AI 项目零代码开发：Vibe Coding 实战教程大纲

本教程面向具有一定 AI 基础但缺乏编程经验的读者，旨在教授如何以 Vibe Coding 风格通过提示词驱动，借助 Cursor 编辑器、GitHub Copilot 等工具，从零开始开发完整 AI 项目cloud.google.com。Vibe Coding 是一种新兴的软件开发实践，用户只需用自然语言描述需求，AI 即可生成可执行的代码，从而大幅降低开发门槛ibm.comsimonwillison.net。本书将围绕这一核心理念展开，通过丰富的案例和循序渐进的指南，让读者在不手写代码的情况下完成真实的 AI 项目开发。我们将强调通过提示词引导AI编写代码，并辅以适当的测试、重构和部署方法，确保项目质量和可维护性simonwillison.net。读者将在实践中学会使用 Copilot、Cursor 等 AI 编程助手，以及命令行工具、自动化测试框架、API 封装和部署平台等，将创意快速转化为产品。全书包含一个贯穿始终的主线项目 —— 多模态创作 AI 工作站，我们会在各章节中逐步实现其功能，帮助读者将所学融会贯通。

第1章 绪论：Vibe Coding 革新软件开发

• 目标概述：介绍 Vibe Coding 概念及其由来，讨论 AI 驱动编程对软件开发的变革意义ibm.comcloud.google.com。读者将了解为什么“不用手写代码也能开发应用”成为可能，以及本书的教学宗旨。

• 核心概念：阐释 Andrej Karpathy 提出的 “Vibe Coding” 定义，即用自然语言描述意图，由 AI 转换为代码的开发模式ibm.com。对比“纯粹 Vibe Coding”（完全信任 AI 输出，用于快速原型）和“负责任的 AI 辅助开发”（将 AI 视为对话式助手，人工复核测试）两种实践模式cloud.google.com。强调本书采取后者，以确保代码质量和可持续维护。

• Vibe Coding 优势：分析 Vibe Coding 如何降低编程门槛，让缺乏编码背景的人也能实现自己的想法simonwillison.net。引用案例说明其加速原型开发、增强创造力的威力，例如有无编程经验的用户借助 AI 快速构建应用的真实故事ibm.com。

• 挑战与展望：探讨 Vibe Coding 带来的挑战（如代码质量、调试难度、安全性等ibm.com）以及应对策略。展望 AI 编程工具的发展趋势，强调读者在学习中应保持的心态：既要充分利用 AI 提速增效，也需保持对代码的基本理解和责任心simonwillison.net。

• 本章内容：提示本书结构和学习路线图，介绍主线项目“多模态创作 AI 工作站”的背景和功能构想，激发读者兴趣。本章不涉及具体动手实践，但为后续章节奠定理念基础。

第2章 环境准备与工具安装

• 目标概述：指导读者搭建 Vibe Coding 开发环境，包括安装 Cursor AI 编码编辑器、配置 GitHub Copilot 插件、命令行接口等。完成本章后，读者将拥有一个可用于 AI 生成代码的基本开发环境docs.cursor.com。

• 安装 Cursor：手把手讲解 Cursor 编辑器的下载安装与初始配置过程。介绍 Cursor 的定位——“AI 驱动的代码编辑器”，支持自然语言描述需求并自动生成代码docs.cursor.com。演示如何登录 Cursor、导入或创建项目，并确保编辑器可以访问必要的 AI 模型 API。

• 配置 Copilot：介绍 GitHub Copilot 的作用和价值——“你的 AI 编程搭档”，能在编辑器中根据上下文即时补全代码learn.microsoft.com。说明 VS Code 等环境下安装 Copilot 扩展的步骤，以及如何将其与 Cursor 或其他IDE配合使用。通过实例展示 Copilot 根据注释生成函数的简单过程，加深读者直观认识。

• 插件与扩展：列出适合初学者的辅助插件和工具。例如：代码格式化工具、调试终端、Git 集成等，提高 AI 生成代码的可读性和可管理性。特别介绍 Cursor 社区推荐的一些插件（如代码审查、错误检查插件），以及如何在 Cursor 内启用/禁用这些扩展功能。

• CLI 与环境变量：解释命令行界面（CLI）在AI项目开发中的作用，如运行生成的脚本、安装依赖库等。教授基本的命令行操作，并以一个简单示例（如用 cursor-cli 创建新文件或执行代码）演示 AI CLI 的用法。讨论环境变量配置及其在本书后续章节（如部署 API 密钥等）中的重要性。

• 术语解释：本章引入的关键术语包括IDE、插件、API Key、终端等，分别予以通俗解释，确保零编程背景的读者也能理解各要素的作用。

第3章 项目结构管理与版本控制

• 目标概述：本章聚焦如何规划和管理由 AI 生成的项目结构。读者将学会组织文件和模块、使用版本控制跟踪变化，以及在 Vibe Coding 开发中保持代码结构清晰可控的方法ibm.com。

• AI 生成项目骨架：讲解如何通过提示词让 AI 生成项目基础框架，例如创建特定语言的标准目录结构、主要模块文件等。提供一个案例：用一句提示让 Cursor Agent 模式生成包含多文件的项目builder.io。讨论 AI 是如何决定文件组织的，以及用户如何引导它调整结构。

• 多文件协同：介绍 Cursor 等 AI IDE 支持多文件代码生成和同步更新的特性builder.io。例如Cursor的 Agent 模式无需手动指定上下文文件即可生成跨多个文件的代码builder.io。通过一个简单项目示例说明：用户让 AI 新增功能时，如何在不同文件间衔接，Cursor 如何提示新增或修改相应模块。

• 版本控制 (Git)：强调在 AI 辅助编程中使用版本控制的重要性。教授 Git 的基本概念和工作流程，让读者学会初始化 Git 仓库、提交更改，以及查看 AI 生成代码的历史差异。鼓励将 AI 每次生成或修改的代码提交一次，从而“记录”AI的每步输出，方便日后回溯或撤销问题代码simonwillison.net。

• 协同与备份：探讨多人协作下的 Vibe Coding 流程，尽管读者主要个人学习，也需了解如何通过 GitHub 等进行代码托管与分享。提供示例场景：如果AI生成了错误代码，通过版本历史快速恢复之前的版本。说明在 AI 生成大量代码的情形下，良好的结构和版本管理可以降低 AI “幻觉”或错误导致失控的风险ibm.com。

• 术语解释：本章术语包括“仓库（Repository）”“提交（Commit）”“分支（Branch）”“差异（Diff）”等，配合示意图和类比解释，让非程序员读者理解版本控制的直观意义。

第4章 提示词工程入门

• 目标概述：深入讲解如何编写高质量的提示词来引导 AI 生成所需代码，这是 Vibe Coding 成功的关键。读者将学习提示词的基本构成、有效策略和常见误区，并通过简单练习掌握对 AI 输出的精细控制方法ibm.com。

• 提示词基础：首先介绍提示词工程的概念——“以正确方式向模型提问”。解析提示词的一般结构，包括上下文说明、具体任务要求、输出格式限定等要素ibm.com。例如，将用户需求表述为“用 Python 实现一个读取 CSV 文件的函数” vs “实现一个名为 read_csv 的 Python 函数，读取指定路径的 CSV 并返回列表”输出效果对比。强调明确、具体和有上下文的提示往往能获得更理想的代码ibm.com。

• 实例演练：提供多个示例提示及 AI 产出的代码，分析其优劣。案例1：过于简短的提示如“写一个聊天室机器人”导致的泛化代码，案例2：完善后的提示如“使用 Python 和 asyncio 编写一个支持多用户的命令行聊天室机器人，要求包含消息广播和用户加入离开提示”带来的更符合预期的代码。通过对比说明添加细节、约束的重要性。

• 迭代改进：引导读者体验提示-生成-反馈-再提示的循环过程cloud.google.com。例如，AI 首次生成的函数可能有错误，通过提示“请添加错误处理，当文件不存在时给出友好提示”让 AI 修正cloud.google.com。再如增加要求“代码需包含注释”，观察 AI 修改结果。让读者体会逐步 refine 提示来完善代码的工作流。

