课程介绍

1. 统一转型认知： 建立 AI 全栈开发从“工具使用”到“团队级交付范式”的系统认知，理解 Spec Coding、AI 工具链、研发流程与组织能力之间的关系。

2. 明确岗位路径： 厘清后端、前端、测试、架构与项目管理在 AI 全栈开发中的能力边界与协同方式，推动岗位能力从单一职能走向复合交付。

3. 加速前端学习： 借助 AI 技术降低前端技术学习门槛，通过代码解释、框架导学、组件拆解、调试辅助和项目化练习，帮助非前端背景人员更快补齐全栈交付所需的前端能力。

4. 建立标准流程： 将 Spec Coding、任务拆解、AI 执行、测试验证、PR 审查、质量门禁和项目复盘串联为可复制的研发流程。

5. 构建可控环境： 掌握 Harness Engineering 方法，围绕上下文、工具、权限、验证、门禁和回滚机制，为 AI 构建稳定、安全、可审计的执行环境。

6. 沉淀组织资产： 掌握部门知识 Skills 构建、渐进式披露、组内共享与治理方法，将高频任务、工程规范和专家经验沉淀为可复用能力。

7. 支撑试点推广： 通过阶段性试点、能力分层、工件评估和持续改进机制，形成从核心骨干到团队规模化推广的实施路径。

课程对象

研发团队管理者、后端开发、前端开发、测试、架构、项目管理、研效、工具平台与 AI 应用相关人员。

课程大纲

第一部分：重构研发范式——从“AI 辅助编码”到“AI 全栈开发转型”

目标： 帮助学员理解 AI 全栈开发的本质不是单点工具提效，而是围绕需求输入、任务执行、质量验证和岗位协同形成新的研发组织方式。

模块一：AI 全栈开发转型的背景、边界与试点定位

l  行业趋势判断： AI 辅助编程正在从代码补全走向需求理解、任务拆解、跨文件修改、测试验证和交付工件生成，研发组织的竞争焦点正在从个人效率转向团队级交付能力。

l  转型定位澄清： AI 全栈开发不是简单要求一个人替代所有岗位，而是在 AI 工具、结构化 Spec、标准化组件和质量门禁支持下，提升端到端交付能力。

l  能力边界拆解： 常规全栈需求可以通过标准化方法提升独立交付比例，复杂体验、架构约束、质量风险和业务判断仍需要专业角色参与把关。

l  试点场景选择： 优先选择边界清晰、依赖关系可控、验收标准明确、风险等级适中的业务需求，避免一开始就进入复杂核心链路。

l  转型风险认知： 对技术陌生感、岗位边界变化、流程惯性和质量担忧进行前置识别，将组织适应问题纳入试点设计，而不是简单归因于工具学习不足。

模块二：AI 研发工具链的生态位划分与选型逻辑

l  国产化可控入口： TRAE、Qoder 等工具可作为团队推广入口，承担日常代码理解、任务协同、前后端修改、上下文管理和组织级应用普及。

l  开源可控底座： OpenCode 可作为可控化 Coding Agent 底座进行讲解，重点关注模型接入、私有部署、权限隔离、命令执行边界、审计记录和内部工具链集成。

l  国际标杆参照： Cursor、Claude Code、Codex 等工具用于对照 AI 原生 IDE、Repo 级 Agent 执行、多文件修改、命令行验证和 PR 工件生成能力。

l  工具组合原则： IDE 协作型工具解决“人机共写”和局部调试门槛，Agent 执行型工具解决“跨文件任务”和验证闭环，可控底座解决规模化推广和治理约束。

l  学习加速原则： 工具不仅用于生成代码，也用于解释前端框架、拆解组件实现、定位浏览器报错、对比代码 Diff 和形成个人学习笔记，帮助非前端背景人员建立可迁移的前端理解。

