课程大作业
本课程只设置一个大作业，不另设小作业。每位同学独立完成一个 AI 辅助编程项目，四个检查点分别提交同一项目的阶段成果。
你可以开发软件、实现 Agent 应用、优化开源项目，或编写数据处理与可视化程序。项目需要有明确的目标、可运行的代码和可核查的结果，同时完整保留 AI 交互记录与 Git 版本历史。
基本要求
- 独立完成。 可以讨论思路和工具使用经验，代码实现、调试与验证由本人完成。
- 语言和工具自选。 课程使用 OpenCode 演示；项目中可以使用其他合适的 AI 编程工具，说明选择理由并保留使用记录。
- 控制项目规模。 建议选择核心功能约 2–3 天能够初步跑通的题目，留出时间调试、改进和测试。
- 审查 AI 生成的内容。 理解关键代码，核对运行结果，在报告中说明重要的判断和修改。
- 说明个人贡献。 引用已有代码、框架和数据时注明来源；基于已有项目开发时，区分原有功能与本学期完成的工作。
选题类别
下列四类均可选，每类的参考项目只用于说明范围，不限制具体题目。Agent 是其中一个可选类别，其他类别的项目无需接入大模型。
| 类别 | 主要工作 | 主要成果 |
|---|---|---|
| 软件开发 | 面向具体需求开发应用、工具或游戏 | 可运行的软件、使用说明与测试 |
| Agent 应用 | 结合模型、数据和工具完成具体任务 | Agent 程序、执行记录与评估结果 |
| 开源项目优化 | 在已有项目中修复问题或改进功能、性能与工程流程 | 个人补丁、前后对比与回归验证 |
| 数据处理与可视化 | 处理数据、实现分析方法或展示算法过程 | 可重复运行的程序、示例数据与验证结果 |
跨类别项目按主要目标选择一类，并使用对应评分细则。例如，数据看板可以归入数据处理与可视化；若重点在于让模型选择工具、连续完成任务，则可以归入 Agent 应用。
类别之外的探索，请在正式开展前联系助教。 沟通时说明项目目标、已有基础、计划完成的工作和验证方式，确认项目范围与评分重点。推进中需要大幅调整选题时，也请及时联系助教。
软件开发
面向一项实际需求，完成从输入、处理到输出的使用流程。可以采用命令行、网页、桌面、移动端或游戏界面。
参考项目
| 参考方向 | 起步范围 | 验证示例 |
|---|---|---|
| 学习任务管理工具 | 任务增删改查、完成状态、日期筛选和本地保存 | 完整操作流程、重启后的数据、无效输入处理 |
| 文件整理与批量操作工具 | 按规则重命名或归类，执行前显示预览 | 测试目录前后对比、重名和无权限处理 |
| 课程或实验辅助工具 | 完成一种任务的录入、查询、计算或导出 | 用已知样例核对结果，演示完整使用流程 |
| 规则明确的小游戏 | 核心规则、胜负判断、重新开始和基本交互 | 正常对局、边界局面和非法操作 |
先做通一条主要流程，再考虑扩展。例如，任务管理工具可以先支持本地单人使用，再增加同步功能。
评分重点： 核心功能是否完整、结果是否正确、常见错误能否妥善处理，以及代码结构和测试。命令行工具同样可以获得高分，使用体验按项目的实际目标评价。
Agent 应用
选择一个具体场景，组织模型、数据和工具完成任务。可以使用现有框架，也可以自行实现工作流程。
参考项目
| 参考方向 | 起步范围 | 验证示例 |
|---|---|---|
| 本地资料检索助手 | 检索指定资料集，回答问题并给出出处 | 已知答案、证据不足和资料冲突的样例 |
| 文献整理助手 | 提取论文或元数据中的字段，整理主题与清单 | 人工核对结果、缺失字段和不确定内容处理 |
| 实验日志排查助手 | 读取一种日志，调用检查工具并给出诊断依据 | 预设故障、工具执行记录和无法确定原因时的反馈 |
| 文件归档助手 | 根据整理目标生成方案，经确认后在测试目录执行 | 计划与实际操作对照、冲突和失败处理 |
先限定输入、工具和操作范围，再逐步增加能力。使用外部模型服务时，记录模型与配置，保留固定测试样例，准备服务暂不可用时的测试或演示方式。
评分重点： 任务完成效果、场景与工具设计、执行控制和失败处理，以及模块结构和评估方法。模型价格、Agent 数量和工具数量不作为加分依据。
开源项目优化
从一个能运行的开源项目出发，选择范围明确的问题，借助 AI 理解代码、实施修改并验证效果。
参考项目
| 参考方向 | 起步范围 | 验证示例 |
|---|---|---|
| 可复现缺陷修复 | 复现一个问题，定位原因并修复 | 修复前失败、修复后通过的测试，相关功能回归 |
| 性能优化 | 针对实际瓶颈改进算法、数据结构或执行流程 | 同一环境和输入下的重复测量、正确性对照 |
| 功能或兼容性扩展 | 增加输入格式、插件能力或平台兼容功能 | 新功能演示、兼容性样例和旧功能验证 |
| 测试与工程流程改进 | 为薄弱模块补充测试，或改进构建、检查与持续集成 | 能暴露问题的测试，或可复现的流程改进 |