• 常用技巧：总结编写有效代码提示的一些技巧：如明确指定编程语言/框架、描述预期输入输出、给出部分伪代码或接口定义、要求遵循某种代码风格等。提醒读者避免提示中的歧义和暗示不良做法（例如不要直接复制错误信息而无说明地让 AI 猜测）。也介绍“不要一次要生成过长代码，可以模块化生成”的策略，防止模型超长输出中途出错。

• 提示词陷阱：列举AI常见误解或失败案例，让读者学会辨析。当 AI 输出不符合预期时，分析可能是提示不清或边界条件未描述导致，并示范如何重新措辞提示纠正结果。强调永远验证 AI 输出，不要盲信其正确性promptingguide.ai。

• 术语解释：“Prompt（提示词）”“Prompt Engineering（提示工程）”“Refine（迭代完善）”等概念，并区分提示词在不同上下文（如对话系统 vs 代码生成）中的差异。保证读者理解提示词就像给AI下指令，必须清晰严谨。

第5章 实战一：开发 CLI 聊天机器人

• 目标概述：开始第一个实战项目——构建一个命令行（CLI）聊天机器人。读者将在本章应用之前掌握的提示词技巧，通过 Cursor + Copilot 引导 AI 编写一个可在终端运行、与用户对话的聊天程序。项目涵盖基本的输入输出处理、对接现有聊天模型 API（如 OpenAI ChatGPT API）等，让读者体验从0到1完成一个功能性 AI 应用。

• 提示词结构：本章的提示词将详细描述 CLI 聊天机器人的需求，包括：编程语言（Python）、使用何种库或 API（如调用 OpenAI 的 API 进行对话），功能要求（连续对话、退出命令处理），以及代码组织形式（例如将主要逻辑放在 chatbot.py 中）。通过提供示例提示词片段，说明如何让 AI 明确实现这些要求。

• 流程图：给出聊天机器人的工作流程图，例如：用户在终端输入 -> 程序发送请求到聊天模型 API -> 获取回复并显示 -> 循环等待下一个输入。流程图帮助读者理解程序各部分的衔接关系，也为 AI 生成代码时提供逻辑参考。

• 可视化代码生成过程：本节通过截屏和解说展示用 Cursor 逐步生成代码的过程。例如：在 Cursor 中输入提示后，AI 首先生成 chatbot.py 的初版代码（展示截图），我们运行测试发现无退出机制 -> 用户在对话窗口对 AI 提示“添加退出命令，当用户输入exit时结束程序”，AI 更新代码（展示diff截图）builder.io。如此循环，直到主要功能实现。整个过程直观演示“对话式编程”的体验。

• 样例项目代码结构：列出最终生成的代码文件清单和结构（本例可能简单，一到两个文件）：例如：

• chatbot.py：主程序入口，处理用户输入和输出，对接聊天模型API；

• config.py：存放API密钥等配置（如有）。
  说明各文件的作用，展示部分关键代码片段并解释其功能。

• 生成结果截图：展示最终CLI聊天机器人的运行截图。例如终端界面上一问一答的对话，包含用户输入内容和机器人回复。若有彩色输出或特殊格式，也应截图体现，让读者直观看到成果。

• 测试点与失败案例：总结在开发过程中需重点测试的情形：如网络异常是否处理（API 请求失败怎么办），退出命令是否灵敏，是否会出现无限循环等。列举一个失败案例：开始忘记处理网络错误，AI 生成的代码在断网时抛异常 -> 后续我们通过提示要求添加try-except进行了修正cloud.google.comcloud.google.com。鼓励读者主动尝试异常场景，看程序反应，并思考改进方法。

• 术语解释：本章涉及“CLI（命令行界面）”“API 调用”“JSON 序列化/反序列化”等术语，一一予以解释。例如CLI相对图形界面的特点，API Key 在调用OpenAI服务时的重要性等，确保读者理解实现细节背后的概念。

第6章 实战二：构建提示词调优器

• 目标概述：本章开发一个提示词调优工具，帮助用户试验和改进 Prompt 的应用程序。通过此项目，读者将学会构建一个简单的交互界面，让用户输入原始提示词，程序自动调用 AI 并根据预设指标反馈效果，从而指导用户优化提示词。这个项目进一步培养读者分析 AI 输出质量的能力，并实践将 AI 嵌入辅助 AI 开发流程的理念。

• 提示词结构：提示 AI 生成代码时，我们将清晰描述调优器的需求：例如采用 Web 界面或简单 CLI 交互？需要支持输入一个Prompt和若干测试问题，让AI产生输出评分？本书选择实现一个CLI版本的 Prompt 调优器：用户输入一个待优化的Prompt，以及一系列测试输入，程序批量调用模型获取输出，并根据一些规则打分。提示词需涵盖：使用哪种语言/库（Python，可能用 openai 或 llama-api 调模型），实现步骤（读取用户提供的Prompt和测试集 -> 调用模型获取结果 -> 分析结果质量 -> 给出改进建议）。

• 流程图：绘制调优器工作原理图：用户提供原始提示 & 测试用例 -> 程序循环调用 LLM 获取各测试输出 -> 程序评估输出是否符合预期（例如查找是否回答了问题、是否格式正确）-> 汇总评价并生成改进建议（可能由规则或再次Prompt模型完成）。该流程图体现出嵌套调用 AI的结构，即我们的应用本身也在使用AI完成部分任务。

• 可视化代码生成过程：继续采用 Cursor 生成代码。分步骤展示：首先让 AI 生成基本框架 tuner.py，功能：读取文件/输入中的Prompt和测试数据 -> 输出占位。截图展示初始代码片段。然后通过对 AI 的多轮对话细化功能：提示“在代码中加入OpenAI API调用，根据提供的问题数组获取回答”“将回答与理想答案比对并计算分数”等，观察AI逐步补全实现逻辑的截图。记录一次典型的 AI 生成错误与后续修正：如AI忘记并发调用，我们提示优化；或者AI生成评分函数有漏洞，我们要求改进。

• 样例项目代码结构：列出调优器的主要代码模块：

• tuner.py：主程序，包含从输入读取Prompt和测试集、调用AI、评估与输出建议的逻辑；

• （可选）tests/目录：存若干示例测试Prompt和问题（若采用文件存储测试用例的设计）；

• evaluation.py：如果逻辑复杂，可能拆出一个模块专门负责评估算法。
  对每个模块进行介绍，突出 AI 自动生成的代码如何按照我们提示的模块化思路组织良好。

• 生成结果截图：展示调优器运行实例。例如针对一个Prompt和3个测试问题，程序输出每个回答及评分，然后总结：“Prompt 覆盖率一般，建议在提示中明确限定输出格式”。这些输出文本截图有助于读者理解工具用途，也验证项目功能正常。

• 测试点与失败案例：提示词调优器本身需要验证：如对于模型不同的回答是否能正确判断优劣。如果有条件，可模拟一个理想输出和一个糟糕输出，让调优器评分，看是否真的高低分区分明显。此外，测试网络异常或API超额情况。一个失败案例：AI 评分算法最初设计不合理，导致所有Prompt得分都相同——讲述我们如何通过修改提示词让AI引入更多判别规则。

• 术语解释：本章引入“评估指标（evaluation metrics）”“基准测试（benchmark）”等概念，以及简单的NLP评估术语如“精确匹配”“模糊匹配”等。确保读者明白何为好的 Prompt——通常是高准确率、鲁棒性强，对此也做简要说明。

第7章 实战三：知识库问答系统

• 目标概述：构建一个简易知识库问答系统，实现对特定资料的提问回答。此项目让读者学习如何利用 AI 模型结合本地资料（如FAQ文档或维基条目）进行问答，实现检索增强型应用雏形。读者将掌握文本嵌入、匹配查询或直接通过提示将知识库内容纳入上下文的技巧，体验让 AI 基于给定知识而非通用知识回答问题的开发方法。

