第 1 讲：AI 编程概述与工具链
上课时间：2026 年 10 月 13 日（第 5 周，周二 19:20–20:55）
所属板块：基础方法
本讲先从软件开发方式的变化讲起，说明 AI 编程的能力边界与基本原理，介绍主流工具链与课程使用的 OpenCode，并完成第一次 AI 辅助开发。课后需要完成环境配置与检查点 1：选题与启动。
本讲目标
学完这一讲，应该能说清从手工编码到人机协同的变化，知道 LLM 为什么会出错，了解 AI 编程工具的三个阶段和各自的适用场景。课后需要完成 OpenCode 环境配置，并学会 Git 的五个常用命令。AI 使用规范和学术诚信要求也会在这一讲交代。
一、从手工编码到人机协同
| 阶段 | 特征 |
|---|---|
| 手工编码 | 一切靠自己写 |
| 搜索 + 复制粘贴 | Stack Overflow 时代 |
| AI 生成 | 人机协同时代 |
开发时间分配随之变化：写代码的占比下降，评审、规划与验证的占比上升。只追功能实现、临时解决问题，容易留下“死代码”（AI slop）。规范比写代码更重要。
开发者角色从编码者转向 Agent 管理者，关键技能包括：
- 委托：会布置任务、会验收结果；
- 规划：任务分解与架构把握；
- 上下文工程：把正确的信息以正确的方式交给 AI；
- 评审：读代码、判断质量的能力不可外包。
课程的基本立场是：AI 是能力放大器，不是替代品。读代码、调试、验证这些基本功仍然重要，而且更重要。AI 说“完成”，不代表真的完成，最后还是要由人判断。
二、LLM 的工作原理
下一个词元的概率预测
LLM 的工作方式是自回归生成：逐个词元预测“下一个最可能出现的词”。例如输入 def sort_list(，模型会逐词元续写成一个完整函数。
模型的代码能力来自训练语料中的代码，它由此习得语法、惯用法与常见模式。
所以模型的输出是“最可能的”，不是“最正确的”。审查、测试和验证因此不能省。
训练三阶段
| 阶段 | 做什么 | 学到什么 |
|---|---|---|
| ① 预训练 | 海量文本与代码的下一词元预测 | 语言、知识、代码模式 |
| ② 监督微调（SFT） | 指令—回答对数据训练 | “听指令做事” |
| ③ 偏好对齐（RLHF） | 基于人类反馈优化偏好 | “做得让人满意” |
三阶段解释了模型为什么“听话”，但仍会出错。
两个关键局限
- 上下文窗口：模型一次能“看见”的文本长度有限，由此引出第 2 讲的上下文工程；
- 知识截止：训练数据有时间边界，模型对新框架、新版本可能“无知”；
- 幻觉：不确定时仍会“自信地编造”，由此引出第 3 讲的验证意识。
三、AI 编程工具演进三阶段
| 阶段 | 代表 | 效率提升 | 形态 |
|---|---|---|---|
| ① 代码补全 | GitHub Copilot | 约 10% | 本地同步、逐行补全 |
| ② IDE 自动化 | Cursor / Windsurf | 约 20% | 本地同步、多文件编辑 |
| ③ AI 软件工程师 | Devin / Claude Code / OpenCode | 数倍 | 可异步、自主规划执行 |
三个阶段的主要差别，是任务粒度和上下文范围在变大。
- 阶段一：代码补全。 编辑器内逐行或逐块补全，人始终主导；上下文有限，不能跨文件大改，也不了解项目全局。
- 阶段二：IDE 自动化。 具备仓库级上下文、Agent 模式、多文件编辑与终端命令执行能力；仍然是同步协作，人盯着 AI 干活。
- 阶段三：AI 软件工程师 / Agent。 工作循环为“规划 → 执行（读写文件、运行命令）→ 观察结果 → 修正”，可以异步委托后台任务、定期验收，但可控性、验证成本与长任务漂移仍是挑战。
工具地图与选型
| 类别 | 代表工具 | 主要用途 |
|---|---|---|
| 对话类 | ChatGPT / Claude / GLM 等 | 问答、探索、学习 |
| IDE 类 | GitHub Copilot / Cursor / Windsurf | 编辑器内协同 |
| 终端 Agent | OpenCode / Claude Code / Aider | 项目级委托开发 |
| 应用构建类 | v0 / Lovable / Replit / Bolt | 从描述生成应用 |
选型时可以看任务复杂度、需要多少上下文，以及对结果可控性的要求。
四、课程工具：OpenCode
课程以 OpenCode（开源终端 AI 编程 Agent）为主：
- 开源、免费使用；
- 支持多种模型后端：GLM / Claude / OpenAI 等；
- 终端 TUI 与图形化界面 GUI 交互，程序员友好；
- 原生支持
AGENTS.md（第 5 讲）； - 贯穿课程全部演示与项目实践。
辅助工具可用 Chat 类（GLM / Claude 网页版）做快速问答与探索；有经验的同学也可以自选 Cursor、Claude Code 等，项目不限制工具。
请按照 OpenCode v2 环境配置完成安装，接入清华专属算力券服务提供的模型，并验证环境可用。
五、版本控制：够用即可
从检查点 2 起需要提交“代码仓库（含版本历史）”，版本历史是过程记录评分的重要依据。本讲掌握五个常用命令即可：
git init
git status
git add .