l  高合规场景适配： 工具选型应同时考虑代码安全、数据合规、权限隔离、审计留痕、内网环境、研发规范和流程管理要求，不能只以生成效果作为唯一标准。

第二部分：规格先行与意图结构化——把 Spec Coding 变成团队统一输入方式

目标： 围绕 Spec Coding 进一步深化，把“写提示词”升级为“结构化任务控制面”，解决需求模糊、边界漂移、接口漏改、前端改偏和验证不足等问题。

模块三：Spec Coding 的核心结构与工程控制面

l  Spec 的本质定位： Spec 不是普通需求描述，也不是提示词模板，而是连接业务目标、页面行为、接口逻辑、数据约束、测试验证和 Review 结论的任务控制面。

l  最小可执行结构： 一个可进入 AI 执行的 Spec 至少应包含背景目标、用户角色、业务流程、Scope、Non-Goal、页面约束、接口契约、数据字段、异常场景和验收标准。

l  反例约束机制： 对“不做什么”“不能改什么”“哪些边界不能突破”“哪些历史问题不能复发”进行前置定义，用 Negative Cases 控制 AI 的过度发挥和隐性副作用。

l  前后端对齐方式： 将页面组件、交互状态、接口字段、权限逻辑、错误提示和数据一致性统一写入 Spec，减少传统联调中由于理解不一致造成的反复沟通。

l  管理准入规则： 建立无清晰 Scope 不开发、无验收标准不执行、无反例清单不进入复杂需求、无验证计划不提交 PR 的任务准入机制。

模块四：面向 AI 全栈交付的任务拆解与产物绑定

l  页面任务拆解： 将页面布局、组件选型、表单校验、查询条件、列表字段、按钮权限、加载状态、异常提示等转化为 AI 可理解、可执行、可检查的前端任务。

l  接口任务拆解： 将接口路径、请求参数、响应字段、错误码、权限校验、事务边界、幂等性、日志要求和数据一致性要求转化为 AI 可执行的后端任务。

l  测试任务拆解： 将正常路径、边界条件、异常场景、权限差异、Mock 数据、回归范围和验收证据转化为 AI 可生成、可补齐、可复用的测试任务。

l  工件绑定机制： Spec 版本、需求编号、代码分支、提交记录、PR 描述、验证日志、Review 结论和风险说明应形成绑定关系，支持后续复盘、审计和能力评估。

l  课堂演练设计： 以一个边界清晰的业务需求为样例，从模糊描述转为结构化 Spec，再拆解为页面、接口、测试、PR 四类 AI 执行任务。

第三部分：岗位能力重构——AI 加速前端学习、后端全栈化与前端再定位

目标： 从能力补齐而非岗位替代的角度，建立基于 AI 的前端技术学习路径、后端全栈交付能力模型，以及前端人员在组件、体验、工程治理中的新定位。

模块五：AI 加速前端技术学习与后端全栈能力补齐

l  学习定位澄清： AI 全栈开发不是绕过前端技术学习，而是用 AI 缩短从“看不懂前端项目”到“能完成常规页面交付”的学习周期。

l  前端知识最小闭环： 围绕项目结构、框架入口、路由、组件、状态、接口请求、表单校验、样式体系、构建命令和浏览器调试，建立全栈交付所需的最低必要前端知识。

l  AI 导学机制： 通过 AI 解释项目目录、拆解组件逻辑、对照后端概念解释前端状态流、生成学习路径、总结常见报错和提供调试建议，把前端学习嵌入真实开发任务。