• 提示词结构：向 AI 描述知识库 QA 系统需求时，需要覆盖：数据来源（例如一个文本文件或一组文档作为知识库）、实现方式（读取文档内容，将问题与文档匹配，提供相关段落给LLM产生答案），以及交互形式（CLI对话或Web接口）。我们将提示 AI 使用 Python 构建，阅读一个 knowledge.txt 文件内容作为知识库，对每个用户问题先在文本中找到相关句子，再让 AI 根据相关内容生成回答。提示词将指定使用何种简单文本搜索（例如关键词匹配或向量嵌入搜索，考虑到初学者难度，可采用关键词搜索结合 GPT 总结），并要求模块化设计：如 search.py 负责检索，answer.py 负责调用 LLM 生成答案。

• 流程图：绘制系统流程：用户提问 -> 程序在知识库文本中查找相关信息 -> 将找到的信息和问题一起作为Prompt发送给 LLM -> 获得答案并返回用户。若找不到相关信息，则返回默认回答（如“未找到相关信息”）。该图清晰展示检索与生成结合的过程，也是当前许多知识问答类应用的典型架构。

• 可视化代码生成过程：利用 Cursor 编写系统关键部分。首先生成 search.py：例如提示AI“编写函数，从给定文档文本中根据用户问题找到最相关的一段文字（可简单以关键词频率衡量相关性）”，AI 输出代码（截图展示函数实现）。然后生成 answer.py：提示“编写函数，调用OpenAI API，将用户问题和检索到的文本整合在一起，让模型依据提供资料回答问题”，观察AI如何构造 Prompt 模板并调用 APIlangfuse.comlangfuse.com。展示关键代码由 AI 生成的截图，并标注其中核心逻辑。最后整合到主程序 main.py：串联调用检索与回答功能，在终端循环读取问题、输出回答。整个过程中如AI出现错误理解（如用复杂算法导致代码超长），我们通过交互调整提示。

• 样例项目代码结构：列出知识库 QA 系统文件结构：

• main.py：主程序，负责读取知识库文件、初始化检索模块，循环等待用户输入问题并输出答案；

• search.py：文本检索模块，提供 find_relevant(text, question) 函数；

• answer.py：答案生成模块，提供 generate_answer(question, context) 函数，内部调用 LLM 接口；

• knowledge.txt：知识库文本（例如包含若干常见问题及答案的段落）。
  描述各文件作用，特别指出知识库如何存储以及代码如何读取利用。

• 生成结果截图：示范系统运行：知识库预先填入例如“OpenAI是什么？”等条目的解释。当用户输入该问题或类似问题，系统正确提取知识库内容并生成准确回答（截图展示问答过程）。也展示一个知识库无匹配的问题，系统输出“抱歉未找到答案”的截图。

• 测试点与失败案例：测试系统对不同提问的鲁棒性。例如问法不同但意思相同的问题，能否匹配；大写小写、错别字等简单扰动是否处理。失败案例举例：一开始AI检索模块只按简单关键词，可能提取了不完整句子导致回答不准确，我们改进提示让AI增加提取段落范围或多取几句上下文。另一个常见问题：LLM 可能在知识不充分时胡编乱造（幻觉），因此我们的Prompt需提醒“如果知识库没有相关信息，只回答不知道”，测试这一情况确保模型遵循指令sangeethasaravanan.medium.com。

• 术语解释：解释“知识库”“向量嵌入”“相关性匹配”“幻觉”等术语。特别说明我们此处未深入用向量数据库，是采用简化方法实现知识问答，但提及工业界常用如 FAISS/向量数据库 的概念，供有兴趣读者扩展了解。

第8章 实战四：API 接口服务项目

• 目标概述：本章教读者开发一个将 AI 模型封装成 Web API 服务的项目，例如构建一个简易的问答HTTP接口或聊天服务端。通过这一练习，读者将掌握如何用 AI 生成后端代码，提供 RESTful API 来服务于客户端应用。这在实践中非常重要，因为许多 AI 应用需要通过网络提供服务，将模型功能供他人调用。

• 提示词结构：我们将告诉 AI 生成一个 Web 服务项目的代码框架。提示内容包括：使用的后端框架（例如 Python Flask 或 FastAPI，为了直观我们选 FastAPI）、需要暴露的API端点（比如 /ask 用于提交问题得到回答）、请求和响应格式（JSON 输入输出），以及在API内部如何调用AI模型获得结果。提示词中明确要求：创建一个 app.py 作为主程序（含FastAPI应用和路由定义），实现 /ask POST接口，接受参数 {question: "..."}，返回 {answer: "..."}。并要求附带基本错误处理（如缺少参数时返回400）。

• 流程图：绘制Web API服务的架构：客户端 -> HTTP请求 (问题JSON) -> 服务器 (FastAPI) -> 调用OpenAI等获取回答 -> HTTP响应 (答案JSON) -> 客户端。标注出关键步骤如“API 解析请求”“与AI对话”“封装响应”。此外，简单展示流程中如何并发处理请求（提示FastAPI本身处理并发的能力）。

• 可视化代码生成过程：通过 Cursor 逐步生成 API 服务代码。首先根据提示生成 app.py，截图展示AI产出的FastAPI初始化和基本路由定义代码，解释其中重要部分。然后我们通过让AI补全具体实现：如 ask(question) 路由函数里调用OpenAI API获得答案并返回的逻辑。展示AI编写该部分代码的截图posthog.com。如AI忽略了某些细节（比如未处理OpenAI API失败情况），我们追加提示要求加上异常处理，截图展示改进后的代码。最后，让AI生成一个简单的 requirements.txt 或 命令说明，以便运行服务。

• 样例项目代码结构：此服务项目结构相对简单：

• app.py：包含所有路由和逻辑的主文件（小型应用可不分模块）；

• requirements.txt：所需依赖（如 fastapi, openai 等）；

• （可选）run.sh：用于启动UVicorn服务器的脚本。
  解释如何运行该服务（例如 uvicorn app:app --reload），以及可扩展性（如果功能变多，可拆分成 controllers, services 等模块）。

• 生成结果截图：展示使用 curl 或 Postman 调用 API 的截图：例如向 POST /ask 发送 JSON {"question": "今天上海天气如何？"}，得到 `{"answer": "..."}。截图应包含请求和响应的示例，以证明API工作正常。若有可能，也展示服务器控制台日志截屏，看到请求进来和处理的信息。

• 测试点与失败案例：测试 API 的健壮性：如缺少参数调用是否正确返回错误，输入非常长的问题是否超时或被正确处理。探讨并发请求下服务性能（简单压测），确保 AI 生成的代码没有明显阻塞问题（例如使用异步IO的好处）。失败案例：开始AI生成的API可能每次调用模型新建Session，导致效率低或者不复用，或者忘记限制并发，我们识别并通过重构提示优化。另一个潜在问题是安全性，如未做任何鉴权即可调用。我们将在部署章节讨论此类问题，这里提醒读者注意。

• 术语解释：解释RESTful API、HTTP请求方法（GET/POST）、状态码（200/400等）、JSON格式等基本概念。确保非程序员读者理解我们构建的是一个“网上可以访问的AI机器人接口”，为后续真正上线部署打基础。

第9章 综合案例一：智能 PPT 生成助手

• 目标概述：本章进入更综合的案例——开发一个PPT 生成助手。这个助手能够根据用户提供的大纲或主题，自动生成演示文稿(PowerPoint)的内容，甚至直接输出 PPT 文件。读者将学习如何将 AI 文本生成与现有办公文档库（如 PPTX库）结合，实现跨领域的自动化创作工具。此案例培养读者对多步骤任务的分解与实现能力。

