（完整版.pdf ）
以下仅展示部分内容
下载方式见文末

当AI不再只是你的“副驾驶”，而是能独立拆解任务、调用工具、自主迭代的“数字员工”，程序员该怎么办？

引言：一份讲义，为何引爆高校与产业圈？

2026年7月，厦门大学计算机系副教授林子雨发布了一份长达892页的《AI编程与智能体开发》讲义PPT。这份材料迅速在高校教师群、技术社区和AI从业者中刷屏——不仅因为它配套了国家级一流课程和教材，更因为它系统回答了当下软件工程界最焦灼的问题：AI到底会把编程带向何方？

林子雨老师团队用48学时（理论16+实验32）的扎实教学实践，结合互联网大厂真实案例，给出了一条清晰的演进路线：手工编码 → IDE辅助 → AI编程 → 智能体自主执行。今天，我们就带你深度拆解这份“AI编程百科全书”，看懂未来十年开发者的生存法则。

一、大模型：AI编程的“脑干”，但绝非万能

1.1 大模型是什么？—— 一个会“猜词”的超级大脑

讲义开篇用通俗语言定义了大模型：基于深度学习、拥有数十亿至万亿参数，通过海量文本训练出的语言生成系统。它不检索答案，而是**“预测下一个最可能的词”**——这正是它既聪明又偶尔“幻觉”的根本原因。

核心概念：Token（词元）文本被切分成最小语义单元（如“厦门”是一个Token，“大学”是另一个），模型按Token计费、按Token思考。上下文窗口（Context Window）就是模型一次能“看见”的最大Token数——窗口越大，能读的材料越多，但不代表答案越好，因为无关信息会干扰判断。

1.2 大模型的“七寸”：幻觉与私有知识盲区

讲义毫不避讳地指出两大硬伤：

• • 幻觉（Hallucination）：模型为了“说得像人话”，可能编造逻辑通顺但事实错误的代码或规则。
• • 不懂企业私有知识：GitHub Copilot、Claude Code等工具的训练数据主要来自公开仓库，对于公司内部框架、业务规则、遗留系统，它们基本是“文盲”。

正是这两大局限，催生了后续所有技术——RAG、工具调用、智能体、规范驱动编程。

二、AI编程：从“敲代码”到“下指令”的范式转移

2.1 三个发展阶段，你在哪一级？

讲义将AI编程划分为清晰的三阶段：

林子雨特别强调：自主编程不会消解程序员，而是把核心价值从“写代码”转移到“定义问题、评估结果、控制风险”。微软CTO预测，未来五年95%的代码将由AI生成，但10人团队借助AI就能完成过去100人的工作——团队规模变小，人效爆炸。

2.2 震撼数据：AI编程已是“主粮”而非“甜点”

• • Token消耗：代码生成类任务占大模型API调用的30%以上，专业开发者中更是超过50%。
• • 代码贡献：GitHub Copilot平均每10行新代码就有1行由它生成，重复性场景（如测试用例）AI生成比例可超50%。
• • 用户渗透：Stack Overflow 2025年调查，84% 开发者使用或计划使用AI编程工具，51% 每天使用。
• • 团队效率：Y Combinator 2025年孵化项目中，24%的初创企业95%代码由AI生成，平均团队仅3.2人，年营收却达300万美元。

专业解读：AI编程不是“让程序员偷懒”，而是把软件生产从“手工匠造”推向“工业化流水线”。编码本身正在贬值，而需求理解、系统设计、质量验证成为新的护城河。

三、提示词工程：你的“输入质量”决定AI的“输出上限”

3.1 模糊指令引发的“语义漂移”

讲义用一个精妙比喻：AI像一个“能力超强但不懂业务的名校应届生”。如果你只说“优化一下”，它会擅自脑补方案，越改越偏。这就是语义漂移——不是AI笨，而是你没说清。

3.2 高质量提示词的“五要素”框架（附案例）

林子雨团队提炼了一套专用于AI编程的提示词模板，包含：

1. 1. 项目背景（技术栈、版本、架构）
2. 2. 需求描述（可验证的具体目标）
3. 3. 修改范围（什么能改，什么不能动）
4. 4. 约束边界（安全、性能、规范）
5. 5. 验收标准（用“Given/When/Then”写出可测试的条件）

