学习路径
四个阶段由浅入深；最小可用路径是穿过全部模块主干的最短闭合链，走完即可在生产仓库安全开工。
最小可用路径 0 / 10
最小可用路径 · 约 190 分钟
入门 · 4 个知识点 · 约 60 分钟
AI 辅助编程的版图与核心术语最小路径AI 辅助编程（AI-Assisted Coding）是以大语言模型（LLM）为引擎，在编码全流程中提供代码补全、生成、解释、重构、测试与代理执行等能力的工程实践统称。自动补全心智模型与接受策略最小路径自动补全是模型基于当前文件与光标上下文做的「高概率续写」，正确用法是把它当打字加速器而非正确性来源，用显式的接受策略控制采纳。对话式编程：意图-约束-验收三元组最小路径对话式编程的可靠表达结构是三元组——意图（做什么、为什么）、约束（技术栈、风格、禁区）、验收（怎样算完成），三要素齐全才能稳定获得可用产出。发展脉络与流派AI 辅助编程在七年里走完了「代码模型 → 补全产品 → 对话编程 → 工程 Agent」四步，并分化出补全派、对话派、Agent 派与规格派四种实践流派——理解脉络是为了判断当下工具的定位与未来方向。
核心 · 12 个知识点 · 约 235 分钟
上下文窗口与注意力预算最小路径上下文窗口是模型单次能读入的 token 上限，而「注意力预算」是指即使窗口够大，注意力也会随材料增多而稀释——上下文管理的目标是用最少的材料换最准的产出。代码库理解：索引、符号与语义检索AI 通过三条路径「看见」代码库——显式上下文（你贴的文件）、自动检索（索引与语义搜索）、结构信息（符号与调用关系）——理解三条路径的机理才能诊断「它怎么又找不到这个函数」。规则文件（AGENTS 类）设计与维护规则文件是放在仓库里、每次 AI 会话自动注入的常驻指令（AGENTS.md/CLAUDE.md/.cursorrules 等），它用极小的 token 成本把「项目事实」与「行为红线」变成 AI 的默认上下文。三类场景提示模板：修 Bug、新功能、重构最小路径把高频任务固化为三张提示模板——修 Bug（症状/复现/期望）、新功能（意图/接口/边界）、重构（目标/不变量/验证）——每次发起任务时填空而非从零措辞。上下文包准备清单最小路径上下文包（context pack）是为单个任务打包的最小充分材料集合——任务一句话、相关代码与行号、接口约定、验收样例、约束禁区——用 5 分钟准备换掉数十分钟往返。长会话管理与衰减应对长会话会随轮次累积噪声与冲突约束，表现为「遗忘早前约定、重复解释、答非所问」；应对之道是把关键状态落盘、定期摘要重开，而不是无限续聊。大代码库探索策略面对陌生代码库，正确策略是「先问地图、再问路线、后问点位」——用递进的提问序列建立结构认知，再定位最小改动点，而不是上来就把任务砸给 AI。spec 驱动开发最小路径spec 驱动开发（spec-driven development）是先写一份可执行规格——目标、接口、行为清单、边界与错误处理、验收条件——再让 AI 按规格实现、按规格验收的工作流。TDD 配合 AI：角色分配与流程TDD 与 AI 配合的关键是角色分配——人定测试意图与边界，AI 起草测试与实现，人审测试质量——严格保持「先有测试（红灯）再有实现（绿灯）」的顺序不被 AI 打破。AI 产出 Diff 审查工作流最小路径AI 产出的审查对象是 Diff 而非对话过程——用「小步生成 → 人先自审 → 让 AI 自评 → 测试兜底 → 清单放行」的五步流程，把审查控制在人类 10 分钟可承受的粒度。调试协作：错误信息的喂法与假设树高效调试协作 = 结构化投喂（完整错误栈 + 最小复现 + 相关代码 + 已排除项）+ 假设树方法（让 AI 列出按概率排序的假设，逐个验证），而不是「报错了怎么办」式的求助。Git 协作与 AI：提交粒度、描述与回滚准备AI 时代的 Git 纪律三件事：一个 AI 会话对应一个逻辑提交、用模板让 AI 起草高信息量提交与 PR 描述、合并前永远保持「一步可回滚」的姿态。
进阶 · 13 个知识点 · 约 250 分钟
重构与迁移：大范围改动的护栏网让 AI 执行大规模重构或迁移的前提是先张好护栏网——特征测试锁定行为、小批分片、每批可回滚、行为不变可验证——四件护栏缺一，批量修改就是在裸奔。编码 Agent 的规划-执行-验证循环编码 Agent 是「LLM + 工具 + 循环」：模型在观察-规划-行动-验证的闭环中自主读写文件、执行命令、运行测试，正确用法是给结构化派工单并守住验收与止损两条线。工具权限与沙箱边界Agent 的每个工具（读、写、执行、网络）都是独立的风险面，权限管理的原则是最小授权加分层放行——只读起步、写操作需确认、命令走白名单、敏感环境加沙箱隔离。多 Agent 编排：何时值得与如何拆分多 Agent 编排只有在子任务「接口清晰、可独立验证、互不共享状态」时才值得——生成者-批评者对是最稳的入门形态，并行批量任务是最稳的扩展形态。自主跑偏检测与止损Agent 跑偏的对策是「预算 + 信号 + 落盘」三件套：预设尝试次数与时长的硬预算，识别反复修复、越改越多、删测试过关等跑偏信号，把每次教训落盘后用重述任务的方式重启。AI 代码审查清单：五层过滤最小路径AI 代码审查清单是五层过滤网——正确性、安全性、一致性、可维护性、测试性——每层一组可勾选检查项，专门拦截 AI 产出中「编译通过、测试全绿、但仍然是错的」的内容。依赖幻觉与供应链安全最小路径依赖幻觉是模型推荐不存在的包名；当攻击者抢注这些「幻觉包名」并植入恶意代码时（slopsquatting），一次不经意的安装就变成供应链入侵——防线是「先查注册表再安装」的硬规则加锁文件与成分扫描。许可证与代码来源卫生许可证卫生 = 引入的每一份第三方代码（依赖与 AI 逐字产出的片段）都过一遍「家族识别 → 兼容性 → 归属」检查，并默认要求 AI 产出原创实现而非复现已知开源代码。密钥与敏感信息卫生密钥卫生的三条防线：密钥不进提示词、AI 产出中只允许占位符、提交前自动扫描；配套泄露应急四步——作废、轮换、排查、复盘。AI 代码典型错误模式与技术债AI 代码的七类高频错误模式——API 幻觉、旧版 API、风格漂移、重复造轮子、过度防御、死代码残留、测试凑答案——各有识别信号与处置动作，模式化识别比逐行怀疑高效得多。效能度量与指标设计AI 效能度量 = 一组「工具层输入指标 + 流程层质量指标 + 结果层交付指标」的小集合，用公式定义每个指标，并警惕把任何单一指标升级为个人考核（Goodhart 定律）。团队落地路线：试点-规范-规模化团队引入 AI 编程的稳健路线是四段式——小试点攒证据、写规范定红线、规模化配培训、持续运营防退化——每段有明确的门禁指标，跳段是落地失败的头号原因。技能保持与生成依赖生成依赖的风险是「产出还在、能力空心化」——对策是刻意安排「先写后对、复述验收、定期无 AI 演练」三类练习，把 AI 定位为陪练与杠杆而非替代品。