当 AI 介入开发，工程师的护城河在哪里？

很多开发者面对大模型时的痛点并非不会写代码，而是无法将模糊的业务需求转化为精准的技术实现。传统的软件工程强调显性知识的传递，但在 AI 时代，大量的隐性经验——如架构决策的权衡、业务背景的理解、边界情况的处理——往往难以通过文档完整表述。这门课程的核心在于重构「软件工程」的定义，将其从单纯的编码活动升级为「知识工程」。它解决的关键问题是：如何在 LLM 能力爆发的背景下，利用 AI 提取、管理和复用那些原本散落在资深工程师头脑中的不可言说知识。

本课程适合有一定工作经验、感到重复性劳动被 AI 冲击，或希望从「代码工人」向「解决方案设计师」转型的开发者。基础要求方面，需熟悉常规软件开发流程，但对 AI 工具的应用尚处于浅层。建议初学者先从「开篇词」建立整体框架，再进入「知识过程中的认知模式」理解底层逻辑，切忌跳过理论直接上手操作，否则容易陷入工具崇拜而忽略工程本质。

核心能力拆解与练习路径

课程内容分为三个紧密递进的模块。第一阶段聚焦知识工程整体框架，重点学习如何通过 LLM 提取和传递隐性知识，理解软件交付过程中认知模式的变化。第二阶段深入业务知识管理，这是连接技术与业务的桥梁。你需要掌握如何使用 LLM 辅助业务建模，特别是构造反馈循环和思维链，以及编写高质量的用户故事。这部分强调交互而非单向输出，建议配合 TQA 模式（任务-查询-评估）的 Agent 构建练习进行实操。第三阶段则转向测试驱动 AI 开发，关注 LLM 在实际代码生成与验证中的具体应用模式。

资料包的配合至关重要。课程提供的案例素材不应仅作为阅读材料，而应作为「提示词工程」的训练集。在练习「LLM 辅助建模」时，应尝试用不同粒度的输入重构同一业务场景，对比输出差异；在「用户故事编写」环节，需手动修改 LLM 生成的草稿，使其符合 INVEST 原则。学完本课后，你应能独立完成一项业务需求的深度拆解，构建基于 LLM 的知识助手原型，并建立一套可持续迭代的项目知识管理机制，而非仅仅依赖现成的代码生成工具。