选题时注明原仓库、许可证和起始提交。可以从已有 Issue 入手，也可以自己发现问题。仅修改文字、主题或格式，通常不足以覆盖课程要求的开发、调试与验证过程。
评分重点： 原问题与基线是否清楚、个人改动是否有效、原有功能是否保持可用，以及补丁质量和回归测试。评分只看个人贡献，不要求 PR 被上游合并。
数据处理与可视化
围绕学习、科研或公开数据中的一个问题，实现可运行的处理程序，并检查输入、计算和输出是否一致。
参考项目
| 参考方向 | 起步范围 | 验证示例 |
|---|---|---|
| 实验数据处理工具 | 读取固定格式数据，完成清洗、统计和导出 | 人工可核对的小数据集，缺失值、单位和异常值处理 |
| 公开数据分析看板 | 围绕明确问题整理、筛选、汇总和展示数据 | 数据来源、计算口径、图表与原始记录对照 |
| 算法过程可视化 | 展示一种排序、搜索或图算法的逐步执行 | 每一步状态、边界输入和最终结果 |
| 文本或日志分析工具 | 结构化提取、统计和检索指定文本或日志 | 有标准答案的样例、误匹配分析和无效输入处理 |
可以使用本地文件或固定数据快照。采用专业领域方法时，需要解释计算口径、适用条件和主要结论的核对方式。
评分重点： 数据与计算是否正确、处理流程是否完整、结果是否表达清楚，以及运行过程的可复现性和测试。算法可视化项目重点核对算法状态与结果，无需使用外部数据集。
阶段提交
检查点 1 先说明项目目标、主要类别、技术栈和 AI 工具，记录环境配置与首次实践，并在本地建立代码仓库、完成首次提交。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；含版本历史的仓库从检查点 2 起提交。详细任务分解、里程碑和 AGENTS.md 在第 5 讲学习后，随检查点 4 提交。
具体材料与自查清单见检查点 1：选题与启动，仓库操作见 Git 使用基础。
所有日期均为 2026 年，截止时间均为当日 23:59（北京时间）。提交方式见网络学堂。
| 节点 | 截止日期 | 主要材料 |
|---|---|---|
| 检查点 1：选题与启动 | 10 月 18 日，周日 | 报告（项目简介与目标、技术栈与 AI 工具、环境配置与首次实践、Git 启动情况）及完整 AI 交互记录；无需提交代码仓库 |
| 检查点 2：初始进展 | 10 月 25 日，周日 | 含版本历史的仓库、骨架代码、提示词与上下文实践记录及迭代对比 |
| 检查点 3：中期检查 | 11 月 8 日，周日 | 核心模块、代码生成与调试记录、最小可复现示例、当前问题清单 |
| 检查点 4：规范检查 | 11 月 15 日，周日 | 任务分解与计划、验收标准、里程碑、AGENTS.md、完成度自查、完整过程记录 |
| 最终提交 | 11 月 29 日，周日 | 完整代码、测试、项目报告，含 AI 使用方法与过程反思 |
| 同伴互评材料 | 12 月 6 日，周日 | 对展示项目的评分表与评论 |
开源项目在检查点 2 可提交已跑通的基线版本、初步补丁或测试骨架；检查点 3 提交核心改动及复现、测量结果；检查点 4 对照任务清单检查改动和回归验证。各类别的截止时间相同。
第 4 讲为客座讲座，不布置新检查点。最终提交的具体要求在 11 月 17 日第 6 讲公布，课堂展示在 12 月 1 日第 8 讲进行。各次反馈与展示安排见课程安排。
过程记录与最终材料
完整保存 AI 交互记录与 Git 版本历史。在关键任务旁补充简短说明：
- 当时要解决什么问题，使用了哪些工具和模型；
- 给 AI 提供了哪些需求、上下文和提示；
- 接受、修改或拒绝了哪些建议，原因是什么；
- 如何运行和核对结果，对应哪个代码提交；
- 还有哪些问题未解决，完整记录放在哪里。
报告可选取代表性片段分析，但仍需保留完整记录。代码、测试和报告之外，可以附上演示样例、数据快照、执行记录或前后测量结果，帮助他人复现成果。
引用代码和数据时注明来源，遵守开源许可。不要把密钥或敏感信息写入提示和仓库，共享日志前检查并脱敏个人凭据。
评分方式
| 评分项 | 分值 |
|---|---|
| 选题与启动 | 10 |
| 阶段检查点 | 15（检查点 2、3、4 各 5 分） |
| 功能实现 | 30 |
| 代码质量 | 10 |
| 项目报告 | 20 |
| 同伴互评参与 | 15 |
| 合计 | 100 |
功能实现和代码质量按所选类别评分，其余部分使用共同标准。具体分项见大作业评分细则。
课程组依据检查点 4 和最终提交材料，遴选约 10 个项目在第 8 讲展示，每个约 8 分钟。全体同学参与评分与评论，参与质量计入个人成绩。“最佳项目”等荣誉按教师 60%、同伴 40% 加权评出，仅用于荣誉评选。
相关资料
课程网站提供课程内容，网络学堂发布正式通知和提交说明，课程微信群用于提醒与交流。选题沟通请联系助教。