大桶的AI编程课程

这门课到底补的是哪块缺口

很多人对 AI 编程的困惑不在于「不会用 ChatGPT 写一段函数」，而在于一旦要真做出点东西，就发现自己卡在中间层：模型 API 会调，但工程结构一团乱；提示词能写，但一到多轮调用、上下文管理、工具编排就没谱；前端能凑合，但把模型输出接进一个能跑起来的小应用时，状态、异步、错误处理全崩。这门课盯的就是这个夹缝——不是教你从零学 Python，也不是带你啃 Transformer 论文，而是把「会写代码」和「能做出 AI 应用」之间那段实操断层补上。

所以它更适合三类人：写过一点代码但没独立交付过 AI 功能的后端/前端；做产品、做数据、做运营但需要自己搭原型验证想法的人；以及用过一些 AI 编程工具、却始终停留在「让它补全几行」阶段、没跑通过完整项目的人。如果你连基本的编程语法都没碰过，这门课不会替你补那部分。

课程盯住的几个具体工具方向

从主题来看，课程围绕 Claude Code、Antigravity、ComfyUI 这几类工具展开，这三者其实代表了 AI 编程里三种不同的工作面，不是随便拼在一起的。

• Claude Code 这类命令行/代理式编程工具：重点不在对话框里聊天，而在于让模型直接读写项目文件、执行命令、按任务拆分改动。学它要解决的是「怎么把 AI 从聊天窗口拉进真实代码库」，涉及权限边界、上下文喂法、改动验证节奏。
• Antigravity 这类 AI 开发环境：更偏工程协作侧，关注的是把一个需求从描述推进到可运行代码、再到调试的链路。你要练的是怎么描述任务、怎么审 AI 产出的代码、怎么在它跑偏时收回来。
• ComfyUI 这类节点式生成工作流：这是 AI 应用里偏「多模态与流程编排」的一支，用节点连线的方式搭图像/生成类管线。它的难点不在写代码，而在理解数据流、参数耦合和可复用工作流的设计。

这三条线合起来，覆盖的是「代码侧 AI 辅助」「应用侧 AI 开发」「生成侧工作流」三个常被混为一谈、实际技能要求差很远的场景。

配套练习该怎么用

课程强调实战项目，这点对自学的人反而是最容易浪费的部分——很多人看完视频就把项目跳过了。合理的用法是：每个项目先别急着照抄，自己按需求描述先搭一版，哪怕跑不通；然后再对照课程里的实现，重点看差异出在哪：是目录结构选错了，还是工具调用链没设计好，还是错误处理偷懒了。

另外建议给自己加一道「减法练习」：把项目里某个工具或某个节点去掉，看应用还能不能跑、退化到什么程度。这一步比多做一个新项目更能暴露你对整个链路的理解深度。ComfyUI 那类工作流尤其值得这么折腾，因为它对参数和依赖的敏感度很高，一改就露馅。

看完你应该能回答这些问题

• 把一个真实代码仓库交给 AI 编程工具时，哪些上下文该给、哪些不该给，怎么控制它的改动范围？
• AI 生成的代码你怎么判断能不能合入，而不是「看起来能跑就行」？
• 一个 AI 应用的调用链里，状态、重试、超时这些工程问题分别落在哪一层处理？
• ComfyUI 里一条可复用的生成工作流，和一次性的临时连线，差别体现在哪些节点设计上？
• 当工具或模型产出不符合预期时，你是改提示、改结构，还是换工具，判断依据是什么？

如果这些问题你现在答不上来，那这门课值得按项目一个一个过一遍；如果大部分能答，只需挑其中不熟的那条线看即可，不必从头刷。