git commit -m "实现成绩导入"
git log --oneline
需要养成的习惯：
- 小步提交，提交信息一行说清；
- 存档点思维：让 AI 大改前先确认有稳定提交，改坏了可以回退；
- 阶段提交：骨架能跑、首页能开、接口能响应，每个可运行阶段提交一次；
.gitignore：密钥、venv/、node_modules/等环境配置不入库。
更完整的操作说明见 Git 使用基础。扩展阅读：最流行的代码托管网站 GitHub，以及清华自部署的 GitLab。
六、课堂演示：同一任务，两种工具
任务：写一个命令行待办事项工具（增、删、列、完成）。
| 步骤 | Chat 网页版（粘贴式） | OpenCode（项目式） |
|---|---|---|
| 流程 | 复制需求 → 贴回代码 → 手动保存 → 运行报错再贴 | 项目目录启动 → 委托任务 → 自动创建文件、运行、修错 |
| 人的角色 | 搬运工 + 集成者 | 任务委托者 + 结果验收者 |
对比要点：上下文范围、迭代速度、人的角色差异。
七、使用规范与学术诚信
- 记录：项目全程保留 AI 交互记录，这是检查点与最终提交的硬性要求；
- 审查：不提交未读过的代码，理解每一处关键改动；
- 安全：密钥与敏感信息不得进入提示；AI 引入的依赖需要审查；
- 合规：注意开源许可；引用 AI 生成内容如实说明。
对代码质量负责的始终是你，不是 AI。
八、课程项目与检查点 1
每位同学独立完成一个小型但有始有终的软件项目，全程使用 AI 辅助，并保留完整过程记录（AI 交互 + 版本历史）。项目选题、类别与评分要求见课程大作业。
| 时间 | 事项 |
|---|---|
| 第 1 讲（10 月 13 日） | 发布选题方向，布置检查点 1 |
| 第 2 讲（10 月 20 日） | 检查点 1 课堂反馈 |
| 第 3–6 讲 | 按检查点推进 |
| 11 月 22 日 | 同伴互评截止 |
| 11 月 29 日 | 根据同伴互评反馈修改后提交最终版 |
| 第 8 讲（12 月 1 日） | 课堂展示与总结，展示项目由教学团队依据最终提交质量选定 |
检查点 1：选题与启动
截止时间：2026 年 10 月 18 日（周日）23:59，提交方式见网络学堂。
- 项目简介与目标：解决什么问题、给谁用、核心功能；
- 技术栈与 AI 工具选择：语言、框架、计划使用的 AI 工具及理由；
- 环境配置与首次体验记录：OpenCode 配置过程 + 第一次 AI 编程体验（任务、过程、感受）；
- 代码仓库：已建立（
git init）并完成首次提交。
任务分解与计划不在本检查点。第 5 讲讲授方法论后，随检查点 4 提交。详细要求见检查点 1：选题与启动。
选题方向建议
命令行工具、小游戏、数据处理与可视化、爬虫 + 分析、效率工具、学习辅助工具等均可。
- 规模建议：核心功能 2–3 天可完成，留出迭代与打磨时间；
- 避坑：避免依赖外部服务的项目（API 配额 / 网络），避免无代码量的内容型项目；
- 起步建议：从小的真实问题开始。小项目本身也是在训练你驾驭 AI 的能力；
- 判断标准：你是否愿意在第 8 讲的大屏上演示它。
课后任务
- 配置 OpenCode 环境，完成
git init与首次提交，并完成第一次 AI 编程体验； - 确定选题，完成检查点 1 材料（10 月 18 日周日 23:59 截止）；
- 加入课程群，关注课程动态。
相关材料
下一讲：第 2 讲：提示词工程基础。