l  项目化练习路径： 从字段展示、按钮权限、表单校验、接口联动、列表查询、详情页、审批流等典型场景切入，让学习过程直接服务真实交付，而不是脱离项目单独学框架。

l  能力分层建设： L1 能在 AI 帮助下完成局部修改与调试；L2 能基于 Spec 独立完成常规全栈需求；L3 能处理跨模块影响、沉淀模板并带教团队成员。

模块六：前端人员的转型方向、层级设计与价值重塑

l  角色再定位逻辑： 前端人员不应被简单视为被替代对象，而应从重复页面实现转向复杂体验判断、组件体系建设、前端工程治理和 AI 生成前端质量控制。

l  L1 AI 前端交付者： 能使用 AI 提升页面实现、样式调整、组件复用、测试补齐和问题修复效率，并能为后端提供前端基础规范与模板支持。

l  L2 组件与体验治理者： 能建设组件库、页面模板、设计系统、交互规范、表单/列表/审批流脚手架，使后端和 AI 能在标准化前端资产上进行开发。

l  L3 前端平台与质量负责人： 能负责前端架构规范、构建规则、性能标准、安全约束、AI 前端评测规则、Review 清单和复杂场景体验验收。

l  协同边界重塑： 后端承担标准化全栈需求，前端承担高复杂体验、组件资产、规范门禁和质量评审，测试与项目管理角色同步前移，共同形成新的交付责任边界。

第四部分：Harness Engineering——为 AI 构建可控、可验证、可审计的执行环境

目标： 帮助学员理解稳定使用 AI 的关键不是更复杂的 Prompt，而是为 AI 提供上下文、工具、权限、验证、门禁和回滚机制。

模块七：Harness Engineering 的核心方法与高合规研发适配

l  Harness 的工程定位： Harness 是围绕 AI 智能体构建的受控执行环境，包括仓库上下文、工程规则、可用工具、权限边界、验证命令、交付模板和异常处理机制。