• 提示词结构：生成代码时需要详细描述 PPT 助手的需求：输入形式（例如用户给一个演示主题或提纲）、输出形式（生成 PPT 文件或至少生成各页内容文本），以及制作PPT的技术路线（使用 Python python-pptx 库创建演示文稿）。提示词将指定：创建一个脚本，可从用户获取演示标题和若干章节要点，用 ChatGPT 为每章节生成讲解内容，然后利用 python-pptx 生成一份 PPT 文件。我们要求 AI 产出的代码包括幻灯片标题、内容填充，以及基本的样式（简单美化，例如每页有标题和项目符号列表）。

• 流程图：绘制 PPT 生成助手的工作流程：用户输入主题/提纲 -> 程序调用 LLM 为提纲各部分生成扩充内容 -> 程序调用 PPT 库创建演示文档，将生成内容填入各幻灯片 -> 保存 PPT 文件并提供给用户。流程图标明两个关键AI交互：一是内容生成，二是文档生成，两者结合构成完整应用。

• 可视化代码生成过程：通过 Cursor 演示代码生成：首先生成内容创作部分函数，如 generate_slide_content(topic, outline)，内部调用 AI 为每个要点生成丰富讲解。截图展示AI编写此函数的代码，如何组织 Prompt 让模型生成结构化输出（可能需要模型列出每张幻灯片要点）。接着生成 PPT 创建部分函数，如 create_ppt(slides_content) 利用 python-pptx 创建幻灯片并插入文本。截图展示AI生成的操作PPT的代码片段（添加幻灯片、文本框等）。然后整合主程序，将两部分串联。读者可以看到 AI 生成代码跨域（既会调 ChatGPT API 也会用pptx库）是可行的，但过程中如有库名错误或调用不当，我们如何纠正 AI（例如AI可能忘记调用 Presentation.save 方法保存文件，我们通过提示增补）。

• 样例项目代码结构：列出模块：

• ppt_assistant.py：主要脚本，包含内容生成和PPT构建的逻辑，可以将关键函数拆成 content.py 和 makeppt.py 两模块以清晰分离职责；

• templates/（可选）：存放PPT模板文件（如果想实现更复杂的模板套用，这里简单提及）；

• 输出文件示例：output.pptx。
  解释各部分作用，以及如需变更幻灯片风格如何调整代码。

• 生成结果截图：展示助手运行后的成果：例如用户输入主题“AI在教育中的应用”及一个简单大纲，程序运行后在工作目录生成了“AI在教育中的应用.pptx”。截图可以展示生成的 PPT 文件中的幻灯片缩略图，看到标题和要点都已填入promptingguide.ai。也可截图部分日志或终端输出提示文件生成成功的信息。

• 测试点与失败案例：测试生成内容的合理性和文档有效性。打开生成的 PPT 确认内容是否符合输入提纲，各幻灯片未出现乱码或错漏。测试当用户输入提纲过长或过短的情况，AI 能否产出合适长度的内容。失败案例：一开始AI生成的PPT代码可能漏掉添加幻灯片布局，导致文件打不开，我们据此说明如何发现并修复。另一个问题：内容可能过多超出一页，我们可以改进为自动拆成多张幻灯片（这一优化作为思考题留给读者，提示AI也能实现）。

• 术语解释：介绍PPT文件结构、幻灯片、文本框等概念，解释我们使用的python-pptx库简要原理。澄清AI生成内容与实际PPT格式可能存在的差异，例如AI产出的是文本需程序放置到幻灯片中。本案例涉及多模态输出的雏形（文本到图形文档），为后续多模态项目做铺垫。

第10章 综合案例二：内容创作 Bot

• 目标概述：本章实现一个内容创作机器人，可以根据用户的指示自动撰写文章、博客或社交媒体帖文等内容。通过构建此Bot，读者将学习复杂Prompt设计（如引导模型遵循特定风格、分段输出）以及如何让AI生成较长的连贯文本，并简单探讨内容质量控制的方法。这个Bot可以用于自动化写作、营销文案生成等场景。

• 提示词结构：为了生成Bot代码，我们将详细描述Bot的功能需求：支持多种文体（文章、诗歌、广告词等）的生成，允许用户指定主题和风格长度等参数。提示AI使用Python实现一个CLI或简易GUI程序，核心逻辑：根据用户输入参数构造一个精细Prompt调用LLM得到创作内容。提示词强调要多步处理：例如先让模型列出内容提纲，再逐段生成正文，以提高一致性。这些步骤可以让AI逐步生成代码：一个函数 generate_outline(topic, style) 通过OpenAI列出提纲，另一个函数 generate_content(outline, style) 按提纲生成各段落内容，最后主程序组合输出。

• 流程图：绘制内容创作Bot运行流程：用户输入所需文章主题+风格 -> 程序构建第一个Prompt请求提纲 -> LLM返回提纲 -> 程序构建第二个Prompt逐段创作 -> LLM返回完整内容 -> 程序输出/保存内容。流程图中将提示词如何变化、模型如何迭代被清晰地表示，让读者理解渐进式提示的重要性。

• 可视化代码生成过程：分段展示AI生成Bot代码的过程：1）AI 生成 outline_generator() 函数代码，截图显示其调用模型获取提纲逻辑；2）AI 生成 content_generator() 函数代码，截图展示其如何遍历提纲并调用模型生成段落文本；3）AI 生成 main() 或 CLI 交互部分，将二者连接并处理用户输入输出。我们将重点说明AI如何被我们指引处理长文本：比如在Prompt加入“请控制文章在500字左右，分三段”等，AI 代码中体现这些参数。若AI 代码初版没有满足，我们如何通过编辑提示或直接修改部分代码再让AI接续完善。

• 样例项目代码结构：项目可能包含：

• writer_bot.py：主脚本，包括提纲生成和内容生成逻辑（如果代码较长，也可分为 outline.py 和 content.py 模块）；

• prompts/（可选）：存放一些预定义的写作风格或示例Prompt模板，提升复用性。
  解释如何扩展：例如增加对多语言写作的支持，可通过在提示中增加语言参数实现。

• 生成结果截图：展示Bot运行实例。比如用户命令：“写一篇轻松风格的关于AI在医疗领域应用的博客，三段落”，截图中程序输出了拟好的标题和段落内容ibm.com。内容应大致连贯、符合同意的风格。若篇幅过长，可只截取部分并说明长度。也可以展示Bot将结果保存到文件的提示，表明内容成功写入文本。

• 测试点与失败案例：检查生成内容质量，如是否紧扣主题、有无跑题。测试不同风格参数（正式/幽默）对输出的影响，确保代码在Prompt里正确传递风格要求。失败案例：初次AI生成代码可能没有提纲步骤直接一次性生成全文，导致结构混乱。我们分析优缺点，最终通过两阶段Prompt改进效果。另一个问题是模型容易返回超长内容或不遵守字数要求，我们讨论这种模型守规问题以及可能的应对策略（如截断输出或提示里明确长度约束，但仍需监督）。

• 术语解释：“风格（style）”“语调（tone）”“连贯性（coherence）”等写作相关概念，以及提示模板的概念——可以预先设计好一段含变量的提示以复用。确保读者理解我们是在教AI写作，以及如何用程序自动化调用AI来批量生成内容的思路。

第11章 综合案例三：工单处理自动化系统

• 目标概述：本章挑战更贴近企业应用的场景 —— 开发一个自动化工单处理系统。该系统能够读取客户提交的工单（例如维修请求、投诉等），利用 AI 分类其类型、提取关键信息，甚至自动拟草回复或解决方案。本案例综合运用前面所学，包括文本解析、分类、生成回复等功能，让读者体会 AI 在企业流程自动化中的价值。

• 提示词结构：向 AI 说明此系统需求时，要涵盖多个功能模块：读取工单内容（假设以文本或表格形式存储）、分类（例如“报修”“投诉”“咨询”等类别）、提取重点字段（如用户姓名、产品型号、问题描述），以及生成回复建议。提示词可能需引导 AI 逐步完成：先生成分类模块代码，再生成信息提取模块，最后生成回复生成模块，然后组合在一起。我们明确要求使用某些NLP技巧：如分类可基于关键词或零样本推理模型，提取可用正则或简单NLP库（比如 spaCy）。提示中若涉及外部库，要指定安装导入方法。整体而言，这个Prompt较复杂，需要分解说明各子任务并希望AI分别生成。

