检查点 1：选题与启动
截止时间：2026 年 10 月 18 日（周日）23:59（北京时间）。提交方式见网络学堂。
本次检查点需要确定大作业的初步选题，完成 OpenCode 配置和一次 AI 编程实践，并建立 Git 仓库、完成首次提交。每位同学独立提交，计入“选题与启动”10 分。第 2 讲（10 月 20 日）课堂集中反馈，优秀示例将匿名展示。
本次提交报告和首次实践的完整 AI 交互记录，无需提交代码仓库。 仓库初始化与首次 Git 提交在本地完成，在报告中简述完成情况；从检查点 2 起提交含版本历史的仓库。
一、项目简介与目标
说明以下内容，让读者能够判断你准备做什么、为什么做，以及项目的大致范围。
- 项目名称与主要类别。 类别及参考项目见课程大作业。可以选择软件开发、Agent 应用、开源项目优化、数据处理与可视化等类别；类别之外的探索，请提前联系助教。
- 问题和使用者。 谁会在什么情境下使用这个项目？目前有什么不方便或需要改进的地方？
- 核心功能或改进目标。 说明主要输入、处理过程和输出，或计划解决的具体问题。明确本学期准备做到什么程度，避免只写“做一个智能助手”“优化一个开源项目”等宽泛描述。
- 已有基础。 如使用已有代码、开源项目或数据，给出来源并区分原有内容与计划完成的工作。开源项目选题还需注明许可证和起始提交。
例如，“实验数据处理工具”可以写为：面向需要整理实验结果的同学，读取固定格式的 CSV 文件，计算各组均值和标准差，导出汇总表与图；本学期先支持一种文件格式和本地运行。
选题应适合个人完成。可以先按核心功能约 2–3 天能够初步跑通的规模考虑，留出后续调试、测试和改进的时间。本次不要求详细任务分解、里程碑、完整系统设计或 AGENTS.md；相关内容在第 5 讲学习后，随检查点 4 提交。
二、技术栈与 AI 工具选择
列出准备使用的语言、主要框架或库、AI 编程工具，并简要解释选择理由。理由应与项目有关，例如熟悉程度、所需功能、运行环境和外部依赖，不必罗列暂时用不到的技术。
| 内容 | 需要说明什么 |
|---|---|
| 语言与主要框架、库 | 用来实现什么功能，为什么适合当前题目 |
| AI 编程工具 | 计划使用的工具，以及准备用它辅助哪些工作 |
| 运行环境与外部依赖 | 本地或服务器运行；是否依赖模型接口、数据库或特定数据 |
课程使用 OpenCode 演示，本次需完成其配置和首次实践。后续项目开发可以选择其他合适的 AI 编程工具，并保留使用记录。Agent 只是一个可选类别，其他类别的项目无需在程序中接入大模型。
三、环境配置与首次 AI 编程体验
1. 配置 OpenCode
按 OpenCode 配置教程完成安装、模型配置和连通测试。记录操作系统、使用的 OpenCode 版本、模型及配置结果。遇到问题时，简要说明错误、处理方法和最终状态。
截图或日志应能说明环境是否可用。提交前遮去 API Key 等凭据；无需提交含密钥的配置文件。
2. 完成一次实际编程任务
选择一个范围小、结果容易核对的任务，用 OpenCode 辅助编写、修改或理解代码，并亲自运行、检查结果。只发送问候语可以验证连接，但还需要进行实际编程体验。
可以从自己的项目中取一个小任务，也可以先用简单练习熟悉工具。以下仅供参考，不是额外作业：
| 项目类别 | 首次实践参考 |
|---|---|
| 软件开发 | 实现一项命令行操作或一个最小页面，并检查输入与输出 |
| Agent 应用 | 跑通一次模型调用或一个工具函数，用固定输入核对结果 |
| 开源项目优化 | 在本地运行项目，借助 AI 阅读相关模块、复现一个问题或补充一个小测试 |
| 数据处理与可视化 | 读取一份小数据，完成一次统计或绘图，并人工核对结果 |
3. 写清任务、过程、结果和感受
首次体验记录需要能够与实际代码和交互记录对应，至少说明：
- 任务： 希望 AI 帮你完成什么，使用了哪个工具和模型，给了哪些输入或上下文。
- 过程： 主要提示是什么，AI 做了什么，你接受、修改或拒绝了哪些建议。发生报错或多次修改时，说明如何处理。