实战对比：❌ 模糊：“帮我优化这个查询函数”✅ 清晰：“该函数存在N+1查询，请用SQLAlchemy的selectinload重写，使100个订单的查询次数降到3次以内，且函数签名不变。”

3.3 误区警示：别把AI当“有感情的同事”

• • 不要期待AI主动发现问题（安全漏洞、边界条件）。
• • 不要用“好像不太对”这种反馈——直接说“时间复杂度O(n²)不可接受，必须降到O(n log n)”。
• • 不要一次对话塞进所有需求，拆分成小任务，每步验证。

四、规范驱动编程（SDD）：团队协作的“定海神针”

4.1 提示词编程的“团队噩梦”

个人用提示词很爽，但团队协作时五大问题浮现：

• • 上下文无法跨会话持久化
• • 规范以隐性知识散落（老员工知道，新人不知道）
• • 需求理解偏差到代码审查才发现
• • 质量依赖个人自觉，没有流程保障
• • 经验无法沉淀为可传承资产

4.2 SDD的三条铁律

① 无规范，不写代码② 规范即真理（代码与规范冲突，改代码）③ 发现Bug，先修规范，再修代码

4.3 OpenSpec四步工作流（轻量级SDD工具）

• • 探索（/openspec-explore）：梳理现有代码库现状
• • 提案（/openspec-propose）：生成proposal.md、design.md、specs/、tasks.md
• • 实施（/openspec-apply-change）：按tasks.md逐项生成代码，自动标记完成
• • 归档（/openspec-archive-change）：将已完成变更移入archive/，形成可追溯知识库

实验证明，使用SDD后典型功能的AI对话轮次从1520轮降至**35轮**，因为所有约束在规范中一次说清。

五、智能体（Agent）：从“会聊”到“会办事”

5.1 智能体 ≠ 聊天机器人

核心区别在于目标导向 + 工具调用 + 自主循环。智能体公式：

Agent = LLM + Prompt + Tools + Memory + Planning + Environment

5.2 ReAct机制：思考-行动-观察的闭环

OpenClaw、LangGraph等框架都基于ReAct（Reasoning + Acting）：

• • Thought：分析当前状态
• • Action：调用工具（搜索、计算、写文件）
• • Observation：获取工具返回结果
• • 循环直到任务完成

5.3 工具调用与MCP协议

• • Tool Calling：让大模型能调用外部API、数据库、代码环境。例如查询订单状态，模型先调用订单接口，再根据返回生成回答。
• • MCP（Model Context Protocol）：统一工具连接标准，避免每个应用重复适配文件系统、浏览器、企业系统。MCP服务器把能力标准化暴露，LangChain等框架可以一键接入。

讲义直言：智能体的综合价值不只由文本生成能力决定，更取决于它能否规范、稳定、安全地对接真实业务系统。

六、LangChain与LangGraph：智能体开发的“左右手”

6.1 LangChain：高层的“积木工厂”

• • 提供统一大模型接口、提示词模板、输出解析器、检索器、工具、链（Chain）。
• • LCEL（LangChain Expression Language）：用管道符“|”把提示词、模型、解析器串成链，支持流式、批量、异步。
• • 适合快速搭建RAG（检索增强生成）和简单智能体。

6.2 LangGraph：底层的“流程图引擎”

当任务需要多分支、循环、人工审核、状态持久化时，LangGraph出场：

• • State（状态）：用TypedDict定义共享数据
• • Node（节点）：Python函数，读取状态并返回更新
• • Edge（边）：固定边或条件边（路由函数动态选择下一个节点）
• • Checkpointer：保存执行快照，支持中断恢复（比如教师审核补考申请，系统暂停等待人工输入，然后继续）

案例：课程助教智能体——学生问“补考流程”，系统自动检索知识库，若判定为复杂问题则中断并请求教师审核，教师回复后恢复执行，最终输出带人工确认的答案。

七、OpenClaw（“小龙虾”）：本地优先的数字员工框架

7.1 定位：不只是聊天，而是“能动手办事”

奥地利开发者Peter Steinberger推出的开源框架（GitHub 33k星），以网关（Gateway） 为统一入口，管理会话、权限、成本；以工作空间（Workspace） 为核心，让AI直接操作文件、终端、浏览器。