• 流程图：绘制工单处理流程：系统监控到新工单 -> 解析工单内容 -> 分类确定处理部门/优先级 -> 提取关键数据（可能用于记录或自动填表） -> 若有模板，生成初步回复或解决方案建议 -> 人工审核后发送客户。流程图突出 AI 参与的环节：分类和回复生成。也展示AI如何与工单系统接口（假设简化为读取文件或数据库）。

• 可视化代码生成过程：将代码生成过程按照模块划分：1）分类模块：Cursor 生成 classifier.py，包含 classify_ticket(text) 函数。截图展示AI采用简单规则或提示GPT分类的代码sangeethasaravanan.medium.com（如内置几个类别关键字映射，或直接用OpenAI分类模型）；2）信息提取模块：生成 extractor.py，提供 extract_info(text) 函数，可能通过正则识别"订单号:1234"这类字段或调用简单NLP。截图显示AI提取代码逻辑。3）回复生成模块：生成 responder.py，提供 generate_response(category, info) 函数，利用预定义回复模板或 LLM 根据类别生成解决方案sangeethasaravanan.medium.com。截图展示AI根据类别选不同风格回复的实现。最后集成 main.py：读取模拟工单数据、调用上述模块、输出结果（分类结果+建议回复），截图显示AI组装这些模块的代码段。整个过程中，如AI出现先后不一致（比如分类类别名和回复模块不匹配），我们演示如何调整提示确保统一。

• 样例项目代码结构：模块化清晰：

• classifier.py：分类工单；

• extractor.py：提取信息；

• responder.py：生成回复；

• main.py：主脚本，整合流程；

• sample_tickets.txt：示例工单数据。
  讲解如何替换为真实情境（如对接数据库、网络接口），并指出模块隔离的好处：方便替换更高级算法（如将简单分类换成AI模型服务）。

• 生成结果截图：展示一条示例工单处理的完整输出。例如工单文本：“客户张三反馈其购买的X产品无法开机需要维修”，系统输出分类“报修”，提取信息如{name: 张三, product: X产品, issue: 无法开机}，以及建议回复“您好张三，我们已收到您关于X产品无法开机的报修请求…”. 截图包含终端打印的这些结果或日志。

• 测试点与失败案例：测试不同类别工单（投诉 vs 咨询）的分类准确度和回复差异；测试字段缺失或格式异常的工单，提取模块能否健壮处理。失败案例：AI 初版分类规则可能混淆相似类别，举例说明在提示中加入更多示例如何提高准确性。另可能回复口吻不妥（太生硬或不专业），我们通过在Prompt中规定语气（礼貌+简洁）改进之sangeethasaravanan.medium.com。强调最终回复给客户前应由人工审核，提示AI生成代码时也加入相应注释警示，这体现人机协作的必要。

• 术语解释：介绍“工单系统”“分类标签”“模板回复”等业务术语。解释正则表达式用于信息提取的原理（非编程读者可简单理解为模式匹配文本）。涉及到的NLP概念如零样本分类等也做简要说明。

第12章 综合案例四：视觉问答微应用

• 目标概述：本章实现一个小型视觉问答应用，让读者体验多模态AI项目。应用功能：用户提供一张图片和一个问题，系统利用图像识别模型获取图像内容，再结合语言模型回答问题。例如上传一张风景照问“这是什么地方？”，系统先识图得到可能的地点信息，再由语言模型给出回答。这让读者尝试整合计算机视觉和LLM，在 Vibe Coding 框架下开发多模态应用。

• 提示词结构：针对视觉问答项目，我们提示 AI 生成的代码涉及调用现有图像识别API或模型（考虑简易，使用现成的如百度OCR或AWS Rekognition，或者OpenAI的图像识别如果有）。提示内容包括：用Python编写一个接受图像文件和文本问题的程序，首先对图像执行分析获取描述或标签，然后将图像描述和用户问题一起作为Prompt给ChatGPT得到回答。我们要求模块化设计：vision.py 处理图像 -> qa.py 处理问答。提示词明确使用某个公开的图像API（以减少模型实现复杂度），并示例API的返回结构供AI参考。

• 流程图：绘制视觉问答流程：用户提供图片+问题 -> 图像分析模块（调用CV API，输出描述/标签）-> 将问题和图像描述整合为Prompt -> 调用LLM生成答案 -> 返回给用户。流程图特别强调图像信息如何融入Prompt，例如Prompt模板：“这是一张描述为{标签}的图片。问：{用户问题}。请基于图片内容回答。”

• 可视化代码生成过程：使用 Cursor 生成图像分析代码：如AI编写 analyze_image(image_path) 函数，内部调用假定的API（示例：AWS Rekognition或者OpenAI Vision API），截图显示AI对API用法的实现（如果无法确知接口细节，我们提供伪代码形式，AI通常会给出假定代码）。再生成QA代码：answer_question(image_info, question) 函数，将image_info和question组装Prompt调用语言模型。截图展示Prompt构建和模型调用代码。最后 main.py 整合：接受命令行参数或固定测试图像路径，调用上述函数并打印答案。展示AI生成这些部分代码的过程截图，重点说明Prompt如何设计。

• 样例项目代码结构：主要模块：

• vision.py：包含 analyze_image 函数，封装图像识别API调用；

• qa.py：包含 answer_question 函数，封装LLM问答调用；

• main.py：整合以上，实现一个简单交互或读取测试文件运行。
  若使用外部API服务，还会有配置文件存放API Key，使用说明等。

• 生成结果截图：展示用一张示例图和问题运行的结果。例如提供一张猫的照片，问“这只猫是什么品种？”，系统可能识别出“图像中是一只橘色的短毛猫”，然后回答“这可能是一只橘色虎斑猫”。截图包括终端输出或日志，显示图像分析结果和最终答案。也可加入识别API返回的JSON片段截图，让读者了解底层数据。

• 测试点与失败案例：测试各种图像和问题：如问题与图像无关时，系统应察觉并提示无法回答（测试Prompt要引导模型在无法根据图像回答时拒绝或说不确定）。失败案例：最初AI生成的代码可能对接API不正确或忽略某步，例如忘记将图像转换合适格式。通过报错信息截图，说明我们如何调整提示或代码解决。另一个挑战是LLM可能基于常识回答而非图像内容，我们强调提示需反复提醒模型依据提供的图像信息回答sangeethasaravanan.medium.com。可能在Prompt加入“只根据以上图像描述回答，不要添加额外猜测”。

• 术语解释：解释“多模态”“计算机视觉（CV）”“OCR”“图像识别”等概念。说明API与本地模型的区别，以及常用的视觉AI服务。强调这是读者首次接触非文本输入的AI编程，属于难度提升点，但掌握后将大大拓展可开发应用范围。

第13章 进阶技巧：AI 生成代码的测试自动化

• 目标概述：进入进阶部分，首先讨论测试自动化在 AI 编码过程的重要作用。本章教授读者如何用AI来辅助生成单元测试代码，以及如何将持续测试融入开发循环，实现代码变更后自动运行测试，提升项目稳健性cloud.google.com。这不仅巩固读者对代码正确性的重视，也展示AI在保证代码质量方面的用途。

• 编写测试用例的提示：演示如何通过提示让 AI 为之前章节的项目生成测试代码。例如选取 CLI 聊天机器人项目，提示AI：“为 chatobot.py 编写三个 PyTest 单元测试：情况1-正常对话返回预期回答，情况2-用户输入exit正常退出，情况3-遇到网络错误抛出异常”。AI 将输出对应的测试函数代码cloud.google.com。截图展示这些 AI 生成的测试代码，并强调 AI 能快速覆盖常见场景，但也可能遗漏边角情况，需要我们审查。