- 结果： 实际执行了什么命令或操作，用什么输入检查，结果是否符合预期。可以附运行输出、截图或小测试结果。
- 感受： 哪些地方有帮助，哪些地方仍需要自己判断；结合本次经历说明，不必泛谈 AI 的优缺点。
保留本次实践的完整 AI 交互记录，并在说明中写明存放位置。正文可以节选关键片段，截图不能替代其余完整记录。可使用工具导出文件，或保存完整对话文本；分享前对凭据和个人敏感信息脱敏，并标明脱敏处。
首次尝试未完全成功，也请如实记录已完成的部分、失败现象和自己的排查结果。不要把 AI 描述的“运行成功”当作实际验证结果。
四、建立仓库并完成首次提交
使用 Git 管理项目，完成仓库初始化与至少一次自己的提交。操作步骤见 Git 使用基础。
- 新项目可以使用
git init初始化；已有远程仓库或开源项目可以通过git clone获取，无需再次初始化。 - 首次提交应包含当前已有的项目说明、配置或首次实践文件，提交信息应能说明改动内容。若从开源项目起步，保留原有历史，并区分自己的提交。
- 在报告中简述仓库初始化与首次提交的完成情况即可；如有需要，可附
git log --oneline的输出或截图。 - 先设置
.gitignore，不要提交 API Key、私钥、虚拟环境或依赖安装目录。
本次无需上传代码或仓库，也不要求提供仓库链接、提交编号或 Git 历史包。 代码和版本历史保留在本地，从检查点 2 起按要求提交含版本历史的仓库。
五、提交材料与自查
提交文件结构
可以按以下结构整理，文件和目录名称仅供参考。报告格式及上传方式以网络学堂说明为准，树中的 report.md 用来表示报告文件。
学号_姓名_checkpoint1/
├── report.md # 检查点 1 报告
├── ai-records/ # 首次实践的完整 AI 交互记录
│ └── ... # 工具导出文件或完整对话文本
└── attachments/ # 可选：未放进报告的截图、运行日志等
└── ...
环境配置和运行结果可以直接写入报告或插入截图；如已包含在报告中，无需再单独放入 attachments/。提交前检查并脱敏 API Key 等敏感信息。
report 至少包含什么
| 内容 | 至少说明 |
|---|---|
| 基本信息 | 姓名、学号、项目名称与主要类别 |
| 项目简介与目标 | 解决什么问题、给谁用、核心功能或改进目标；如使用已有项目、代码或数据，注明来源和自己的工作范围 |
| 技术栈与 AI 工具选择 | 语言、主要框架或库、计划使用的 AI 工具及选择理由 |
| 环境配置 | 操作系统、OpenCode 版本与模型、配置过程和结果；遇到的问题及处理方法（如有） |
| 首次 AI 编程体验 | 任务、主要过程、实际运行与核对结果、自己的判断和感受；注明完整 AI 记录的位置 |
| Git 启动情况 | 简述是否已在本地建立仓库并完成首次提交 |
提交前逐项检查：
- 说明了项目要解决的问题、使用者、核心功能和主要类别。
- 说明了技术栈、AI 工具及选择理由；已有代码和数据注明了来源。
- 完成 OpenCode 配置，并记录了真实的 AI 编程任务与运行结果。
- 附上首次实践的完整 AI 交互记录，并在报告中说明自己的判断、修改和验证结果。
- 在本地建立仓库并完成首次提交，在报告中简述完成情况。
- 检查并脱敏了密钥等敏感信息。
- 已按网络学堂说明完成提交。
六、评分标准（10 分）
本次沿用大作业评分细则中的“选题与启动”标准，各类别使用相同分值。
| 分项 | 分值 | 评价内容 |
|---|---|---|
| 问题与目标 | 4 | 使用场景或改进对象具体，主要目标清楚，范围适合独立完成 |
| 技术栈与工具选择 | 2 | 说明语言、框架和 AI 工具，选择理由与任务相符 |
| 环境与首次实践 | 3 | 完成环境配置与首次 AI 编程实践，记录实际任务、操作和结果 |
| 仓库启动 | 1 | 建立仓库并完成首次提交 |
本次重点检查选题是否清楚、工具是否用起来、过程是否有据可查，不要求交付完整项目。记录应具体、真实，不按文字篇幅、工具数量或截图数量评分。