copilot
6. 探索GitHub Copilot
7. AI辅助编程工具 主要使用场景
8. AI辅助编程工具的实现原理
9. AI辅助编程工具加持下的软件生态改变
10. AI辅助编程工具改变传统开发的 10 大场景
11. AI辅助编程工具的编程技巧
12. AI辅助编程工具下的测试优化
13. 某公司应用案例分析 |
| GitHub Copilot 高级应用 |
1. 使用Copilot Chat提示工程
2. Copilot Chat高级应用
3. 使用@workspace进行查询
4. 与@vscode互动
5. 利用@terminal学习
6. 代码补全功能简介
7. 使用Copilot进行代码补全
8. 归纳实用的编程场景辅助技巧。
9. 实操演示代码补全、缺陷修复、代码优化等基础功能。
10. 讲解报错排查、代码提交注解、AI工具库等进阶功能
11. 讲解如何设计Prompt，仿写服务技巧和思路。
12. 分享API和开发文档生成技巧、单元测试设计技巧等。
13. 介绍数据建模表设计和SQL生成方法。
14. 实操演示代码大模型检索增强生成RAG和微调Fine-tuning等高级功能。
15. 案例分析 |
| 第3部分 AI大模型辅助编程案例分析 |
| AI辅助编程工具实战案例 |
1. 项目概述
2. 需求分析和需求获取，需求管理
3. AI辅助编程工具 主要使用场景
4. 实践 AI辅助编程工具
5. 上手AI辅助编程，编码与项目实战探索
6. AI辅助编程工具 编程进阶
7. AI辅助编程工具 prompt 原理和实战
8. AI辅助编程工具 编程技巧
9. 全面了解AI辅助编程工具的工作原理，建立AI辅助编程知识体系
10. 实际操作用AI辅助编程工具做开发，演练典型研发工作场景
11. 使用AI辅助编程工具辅助进行TDD和单元测试
12. 使用AI辅助编程工具辅助进行系统测试
13. 某公司应用案例分析 |
| AI大模型辅助编写高质量代码 |
1. 使用AI大模型编写高质量的程序代码
2. AI大模型编写代码注释
3. AI大模型解释遗留代码
4. AI大模型辅助发现代码坏味道
5. AI大模型辅助代码重构
6. AI大模型辅助代码优化
7. 评审 AI大模型 生成的代码
8. 使用AI大模型分析源代码底层逻辑
9. AI大模型辅助代码性能优化
10. AI大模型辅助重构遗留系统代码
11. AI大模型辅助遗留系统的代码维护
12. 案例分析 |
| AI大模型辅助重构代码 |
1. AI大模型辅助代码重构
2. 重构必然性
3. 破窗效应与技术债务
4. 实际重构遇到的4大问题
5. 介绍常见的重构技术
6. 重构到模式的目录
7. 重构概述
8. 何时重构
9. 重构的误区
10. 案例分析 |
| AI大模型辅助维护遗留系统代码 |
1. AI大模型辅助重构遗留系统代码
2. AI大模型辅助遗留系统的代码维护
3. 必须修改遗留的代码起因
4. 遗留代码修改危险事项
5. 如何对依赖代码做测试
6. 依赖代码的感知与分离
7. 依赖代码修改的接缝技术
8. 修改依赖代码的工具
9. 降低风险的措施
10. Sprout Method
11. Sprout Class
12. Wrap Method
13. Wrap Method
14. 通过案例分析，如何使用AI大模型修改遗留代码，而不破坏现有系统代码结构
15. 案例分析 |
| 第4部分 Vibe vs Spec：AI 编程的两种方式 |
| Vibe vs Spec：AI 编程的两种方式 |
1. Vibe到Spec的演化路径
2. Vibe Coding：需求模糊，通过对话逐步澄清
3. Spec Coding：需求明确，按规范执行
4. Spec Coding 核心概念
5. Spec Coding = 需求明确时，先写规范再让 AI 按规范执行。
6. Spec Coding适用场景识别
7. Spec Coding案例分析 |
| AI辅助开发新范式-Spec-Driven Development规范驱动开发 |
1. Spec 在 AI 时代的新角色
2. Spec = AI 的“系统提示词 + 约束条件 + 验收标准”。
3. 一个好 Spec 的最小结构模型（工程可用）
4. AI 如何从“想法”生成可执行 Spec
5. 从模糊需求 → 结构化规范的 Prompt 思路与反幻觉原则。
6. Spec 如何防止 AI 写代码跑偏
7. Spec 作为护栏，控制 Agent 的拆解路径与实现边界。
8. Agentic IDE 的核心思想（以 Kiro 为例）
9. 从“人写代码”到“人定目标 + Agent 执行”。
10. Spec → 架构 → 模块 → 代码的自动拆解链路
11. 用事件触发，让 Spec 持续约束代码、测试和变更。
12. 从“写代码高手”到“定义规范、驾驭 Agent 的工程师”
13. 案例分析-实战Spec-Driven Development |
| 第5部分Github Copilot辅助编程工程化实战 |
| GitHub Copilot Agent 模式深度实战 |
1. Agent Mode 架构原理：Ask / Edit / Agent 三种模式对比与选型
2. 多文件跨仓库编辑：Agent 自主分析并修改代码库
3. Agentic Memory 公测版：AI 自动学习并记住项目编码模式
4. 自定义 Sub-agents：任务分解与并行执行（.github/agents/）
5. Agent Hooks 生命周期控制：preToolUse / postToolUse 策略注入
6. Plan Agent 结构化任务编排：复杂需求拆解为可执行步骤
7. 异步云代理工作流：将 GitHub Issue 分配给 @copilot 自主解决 |
| MCP 协议与企业级扩展开发 |
1. MCP 架构全景：Tools / Resources / Prompts / OAuth 四层模型
2. 在 Copilot 中配置 MCP：mcp.json、Auto‑Approve 与多连接类型
3. 开发自定义 MCP Server（Node.js / Python）：定义 Tool 与 Handler
4. 企业场景实战：连接 Jira、Confluence、内部数据库的 MCP Server
5. MCP Tool Search 优化：动态按需加载，降低 token 消耗 85%
6. 安全与治理：MCP 服务器访问控制 + Agent Hooks 策略执行
7. 跨平台 Skills 兼容：复用 Claude Code 的 .claude/skills/ 技能库 |
| 遗留代码分析与现代化改造实战 |
1. 仓库级代码理解：Agent 扫描全库，生成架构文档与依赖图
2. /explain 命令逆向工程：解析复杂业务逻辑与遗留算法
3. 发芽式演进策略（Sprout Pattern）：新旧代码隔离，渐进式重构
4. 跨语言协同修改：Agent 同时处理 后端与 QML 前端
5. 自动化测试生成：Agent 驱动单元测试与回归测试套件
6. 代码审查 Agent：自动发现 Bug、性能瓶颈与安全漏洞
7. 完整 PR 闭环：Agent 从 Issue 分析 → 修改代码 → 提交 PR → 等待 Review |