• 集成测试与持续集成：介绍如何设置自动化测试环境，如使用 pytest 运行测试套件。指导读者编写一个简单的CI脚本或GitHub Actions配置，在每次代码生成/修改后运行测试。虽然这部分需要些编码细节，我们可利用AI生成 YAML 配置文件的片段。展示一个工作流程示意：开发者用AI生成代码 -> 触发测试 -> 测试结果反馈，若失败则根据信息提示AI修改代码。

• Prompt 驱动测试：提出一种思路：让 AI 自己基于代码和需求生成测试输入并检查输出是否正确，即Prompt 级测试。例如利用ChatGPT描述：“如果函数应该返回列表，当输入X时，期望输出Y”，让AI直接判断当前代码行为是否一致，从而发现潜在问题。引用Google的做法：他们让AI先写代码再让AI写测试确保代码质量cloud.google.com。虽然读者未必成熟应用，但介绍这一前沿思想拓宽视野。

• 可视化过程：用一个具体实例展示AI生成测试->运行测试->根据失败信息再让AI修复代码的循环。截图1：AI生成的测试，其中有一个故意失败（比如我们的聊天机器人没处理空输入，但测试覆盖了空输入应报错的情形）。截图2：运行pytest结果显示哪个测试失败。截图3：我们将失败原因（AssertionError等）反馈给AI，提示“修改代码通过测试”，AI 生成改进的代码。通过这组图文说明AI辅助调试的强大作用simonwillison.netsimonwillison.net。

• 挑战与注意：讨论AI生成的测试本身也需要审查，不能绝对信任。特别是AI有时对功能理解偏差，写的断言不正确。因此人作为监督者要review测试是否真正验证需求。引入“测试即文档”思想：测试用例描述的期望行为本身帮助澄清需求，在人机协作开发中非常有益。

• 术语解释：澄清“单元测试”“集成测试”“持续集成（CI）”“断言”等概念。解释PyTest等测试框架基本原理。强调即使读者不懂所有代码，也应明白测试的通过与否决定了代码是否可信，从而愿意投入精力学习这部分。

第14章 进阶技巧：Prompt 单元测试与质量评估

• 目标概述：本章探讨如何对提示词（Prompt）本身进行测试和评估。随着项目复杂度上升，Prompt 对输出的控制力至关重要，我们需要确保 Prompt 修改不会造成其他功能退化。这类似于软件的单元测试概念，但对象变为Prompt。读者将学到在 Prompt 工程中引入自动化检查的方法，提高 Prompt 的可靠性和可调试性。

• Prompt 单元测试理念：解释什么是 Prompt 的“单元测试”。即针对一个Prompt设计若干输入情景（上下文），预期模型输出满足某些要求，通过批量调用模型验证。如果有偏差就算测试失败blog.csdn.net。这种方法可用于回归测试：当Prompt更新后，用相同测试检查输出变化。强调这是前沿实践，未必成熟，但值得尝试。

• 实例：FAQ 机器人 Prompt 测试：以知识库问答系统为例，其Prompt要求模型未找到答案时回复“不知道”。设计三个测试问题：一个知识库有答案的问题、一个没有答案的问题、一个边界模糊的问题。通过脚本自动调用模型3次，收集回复，判断是否符合预期（如第二问模型确实回答“不知道”）。展示AI生成的测试脚本代码blog.csdn.net，它可能使用OpenAI API，输入固定Prompt+问题，看输出包含关键词“不知道”。截图展示测试脚本及执行结果通过/不通过的情况。

• 工具与框架：介绍社区已有的一些 Prompt 测试工具，如 Promptfoo、Langfuse 等支持A/B测试和打分的框架langfuse.com。比如Langfuse可以版本化Prompt，随机路由不同版本收集用户反馈langfuse.com。亦可提及微软Guidance等允许对LLM输出加约束检查。鼓励读者结合项目使用这些工具，尽管本书主要以自建简单方法为主。

• 可视化过程：选取内容创作Bot或工单回复中的Prompt，演示Prompt单测。截图1：Prompt模板及预期格式说明。截图2：测试用例表（输入->预期输出片段）。截图3：运行测试工具或脚本结果，若某项失败，高亮显示预期与实际的差异。这样读者直观理解Prompt修改影响输出如何被检测到，例如我们把回复语气从礼貌改幽默，测试可能发现某些正式场景下不适合。

• 维护Prompt的最佳实践：总结在项目中维护高质量Prompt的一些建议：版本控制Prompt文件，每次修改伴随注释；建立Prompt Library，不同功能的Prompt分开存储；在上线前对关键Prompt进行人工review和模拟测试；以及A/B测试在Prompt优化中的作用（为下一章埋下引子）。

• 术语解释：解释“回归测试”“评估指标”等。尤其说明Prompt输出的评估不同于代码的确定性：需要选取合理衡量标准，比如包含特定关键词、回答正确性（可能需要人工或AI辅助判断）。引出LLM-as-a-judge概念（用AI评价AI输出）但提醒可能的偏差。本章前沿性质浓厚，但内容深入浅出，为读者日后深入Prompt工程指明方向。

第15章 进阶技巧：AI代码重构与优化

• 目标概述：在长期项目中，代码需要不断重构优化。本章讨论如何利用 AI 助手对现有代码进行重构（Refactor），包括提升代码可读性、消除重复、优化性能等。读者将学习用提示引导 AI 理解大段现有代码并提出改进，以及半自动地应用这些改进，从而迭代完善项目代码库ibm.com。

• 重构的重要性：结合前面章节的开发经历，指出AI初次生成的代码往往为完成功能而牺牲结构和性能，因此需要重构。例如在工单系统中可能出现大量硬编码规则，可重构为配置驱动；在内容Bot中部分代码可提取公用函数等。强调重构不会改变功能，但让代码更优雅，这是软件工程的重要实践ai.plainenglish.io。

• 提示AI进行重构：演示如何写Prompt请 AI 重构代码。例如对内容创作Bot的 writer_bot.py，提示：“重构此代码，将提纲生成和内容生成拆分成独立类，各方法添加文档字符串，并移除冗余变量”。AI 将输出修改后的代码ai.plainenglish.io。截图对比重构前后的代码差异，标出AI做了哪些改进（例如代码去重、函数粒度调整）。也可以多轮交互：AI改完后，我们进一步提示“请确保符合PEP8规范，变量命名有意义”，AI再作调整。

• Cursor 的重构助力：介绍 Cursor 编辑器内建的AI重构功能，如选中代码点击“Fix with AI”按钮，让AI直接修改代码builder.io。读者可以尝试在 Cursor 中对之前项目代码进行重构操作。说明Cursor如何高亮改动并允许用户选择接受与否。强调人工审阅仍然必要：确保AI改动没引入新bug（因此重构后需跑测试章的测试验证）。

• 性能优化：除了代码结构，AI也可建议性能改进。例如大数据处理改用生成器节省内存，或将多个API调用并行化。我们可以示例：Prompt问AI“分析这段代码的效率瓶颈并优化”，针对某项目慢点（比如逐行处理文件），AI 可能建议批量读取等。虽然初学者对性能细节未必敏感，但让他们知道AI也具备一定性能优化能力builder.io。

• 可视化过程：挑选一份有瑕疵的代码片段，用Cursor截屏展现AI重构建议的弹窗或diff视图，旁边解释变化。或展示AI把一段重复代码抽取成函数的对比图。通过这些可视化，读者能切身体会重构带来的代码质量提升。

• 潜在问题：提醒AI重构也非完美：可能发生过度重构（把简单代码搞复杂）或功能误改。举例AI曾错误地改变算法逻辑（如把深拷贝改成浅拷贝导致bug），说明在关键代码重构时需要谨慎，多运行测试验证。

• 术语解释：解释“重构（Refactor）”的含义、“代码异味（Code Smell）”“DRY原则（Don't Repeat Yourself）”等。说明重构不同于优化，前者关注代码结构可维护性，后者关注性能，两者往往相辅相成。本章旨在提高读者在AI帮助下持续改进代码的意识和能力。