l  上下文供给体系： 通过架构文档、业务术语、接口契约、数据库结构、组件规范、历史缺陷、上线规则和代码示例，为 AI 提供稳定、可读、可复用的背景知识。

l  权限与风险分级： 区分 AI 可读、可建议、可修改、需审批、禁止触碰的范围，对核心配置、生产脚本、权限策略、数据库变更和安全规则设置明确审批点。

l  验证闭环设计： 将单元测试、接口测试、页面冒烟、构建命令、Lint、安全扫描、关键业务断言和 CI/CD 结果纳入 AI 交付证据链。

l  合规审计要求： 强调敏感信息保护、操作留痕、权限隔离、变更记录、可回滚说明和人工最终放行，避免 AI 交付成为流程黑箱。

模块八：面向业务线的 Harness 服务化建设

l  全栈开发 Harness： 面向常规业务需求，沉淀页面模板、接口契约、领域模型、组件规范、异常处理、权限规则和代码分层要求，支撑标准化全栈交付。

l  测试验证 Harness： 面向质量保障，沉淀用例模板、Mock 数据、边界场景、回归脚本、验收证据格式和缺陷复现步骤，让 AI 生成结果可以被客观验证。

l  前端治理 Harness： 面向前端转型，沉淀组件使用说明、交互规范、设计系统、可访问性要求、性能标准和 AI 生成前端的 Review 清单。

l  研发管理 Harness： 面向项目管理和成熟流程，沉淀任务准入、阶段评审、质量门禁、风险等级、验收记录和复盘模板。

l  服务化落点： 将分散在资深工程师、前端专家、测试骨干和项目经理手中的经验沉淀为团队级 Harness 服务，使不同 AI 工具在同一套规则下工作。

第五部分：Repo 级交付闭环与流程适配——从 AI 执行到可合并、可度量

目标： 在不推翻既有成熟研发流程的前提下，把 AI 全栈开发嵌入需求、设计、开发、测试、Review、上线和复盘流程，形成可管理、可度量、可推广的新型研效机制。

模块九：Repo 级最小变更闭环与 PR 工件标准

l  影响面分析： AI 执行前必须识别页面、接口、数据、权限、配置、测试、上下游系统和历史逻辑影响，避免只改局部代码却破坏整体一致性。

l  多文件一致性： 功能代码、类型定义、接口说明、配置项、测试用例、Mock 数据、文档说明和变更记录应同步更新，避免“代码能跑但工件缺失”。

l  验证证据要求： 每次 AI 交付都应形成测试结果、构建结果、Lint 结果、安全扫描、页面截图或接口验证记录，用证据判断输出质量，而不是只看生成文本。

l  标准化 PR 模板： PR 应包含需求来源、Spec 链接、变更摘要、影响面、验证记录、风险判断、回滚方式和人工确认点，便于团队审查 AI 的执行过程。

l  合并准入门禁： 建立无 Spec 不开发、无验证不提交、无风险说明不合并、无回滚方案不上线的规则，使 AI 全栈开发进入可控交付节奏。

模块十：成熟流程适配、研效度量与质量管控升级

l  需求阶段适配： 在原需求分析中增加 AI 可执行 Spec、验收标准、反例清单、数据字段、页面约束和接口契约，提升需求输入质量。

l  设计阶段适配： 在设计评审中增加 AI 任务拆解、影响面分析、架构风险、权限风险、数据风险和前端体验风险识别，避免 AI 在错误边界内快速执行。

l  开发测试适配： 基于 Spec 完成 AI 全栈交付，测试同步前移，使用 AI 生成用例、补齐回归脚本、构建 Mock 数据并沉淀验证证据。

l  项目管理适配： 将 AI 使用情况、Spec 完整度、PR 一次通过率、返工率、缺陷逃逸率、测试补齐率和周期缩短情况纳入研效度量。

l  质量管控适配： 保留人工关键决策和最终放行机制，将 AI 作为执行与辅助分析能力嵌入流程，而不是替代架构判断、业务判断和风险判断。

第六部分：Skills、试点评估与规模化推广——从核心骨干到团队能力复制

目标： 将高频任务、部门规范、专家经验和历史案例沉淀为可触发、可复用、可治理的 Skills，并通过试点评估建立从核心骨干到团队推广的路径。

模块十一：部门知识 Skills 构建与组内共享治理

l  Skill 的核心定位： Skill 不是普通提示词，也不是简单知识库，而是封装特定任务的执行能力包，使 AI 能按照团队标准完成页面生成、接口迁移、测试补齐、PR 审查等任务。

l  渐进式披露机制： 先暴露 Skill 名称、用途和触发条件，让 AI 判断是否需要调用；再按需加载 SKILL.md、参考资料、脚本模板、示例代码和外部工具。

l  部门知识盘点： 从编码规范、前端组件、接口约定、上线流程、历史缺陷、排障经验、业务术语和标准模板中识别可 Skill 化的知识资产。

l  共享治理机制： 通过统一 Skill 仓库管理 Owner、版本、适用范围、变更记录、审批流程和废弃机制，避免 Skill 分散在个人环境中导致不可控。

l  典型 Skill 示例： 建设全栈需求拆解 Skill、前端学习导学 Skill、前端页面生成 Skill、接口联动检查 Skill、测试补齐 Skill、PR 审查 Skill、故障定位 Skill 和安全合规检查 Skill。

模块十二：试点节奏、案例复盘与推广路径

l  试点准备： 完成人员画像、岗位基线、试点场景选择、工具环境确认、Spec 模板准备、流程门禁设计和管理目标对齐。

l  能力训练： 围绕 Spec Coding、AI 加速前端学习、前端最低必要知识、AI 工具操作、任务拆解、测试验证、PR 工件和风险说明开展集中训练与演练。

l  真实项目验证： 选择边界清晰、风险可控、能代表常规交付模式的真实需求，组织跨角色协同完成 AI 全栈交付与验收。

l  分层评估： 基于真实交付物评估全栈交付能力、前端治理能力、测试前移效果、流程执行质量、研效变化和组织资产沉淀情况。

l  案例与推广沉淀： 结合可披露的行业实践和试点复盘，形成岗位分层标准、流程模板、Harness/Skills 资产、风险清单和后续推广建议。