7.2 核心组件与技能开发

• • 渠道（Channel）：接入微信、飞书、钉钉等，发消息就能指挥AI。
• • 记忆（Memory）：本地向量存储，长期记住用户习惯。
• • 技能（Skill）：类似“APP”，通过SKILL.md（YAML+Markdown）定义触发条件、工具调用、示例对话。无需修改核心代码，热插拔。

7.3 成本管控：ReAct循环的“隐形杀手”

一次任务可能多次调用模型，每次调用包含系统提示、工具定义、历史消息、附件摘要等，Token迅速膨胀。OpenClaw提供用量观测和缓存机制，并建议：

• • 控制每次暴露的工具数量
• • 缩短工具返回结果（只给摘要）
• • 压缩长历史上下文
• • 不同任务选用不同规模模型

八、给开发者的三条“生存法则”

1. 1. 从“码农”升级为“AI导演”你的核心价值不再是敲代码速度，而是需求澄清、任务拆解、架构设计、质量把控。学会写“给AI的任务说明书”比学会新框架更重要。
2. 2. 拥抱概率性思维，放弃确定性幻想同样提示词，AI每次输出可能不同。要建立“迭代+验证”的工作流，而不是期待一次完美。用Git做回滚，用测试做护网。
3. 3. 把经验固化为规范，让团队共享用AGENTS.md（项目说明书）和规则（Rules）让AI记住项目背景；用OpenSpec把最佳实践沉淀为可归档的规范文档。这样新成员或新会话都能站在同一基准线上。

结语：软件行业不会消失，但“旧生产模式”会

林子雨在讲义最后写道：“AI变革不会淘汰软件行业，社会软件需求持续增长，改变的是供给方式与劳动组织模式。”

当代码成为可工业化生成的“中间产物”，真正的壁垒在于对业务场景的深刻理解、对工程质量的严谨判断、对AI能力的精准调度。这份892页的讲义，正是为每一位不想被时代抛下的开发者绘制的“航海图”。

 想了解更多？教材《AI编程与智能体开发》预计2026年11月上市，配套官网提供所有软件下载和样书申请。关注“人工智能产业链联盟”，获取完整PPT和教学资源。

 互动话题你日常工作中AI编程工具的使用比例是多少？你觉得“规范驱动编程”能解决团队协作痛点吗？欢迎留言讨论。

本文基于厦门大学林子雨副教授《AI编程与智能体开发》讲义PPT（2026年7月）整理，内容已获授权传播。版权归原作者所有，仅作学习交流。

【中国风动漫】《雾山五行》大火，却很少人知道它的前身《岁城璃心》一个拿着十米大刀的男主夭折！

如需获取更多报告

扫码加入

“人工智能产业链联盟”

知识星球，任意下载相关报告！

报告部分截图

声明

来源：厦门大学，人工智能产业链union（ID:aiyuexingqiu）推荐阅读，不代表人工智能产业链union立场，转载请注明，如涉及作品版权问题，请联系我们删除或做相关处理！

编辑：Zero

文末福利

1.赠送800G人工智能资源。

获取方式：关注本公众号，回复“人工智能”。

2.「超级公开课NVIDIA专场」免费下载

获取方式：关注本公众号，回复“公开课”。

3.免费微信交流群：

人工智能行业研究报告分享群、

人工智能知识分享群、

智能机器人交流论坛、

人工智能厂家交流群、

AI产业链服务交流群、

STEAM创客教育交流群、

人工智能技术论坛、

人工智能未来发展论坛、

AI企业家交流俱乐部

雄安企业家交流俱乐部

细分领域交流群：

【智能家居系统论坛】【智慧城市系统论坛】【智能医疗养老论坛】【自动驾驶产业论坛】【智慧金融交流论坛】【智慧农业交流论坛】【无人飞行器产业论坛】【人工智能大数据论坛】【人工智能※区块链论坛】【人工智能＆物联网论坛】【青少年教育机器人论坛】【人工智能智能制造论坛】【AI/AR/VR/MR畅享畅聊】【机械自动化交流论坛】【工业互联网交流论坛】

入群方式：关注本公众号，回复“入群”