第16章 进阶技巧：Cursor 插件精选与配置

• 目标概述：本章聚焦 Cursor 编辑器的高阶用法，包括推荐的插件和配置，帮助读者打造更顺畅高效的 AI 编程环境。通过了解 Cursor 的各种贴心功能，读者可以进一步提升 Vibe Coding 的体验，比如更快定位问题、与团队协作等。

• Cursor 强力功能回顾：简述 Cursor 内建的一些强力功能：如多文件Tab自动补全builder.io、一键错误修复和调试按钮builder.io、代码上下文记忆等。确保读者充分发掘 Cursor 默认提供的AI能力，而不仅限于前几章基础使用。举例说明：Cursor的“Debug with AI”可以读取错误堆栈并让AI直接给出修复建议builder.io；“Explain Code”功能可帮助非程序员读者理解AI生成的复杂代码段，这非常实用。

• 热门插件推荐：列出在 Cursor 或相关IDE中，可以配合AI使用的优秀插件。例如：

• Linting/Formatting 插件：自动代码格式检查 (如 ESLint、Black)，与AI生成结合确保代码风格一致。

• GitLens：版本控制可视化插件，方便查看AI每步提交的变更（类似时间轴）。

• Error Lens：高亮显示运行时错误行，可搭配AI快速导航修复。

• ChatGPT or Copilot Chat 插件：在编辑器侧边提供对话窗口，便于一边看代码一边问AI。
  对每个插件简要介绍其功能和安装方法。提示这些插件大多有VSCode版，而Cursor本身可能集成部分功能。

• 配置优化：分享一些Cursor的配置技巧：

• 调整AI模型参数：Cursor允许选择模型（GPT-4/3.5等）docs.cursor.com, 可根据任务需要切换速度与质量；

• 内存/上下文设置：大型项目时如何利用 Cursor 的 Codebase Indexing 提高AI对项目理解docs.cursor.com；

• 键盘快捷键：如常用的 Cmd+K 唤出AI对话builder.io（用户也可更改避免冲突），还有快速执行单元测试或运行代码的快捷键，提高效率。

• 主题和界面：选择合适的主题让AI生成代码高亮更清晰等，增强长时间编写的舒适度。

• 实用技巧：介绍一些使用 Cursor + Copilot 的小贴士：比如逐行验证策略——在AI生成一段代码后，逐步运行/测试，Cursor可以在终端一键执行Python代码，看结果是否符合预期，然后继续下一段。再如片段生成——选中部分TODO注释让AI生成特定函数，而不是一次生成整文件，提高可控性。

• 问题排查：如果 Cursor 提示出错或卡住，如何处理？建议读者：清除下问或者拆分问题，或检查自己Prompt有无触发敏感词导致AI拒答。说明 Cursor 本身日志或Request ID获取docs.cursor.com的方法，以便向官方求助。

• 视觉辅导：插入Cursor界面的截图：如侧边Chat窗口、AI自动补全建议弹出、diff对比界面等，直观展示这些插件/配置带来的效果。

• 术语解释：介绍“Lint”“Indexing”“Context窗口长度”等概念，以及Cursor专有的一些名词如Composer模式、Agent模式等builder.io。帮助读者不仅会用，还知其然，遇到问题时能理解提示信息含义。

第17章 部署与运维：将 AI 项目发布上线

• 目标概述：完成开发后，将应用部署上线是关键一步。本章教授如何将AI项目部署到云平台（以 Vercel、Railway 为例），让项目可以被他人访问使用。同时介绍部署后的基本运维，如监控日志、扩展规模等。通过实际部署主线项目或先前案例，读者将学会将本地运行的AI应用发布为互联网服务。

• 部署平台选择：比较几种流行部署方案：Vercel适合前后端一体Serverless部署、Railway提供简单后端部署支持多种语言。根据主线项目特点，我们假设使用 Railway 来部署后端 API，Vercel 部署前端界面或Serverless函数。解释这两个平台的优点：免费套餐、自动构建、易与GitHub集成等。

• 部署准备：指导如何在平台上新建项目、连接Git仓库或直接上传代码。需要AI生成一些配置文件：例如 Railway 的 Dockerfile 或 Procfile（如果需要）；Vercel 的 vercel.json 等。演示用 AI 生成Dockerfile 的提示：“为 FastAPI 项目编写 Dockerfile，使用python:3.10镜像，端口8000”，AI输出文件内容。截图展示生成的配置文件并解释关键行。

• 上线过程：以 Railway 为例，截图展示将代码推送到GitHub后，Railway自动构建部署的界面。说明环境变量如 API KEY 如何在平台上安全配置，而不直接硬编码。等待部署完成，通过提供的域名访问服务测试。如果有错误（例如缺少某库），通过平台日志查看并调整。强调日志查看的重要性，在Railway/Vercel控制台可以实时监控应用输出的日志。

• 域名与前端：如果项目需要前端，如主线项目“多模态工作站”可能有网页界面，我们简述将前端部署到 Vercel（因为Vercel擅长静态和前端）。将AI生成的前端代码推至Vercel，一键上线。同时可演示绑定自定义域名的流程（初学者了解即可）。

• 部署截图：提供项目在云平台上的运行截图：包括Railway服务的 Dashboard（显示运行中、请求统计等），以及实际访问接口或网页的截图。例如浏览器请求主线项目的一个功能返回结果的画面，证明部署成功。

• 挑战与优化：谈及部署AI应用可能遇到的问题：如依赖安装失败（解决：检查requirements）、内存超标、API密钥泄露（提醒不要传.git包含密钥）。对每个问题简要给出应对：调整实例配置、使用.env管理密钥等。引导读者思考成本：许多云平台AI调用要花费，如何在设置中控制QPS或使用较小模型以降低成本。

• 术语解释：解释“容器（Container）”“Docker”“Serverless”“环境变量（Environment Variable）”等部署相关概念。帮助非IT背景读者理解云部署的基本思想：本地跑起来->上传云端跑，让全世界可访问。消除对部署的神秘感，增强动手尝试的信心。

第18章 部署与运维：提示词 A/B 测试与模型升级

• 目标概述：上线后，并不意味着高枕无忧。本章讲解如何在生产环境进行提示词的 A/B 测试和模型效果比较，以持续优化应用性能。读者将学会在不影响用户体验的情况下，对比不同Prompt版本或不同模型（如GPT-4 vs GPT-3.5）的效果，以数据驱动地改进系统langfuse.com。

• Prompt A/B测试原理：解释何为 A/B 测试：将流量随机分为两组，分别使用Prompt A和Prompt B，观察哪组表现更优langfuse.com。在AI应用中，这表现为对照两种不同提示词或模型的输出质量指标。强调需要明确的评价指标，如用户反馈评分、任务成功率等。

• 实现方法：介绍在代码中实现A/B分流的简洁方式：例如在API服务里，用随机或用户ID奇偶决定使用Prompt A还是Blangfuse.comlangfuse.com。演示AI生成相应代码片段，将之前API调用那部分拆成两套Prompt（或两种模型api key），根据条件选择。截图展示这样的实现，附注释说明。也提到可以借助现成工具如 Langfuse 的Prompt管理来更方便地做 A/Blangfuse.com。

• 数据收集与分析：部署A/B测试后，需要收集结果数据。介绍可以在响应中增加一些字段或在后台日志记录例如“使用PromptA输出长度X用户评价4星，使用PromptB输出长度Y用户评价5星”。如果读者项目没有用户评分机制，也可以用人工事后判断或用LLM作为判分员langfuse.com。强调样本量和统计显著性的重要性，但不过深究数学，只提醒不要因个别案例误判。

• 模型版本对比：除了Prompt，还可测试新模型效果。例如OpenAI推出新版本模型，可以一部分请求走新模型一部分走旧模型，观察质量、速度和成本差异flow-ai.com。提醒升级模型虽诱人，但可能有细微行为改变，A/B测试有助于评估新模型是否值得完全替代旧模型。

