跳转至

快速入门

大作业的完成过程可以总结成一句话：先定选题，再迭代设计文档，让 AI 实现一个版本，然后不断和 AI 对话改进。下面是完成大作业的各个步骤。

第一步：定选题

大作业的第一阶段就是选题确认，这一步基本在作业布置后第一周完成。好的选题几乎都来自你自己的烦恼，找的时候问自己三个问题：

  1. 我是不是经常做这件事，或者它是不是我感兴趣、别人也会想试用的事？频率和吸引力决定价值。
  2. 通用 Agent 是不是做不好？如果和 AI 聊聊天就能解决，它就不是好选题。
  3. 有没有可以自动化的步骤？例如获取数据、处理文件，这些用代码就能自动完成，不需要人工，也不需要模型参与。

举个例子：假设你不打 MOBA 类游戏，但每周都追职业比赛，最看不懂的就是 Ban-Pick（选英雄，简称 BP）环节，即赛前双方教练/选手轮流禁用和选择英雄的环节：为什么 ban 这个、不 ban 那个，背后的思路是什么。用以上三个问题检验：每周都看，频率够；LLM 的知识停留在旧版本，不知道新版本的英雄强度，也不知道去哪拿比赛数据，确实做不好；而 BP 信息和版本数据都能从网络上的各种来源拿到，程序可以自动获取和解析。这就是一个好选题。

一个合格的选题，至少要满足四点：真实、具体、通用 Agent 做不好、有数据或工作流可用。

第一阶段截止前，把选题发到网络学堂讨论区，并至少评论 3 位同学的选题。评论别人的同时，你会看到各种不同的场景和痛点，反过来检验自己的选题。选题不是一成不变的，可以根据反馈和新思路不断调整。

此外，有些需求或者场景可能涉及到让 Agent 处理你自己或他人的敏感信息，比如身份证号、护照号这类隐私数据。此时，可以关注相应大模型厂商的数据隐私政策，尽可能避免个人隐私数据被用于大模型训练等用途；或者使用本地部署的大模型。

想不到选题怎么办

翻一翻作业要求里的四类选题参考，或者直接把你的烦恼讲给 AI 听，让它帮你头脑风暴。想到一个就先记下来，哪怕不完美，后面还能改。

第二步：迭代设计文档

第一阶段到第二阶段之间，是你反复推敲设计文档的时间。确定选题之后先别急着写代码，先写一份设计文档，并且和 AI 来回讨论、反复修改它。

设计文档首先是写给你自己的：把“我想做一个东西”变成“这个东西到底是什么”。它通常包括：

  • 产品定位：给谁用、解决什么问题
  • 目标用户与痛点：痛点是什么、为什么通用 Agent 解决不好
  • 场景定制：为了这个场景，打算做什么通用 Agent 做不到的事
  • 核心交互流程：用户怎么输入、看到什么输出
  • 功能清单：按优先级排列，先做核心功能
  • 数据源：需要哪些数据、从哪来
  • 技术设计：模块划分、关键数据结构

设计文档不是一次写成的，往往要迭代很多版。其中最重要的一步是分析需求的重要性：功能清单里的每一项，都问一问它是不是核心、解决的到底是不是痛点，然后据此排出实现的顺序和计划。先做什么、后做什么，什么可以最后再做甚至不做。

第三步：让 AI 实现一个版本

设计定了，就让 AI 帮你实现，核心功能的开发基本在作业布置后第二周。不要让它一次生成整个项目，而是从最小可用程序开始，逐渐完善。以 Ban-Pick 分析 Agent 为例，合理的实现顺序是：

  1. 先把基础功能做出来：手动输入一场比赛的 BP 信息 -> 读取数据 -> 调用 LLM -> 输出分析。
  2. 再补领域能力：知识库（当前版本的英雄强度、克制关系）、专用工具调用（从 API 拿数据）、结构化输出校验。
  3. 最后做界面和体验：设计 Web 界面、添加进度展示、保留历史记录。

每完成一个模块，编译运行确认没问题，再让 AI 写下一个。每个模块的代码你都读一遍、弄懂每一行，再继续。

基本功能实现后，第二阶段（公开展示与互相试用）就开始了：在网络学堂发布设计文档摘要和项目链接，并至少试用 3 位同学的作品、提交反馈。试用别人的作品是打磨自己作品最快的途径之一。看到别人的做法，你常常会想“这个我也可以学”，然后和 AI 讨论，更新设计文档，再让 AI 实现。

先跑通再美化

第一版可以一切从简：数据用手工 JSON、Prompt 写死、界面丑一点都没关系。目标是尽快看到第一份完整的输出，然后再开始迭代。迭代过程中，让 AI 把每次改动都提交到 Git，方便回溯。

第四步：不断和 AI 对话改进

改进从第二阶段一直持续到第三阶段之前。第一版能跑之后，做法很简单：你就自己一遍遍地用，把感觉不舒服的地方记下来，然后一条条和 AI 讨论着改。例如，用着用着你可能会发现：

  • 界面提示是英文的，不够直观 -> 做中文化；
  • 输入英雄名必须用英文全名 -> 支持中文名和模糊搜索；
  • 有多余的工具调用 -> 简化，只保留能用的；
  • 某个输入框其实没必要，模型自己就能推断 -> 删掉它；
  • 模型输出的 JSON 偶尔解析失败 -> 加上校验和重试。

把这些改进记在一个 todo 清单里，改一条消一条。除了自己发现的问题，还可以参考第二阶段收到的试用反馈。

最后，保持设计文档和最终实现一致：实现过程中想法会变，改代码的同时，也要更新设计文档。这份对齐后的文档，就是你提交物里的设计文档。这一路和 AI 的全部对话记得导出，那就是你的“AI 对话历史”提交物。

收尾：第三阶段

第三阶段是你大作业的终点：分课堂 5 分钟展示 + 2 分钟提问，助教和老师会针对作业提问，最终分数综合同学互评和助教、老师的打分。展示前请补齐测试和 README，按作业要求整理开销明细，再准备一个稳定的演示脚本。展示不只是“把功能演示一遍”，它就像一个产品发布会，想想怎么让一个陌生人知道你的 Agent 是为了解决什么问题，明白设计的合理性，甚至觉得“这东西我也想有”。从产品的角度来看，展示和功能本身一样重要。

整个流程一句话：

定选题 -> 迭代设计文档 -> 让 AI 实现一个版本 -> 迭代改进 -> 收尾展示

看完本文档，你被强化了，快上！