序

我们都知道，模型越智能，生成效果越好，决定了AI编程的上限。但在工业界，比起追求更高的上限，稳定的下限往往更为关键。毕竟，大部分代码都是在既定的业务与技术框架中完成的，能持续输出稳定、规范的代码才是真正的竞争力。那么，如何保障这一“稳定的下限”呢？下面是我的一些心得。

---

一、项目结构清晰简单

你是否遇到过AI生成的代码不符合规范、路径错误等问题？项目结构的核心不是 “完美设计”，而是 “低理解成本 + 易重构”。过度嵌套、模糊命名会导致人需花大量时间定位文件，AI 也易因层级混乱生成错误路径的代码。

核心原则：simple is best

在 AI Coding 中这个原则更显重要，能保证AI生成的代码质量

• 项目层级不要过深，减少程序员和AI阅读理解负担。
• 目录职责单一，每个目录只做一类事。如果目录的功能模棱两可，项目文件会存放越来越混乱。

为了便于AI理解，可以提供一个项目结构介绍文档，比如写在项目的 Readme.md 中，通过 tree -d 命令获取当前项目结构，复制到Readme.md 中进行一一描述

• 代码可维护性高：

随着项目的修改，业务的变化、人员的变更，项目逐渐混乱是必然的规律。我们要考虑如何长时间的保证AI-Coding的质量，这里我们不去长篇大论各种设计模式和原理，只提出一个核心的点：

写易删除或易拓展的代码

我们可以区分两个场景，人和AI都可以遵循如下规范：

1. 写易删除的代码

若不确定业务未来变化，不提前做 “过度封装”（比如为未明确的复用场景建多层抽象类）。我们保证代码高内聚、层级单一、简单清晰，这样遇到较大的变动，直接重写会更方便。只有当出现重复逻辑或则业务清晰后我们在进行抽象封装。

2. 写易拓展的代码

对于确定的核心业务，大概率有成熟方案或者发展路径清晰，在代码复杂的情况下我们可以提前考虑如何抽象、封装，保证后续的可拓展性。 为了保证核心代码稳定性，记得编写单元测试，并让AI修改代码后自动运行测试用例。

通过AI生成测试时建议在Prompt中加上测试覆盖率的要求，比如：“核心代码单测覆盖率 >= 80%”, 这样测试用例会更加全面

二、项目工具、配置齐全

每个公司或团队应该都有项目layout或脚手架工具，辅助快速创建一个结构统一，工具、配置齐全的项目。

通过类似如下命令初始化项目：

contrib project init ...

创建的项目里需要包含了AI-Coding 必要的依赖，如下：

1.MCP

其中配置了必要的Tools和Prompts，比如 需求文件获取、合并请求创建等Tools, develop-flow、code-review、unit-test等Prompts. 可以在聊天窗口通过/快速触发。

MCP 的管理维护可以使用 higress、MCP Context Forge 等网关，具体可以看看我的上一期文章：[AI 编程的下半场：从找工具到管工具

2.代码生成工具

模版代码不建议让AI生成，效率低且效果不稳定、耗token。类似的规则固定的大文本处理场景，建议用AI构建解决问题的工具，而不是把问题直接丢给AI处理。

我们将代码生成工具，通过 Makeflie 的形式提供，比如 api生成、repo层代码生成、错误码生成…：

3.AI开发指南文档

这个文档建议一直添加在上下文中，其中包含了项目结构介绍、并指导如何实现各种类型的功能，比如：api、定时任务…, 以及如何在过程中结合使用代码生成工具等等。

⚠️ 在项目中的文档、提示词如无必要，请勿增加，否则会面临难以维护的问题。建议只存储需要一直添加在聊天上下文中的（IDEA功能限制）、或者是项目独有规范的才放在项目中，其余都通过专业的工具进行远端管理。

三、最后

如果把 AI 当作一个“人”，我们就能推理出它偏好的项目特征：结构清晰、目标明确、工具链完善。 与人不同，AI 目前不便于主动与现实世界交互、也不能即时求证和筛选信息，因此它比人更依赖“干净的输入”和“确定的环境”。

💡 AI-Coding 相关Prompts 我提炼了一些通用的放到了：https://github.com/xyzbit/AI-Coding, 希望对你有帮助 😊

最后，让我们一起讨论一个问题，你认为“AI 编程的最终形态”是：A. 人主导，AI 辅助？

B. AI 主导，人做决策？

C. 通过工具和流程，让 AI 像“程序员机器人”一样自主完成开发？

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】