课程大纲 |
第一部分:认知重构与端到端深度体验 目标:通过大型现场演示,直观感受“从需求到代码”开发范式的代际跃迁。 |
开发模式的奇点:AI-Native 研发范式变迁 Harness 的定义与四维架构体系
|
第二部分:Agent 工程体系:解构 AI 的“大脑”与“肢体” 目标:深度探秘 Claude Code、Gemini CLI 与 OpenClaw 的内部工程实现。 |
Agent 系统结构全解析 Agent Runner (核心执行器):任务生命周期管理、递归拆解引擎与 Token 消耗控制。 Skill 系统与 Tool 调用:如何构建“技能即代码”的可控肢体,封装 Bash/SQL/API。 Event 驱动机制:如何利用事件总线处理异步任务、心跳监控与系统反馈。 记忆机制 (Memory System):会话记忆(短期)+ 项目记忆(中期)+ 经验记忆(长期)。 【演示】:利用跟踪工具展示 Claude Code 在执行 `edit` 指令时的“感知-思考-执行”完整轨迹图。
Agent 执行闭环与工程基础设施 执行内循环:任务规划 + 工具调用 + 自主执行 + 自动修复(Auto-healing)。 Agent 工程基建:Agent 平台、领域知识库、标准化工具系统(MCP 扩展)。 案例剖析:OpenClaw Agent 系统架构及其在复杂业务场景下的调度策略。 【练习】:手动编写一个基于 Event 驱动的简单 Agent 逻辑,处理“编译失败 -> 读取日志 -> 重新尝试”的闭环。
|
第三部分:协同开发模式:基于 Harness 的完整研发工作流 目标:掌握利用 Harness 模式开发复杂软件的标准步骤与操作手册。 |
研发周期的五个核心阶段 阶段 1:创意倾泻与上下文加载 (Context Loading):在 PM 窗口通过非结构化对话快速同步背景。 阶段 2:规格硬化 (Spec Hardening):Planner 将模糊需求转化为 FD (Feature Design) Markdown 说明。 阶段 3:并行执行与隔离开发 (Parallel Implementation):Worker 根据 FD 独立开启分支或 Worktree 进行实现。 阶段 4:自动化验证回路 (Verification Loop):Agent 自主运行 Eval 脚本、Lint 和单测,基于反馈自愈。 阶段 5:Human Review 与 PR 合流:在最后节点引入人工 Review,确保方向与代码质量。
Repo 即 Agent 的“操作系统” 单一真相来源 (SSOT):所有架构规范、文档、FD 记录沉淀在 Repo 中,作为 Agent 的全局指令集。 可观测性驱动能力扩展:利用日志、指标、执行轨迹使 Agent 具备“运行+调试+修复”的能力。 Architecture as Code:将架构规则与质量标准嵌入 CI,替代人工逐行审查。
|
第四部分:知识地图索引与索引层构建:构建 Repo 级认知基座 目标:通过结构化手段解决 AI “迷失在代码海”中的痛点,降低推理负担。 |
|
第五部分:Agent 友好化改造:对系统架构的重构 目标:这是企业应用落地的核心,决定了 AI 参与研发的颗粒度与成功率。 |
模块化架构设计与 MD 描述机制 知识沉淀与定位机制改造
|
第六部分:算力爆发、沙箱与工具安全 目标:为 Agent 提供“强力且安全”的双手,释放极致搜索潜能。 |
研发沙箱工程与隔离执行 原生 Worktree 隔离法:如何物理隔离并行 Agent 的爆炸半径,防止文件锁死。 安全沙箱 (Sandboxing):Docker/Firecracker 环境下的权限隔离。 黑名单博弈:应对 Agent 狡猾绕过危险命令(如使用 `unlink` 或 `find -delete` 代替 `rm`)的监控策略。
深度搜索与算力缩放
|
第七部分:Scaling 实践:1 人驱动 8 智能体的高并发开发 目标:应对大规模研发挑战,通过物理布局与指令流控制实现吞吐量爆发。 |
|
第八部分:评估、闭环与企业级治理 目标:构建 OpenAI 级别的 Evaluators,解决成本、安全与治理难题。 |
自动化评估体系 (Evals) 企业级治理与成本控制
|
第九部分:综合沙盘演练:遗留系统重构实战 目标:综合运用所有技术,解决具备“全局冲突”风险的高级研发任务。 |
|