生成式 AI 基础认知
先建立概念地图，再开始让模型参与编码。
理解模型如何工作、为什么会错、什么时候值得相信、什么时候必须人工兜底，是后续 AI 辅助编程的前提。
- 弄清 token、上下文窗口、采样、工具调用和成本之间的关系。
- 知道模型最常见的失败模式，并学会把验证写进流程。
- 建立“模型擅长生成，开发者负责判断”的基本心智。
Stages
从概念到部署，一步都不跳
如果你是零基础，按顺序走；如果你已经会写代码，直接把 Stage 4 之后当作系统化补课。
AI 辅助编程心法
学会让 AI 参与工作，而不是把责任外包给 AI。
你要建立的是一种可持续的人机协作方式：先拆任务，再给上下文，再审查输出，最后靠测试和回归兜底。
- 理解什么任务适合交给 AI，什么任务应该由人类主导。
- 知道为什么“会运行”不等于“可维护”。
- 学会把 AI 输出放进正常的工程流程，而不是绕过流程。
稳定开发环境与工作流
终端、Git、测试和包管理，是 AI 编码提效的地基。
如果本地环境混乱、分支策略混乱、测试不存在，再好的 AI 也会把混乱放大。先把基础设施立住，后面提效才不会变成返工。
- 能独立完成终端、Git、包管理器和项目运行环境的最小配置。
- 理解为什么分支、提交、PR 和回归测试必须进入主线流程。
- 知道如何给 Codex CLI 提供稳定、可重复的执行环境。
Codex CLI 全面实战
把命令行变成你与 AI 协作的主工作台。
这一阶段会系统覆盖 Codex CLI 的主能力：安装与登录、在仓库内工作、代码审查、子代理并发、Web 搜索、审批模式和自动化集成。
- 能在真实仓库里稳定使用 Codex CLI 进行开发与审查。
- 理解何时该开子代理、何时该保守、何时必须人工批准。
- 知道如何把 CLI 能力接到日常自动化和 CI 流程里。
AI 驱动的编码实践
把 bug 修复、功能开发、重构和测试写成一套稳定动作。
这一阶段聚焦四件高频工作：修 bug、加功能、做重构、补测试。目标不是追求一键生成，而是让每种场景都有可重复的协作打法。
- 知道不同任务类型对应怎样的上下文、提问方式和验证方式。
- 能让 AI 参与测试生成与代码审查，而不是只生成业务代码。
- 学会通过 diff、日志和失败用例逐步压缩问题范围。
全栈应用开发
让 AI 参与前端、后端、数据库与部署，但始终围绕可交付产品。
你会看到 AI 在全栈项目里的正确位置：不是替代架构师，而是加速实现、排查、测试、文档和部署准备。
- 知道如何把前端、后端、数据层和部署拆成可协作子任务。
- 能让 AI 参与接口设计、数据库迁移、认证与监控方案讨论。
- 理解发布不是“把站点传上去”，而是一条从构建到验证的完整链路。
大型项目与多代理协作
从会写功能，到能组织复杂任务、并发推进和稳定收敛。
大型应用真正困难的部分，不是写某个函数，而是拆任务、控边界、管回归和组织协作。本阶段专注这些能力。
- 会把复杂需求拆成清晰的阶段、模块和并行子任务。
- 知道什么时候适合开多个子代理，什么时候必须集中决策。
- 能围绕架构边界、发布风险和回归测试组织整个开发过程。
毕业实战与持续进阶
把整个流程闭环：从想法到上线，再到持续改进。
最后一阶段要求你不只会做课程练习，而是能独立完成一个可发布项目，并知道上线之后如何继续打磨、观察和演进。
- 能独立完成一次从需求到部署的完整交付。
- 会用 Cloudflare Pages 发布教程或产品站点，并处理自定义域名。
- 建立自己的 prompt 模板、审查清单和多步工作流资产。