大鹏 Claude Code 实战：二次开发开源 AI PPT 项目全流程

如果你已经能用 Claude 写出一个能跑的脚本、改对一段几十行的函数，但一进真实仓库就发怵——面对上万文件的开源项目，不知道该从哪读起、改哪一行、改完怎么验证——那这门课补的就是这段落差。它不教你怎么让 AI 生成一个玩具 Demo，而是把 Claude Code 放进一个真实存在的开源 AI PPT 生成器里，走一遍从「读懂陌生代码库」到「动手改架构」的完整流程。

先解决：为什么你读不懂大项目

很多人用 AI 编程的瓶颈不在写代码，而在读代码。小项目你能通读，大项目你只能靠猜：入口在哪、模块怎么分层、一个请求从 API 到渲染经过哪些文件。这门课开篇就卡在这个痛点上，让 Claude 先去梳理项目的整体架构，而不是急着让它写功能。你需要建立的是「先有地图再动手」的习惯，而不是遇到报错就丢给 AI 修。

这一步会顺带逼你处理几个平时容易糊弄的工程问题：Git 提交怎么规范、改动怎么留痕、多人协作下 AI 生成的代码怎么审查。这些不是形式主义，而是你后面能放心让 AI 大范围改代码的前提。

再解决：怎么让 AI 不迷路

光靠对话让 AI 记住一个大仓库是不现实的。课程里引入 CodeGraph 给 AI 建一张代码地图，本质是解决上下文问题——把「哪些文件互相关联、改 A 会影响 B」这件事结构化地喂给模型。你要理解的是这套思路：与其反复贴代码片段，不如让工具把依赖关系先理清楚，再让 Claude 基于结构去定位。

这部分值得你动手跟着做一遍，因为一旦仓库规模上来，靠对话硬撑的上下文很快就会失效。

最后落到：把项目改成另一个形态

课程的目标很明确：把 Presenton 从一个「AI 辅助」的 PPT 生成器，一步步改造成「纯 AI 驱动」。这不是加个按钮的事，涉及生成流程的重构、调用链的替换、旧逻辑的剥离。你会看到在真实约束下，AI 辅助开发是怎么被拆成一个个可验证的小步骤的——先定改动范围，再让 Claude 执行，再跑起来看结果对不对。

这个过程里你会反复遇到「AI 改错了怎么办」「改完怎么确认没破坏别的功能」，这恰恰是真实工程和 Demo 的分界线。

学完你应该能回答

• 面对一个上万文件的开源项目，你用什么顺序去理解它的架构，而不是从头通读？
• CodeGraph 这类代码地图工具，解决的是 AI 编程里的哪个具体问题？
• 把「AI 辅助」重构成「AI 驱动」，改动会落在哪些层次上，怎么拆成可验证的步骤？
• 在 AI 参与提交的项目里，Git 规范和审查流程该怎么定，才能不让仓库失控？

适合有一定编程基础、做过 AI 小案例，想认真把 AI 编程落到真实工程里的人。如果你还没写过完整项目、不熟悉 Git 基本操作，先补这两块再来跟，会更顺。