• 可视化：提供A/B测试监控界面的截图或自制图表：例如在一定时间窗内，PromptA/B分别的用户满意度评分柱状图，或两种模型返回错误率对比。可以简单假设数据做一个示意图，让读者直观明白分析过程。若用了现成服务（如Langfuse），也可截图其Dashboard示例。

• 实战案例：列举一个例子：内容创作Bot上线后，团队怀疑改写Prompt能提升幽默风格，于是进行A/B，结果B方案使用户平均停留时长提高了20%。通过这个小故事说明A/B测试带来的收益。

• 术语解释：解释“实验组/对照组（A/B组）”“指标（metric）”“显著性”以及常见的用户指标如留存、转化等（简要提及）。澄清A/B测试需要一定用户基数才有效果，个人小项目可通过人工方式模拟。让读者理解优化是持续的过程，而不仅仅停留在开发阶段。

第19章 部署与运维：日志分析与异常兜底

• 目标概述：本章聚焦AI应用上线后的运行维护，包括日志的收集与分析，以及如何处理异常情况（如模型出错、响应延迟或内容不当）提供兜底策略，保障应用稳定可靠sangeethasaravanan.medium.com。读者将学习运维基本功，使其AI项目在生产环境中安全稳健运行。

• 日志的重要性：讲解为何需要日志：可以记录用户请求、AI输出、执行时间、错误信息等，这些数据是诊断问题和改进的关键。建议在项目中加入适当日志语句，例如每次API调用前后打印提示词和返回长度、每次出现错误打印异常栈等。AI 可以辅助生成日志代码：提示它“在每个关键步骤加入日志，格式: 时间-级别-信息”，AI 会插入 print 或使用 logging 模块代码。展示AI生成的日志代码片段，并说明如何配置日志级别和输出文件。

• 日志分析：学会通过分析日志发现问题模式。如查看一段时间内错误日志，统计频率最高的问题。例如某个问题触发模型总是无法回答，提示需要改进知识库；或者发现每次长输入都会导致超时。介绍基本的日志分析技巧，甚至可以用AI来帮助——将日志文件片段提供给ChatGPT，请它总结常见错误类型。当然，小心不要上传敏感日志给AI。

• 异常兜底策略：讨论AI应用可能出现的异常：模型API超时或返回错误、生成内容不符合要求（比如不恰当或不符合格式）、用户滥用等。针对每类异常，设计兜底方案：

• 超时/无响应：设置调用超时时间，一旦超时返回预设答复如“抱歉，当前繁忙请稍后重试”，并在后台重试或上报sangeethasaravanan.medium.com。

• 格式错误：如果模型输出不符合JSON等格式，可尝试自动重试一次，或使用Guardrails库验证格式并纠偏sangeethasaravanan.medium.com。

• 内容不当：集成内容审核（OpenAI Moderation或第三方），如检测到毒性则返回安全提示而非模型原输出sangeethasaravanan.medium.comsangeethasaravanan.medium.com。

• 服务不可用：如果AI服务本身挂掉，系统应快速切换到备用模型或返回备用答案（如一个通用抱歉回复），保证不崩溃requesty.aiquarkus.io。

• 实现兜底：可以让AI生成部分代码实现上述逻辑。例如用try/except围绕API调用，多捕获一些异常并处理；或使用guardrails框架定义输出schema，AI自动重试sangeethasaravanan.medium.com。截图展示添加这些容错代码的关键片段。再如多提供两个模型API keys，主服务失败时调用备用服务（OpenAI vs Anthropic），实现多提供商冗余requesty.ai。

• 监控报警：简要提及设置监控的思路：例如通过日记或指标，如错误率超一定阈值触发邮件/短信通知。这超出初学者实现范围，但可以提示有现成SaaS或平台工具。

• 可视化：给出异常处理流程图：例如模型返回检测->通过/不通过->不通过时走兜底路径（如返回预设答案并记录日志）。也可以截图假设一个日志片段和标注其中关键异常记录、耗时信息，让读者感受分析方法。

• 术语解释：解释“兜底（Fallback）”“容错（Fault Tolerance）”“监控（Monitoring）”等。特别介绍 Guardrails 概念sangeethasaravanan.medium.com，指出一些工具（如 Nvidia NeMo Guardrails）可方便实现输出验证和重试sangeethasaravanan.medium.com。强调 AI 应用上线后开发者责任：持续关注模型表现，及时调整策略以确保用户获得稳定可靠的服务sangeethasaravanan.medium.com。

第20章 主线项目（上）：多模态创作 AI 工作站框架搭建

• 目标概述：从本章开始，读者将综合运用前面章节所学，分段实现贯穿全书的主线项目——多模态创作 AI 工作站。本章主要搭建项目基础框架，包括确定功能模块、建立项目结构、实现核心架构。多模态工作站旨在提供一个平台，让用户在其中进行文本、图像、甚至音频的创意生成和交互。本章之后，21、22章将逐步填充各模块细节并完成部署。

• 项目愿景：先向读者描绘主线项目的全貌：它汇聚此前多个小项目功能于一身——既能聊天答疑，又能生成内容、制作PPT，甚至处理图像问答，成为一个综合性AI工具集。用户界面拟采用Web界面，方便选择不同功能。此处明确各子功能：聊天助手、知识问答、内容创作、PPT生成、视觉问答等，以及如何在一个应用中组织它们。

• 模块划分：根据功能将项目分为若干模块/子系统：

• 对话模块（Chat Module）：用于一般聊天和问答（整合CLI聊天机器人的能力和知识库QA）；

• 创作模块（Creation Module）：用于生成文章、博客等内容（整合内容创作Bot功能）；

• 演示模块（Presentation Module）：用于生成PPT（整合PPT助手功能）；

• 视觉模块（Vision Module）：用于图像问答（整合视觉QA）；
  每个模块可以有前端界面和后端API分别实现。提示AI按照MVC思想组织代码，如各模块有各自路由。

• 项目结构建立：利用AI生成初始项目目录和文件。提示词示例：“创建一个多模块Flask应用，每个子应用在 blueprint 下：chat, creation, presentation, vision。设置 main.py 来启动整个应用。” AI 输出的结构比如：

• app/

• init.py

• chat.py

• creation.py

• presentation.py

• vision.py

• templates/（如有前端页面）

• static/（静态资源）

• main.py
  截图展示AI生成的项目结构树和关键初始化代码。

• 核心架构实现：让AI生成 app/init.py 内容：注册各模块blueprint，配置全局设置。截图展示代码并解释 Flask blueprint 的概念。然后生成一个简单的模块骨架代码，例如 chat.py 内定义路由 /chat 返回“Chat module up”占位内容等等，保证整体可运行。

• 流程图：绘制工作站高层架构图：前端各功能入口 -> 后端各模块 -> 内部再调用LLM或其他服务 -> 返回结果。让读者清楚模块之间关系和数据流向。

• 整合先前成果：在本章可能不实现所有细节，但指出将复用前面章节的算法和提示：例如 Chat模块将用到CLI聊天机器人的逻辑、知识库检索；Creation模块用之前的内容Bot；Presentation模块会调用之前的PPT生成代码；Vision模块复用视觉QA逻辑。为避免重复，实际实现中会提取公共部分如 LLM API 调用作为一个util模块。

• 样例项目代码结构：列出当前完成的文件和空函数列表，表示框架已就绪，功能待填充：

• app/chat.py：（函数 get_answer(question) 待实现：结合知识库和聊天）

• app/creation.py：（函数 create_content(params) 待实现）

• ...

• main.py：启动 Flask 应用。
  这让读者知道接下来每章会往这些模块里添加代码。

• 测试框架：在结尾提醒已配置测试环境依然可用，鼓励读者在完善每模块后编写测试确保各部分协同工作。当前可以启动服务器（截图终端输出“Running on http://localhost:5000”），并访问各模块URL返回占位响应，验证路由正常工作。

• 术语解释：复习并解释“模块”“Blueprint”“MVC 架构”等。因为项目开始变大，概念跟上很重要。强调架构清晰可扩展的重要性，这也是为何前面小项目没有简单糅合而是最后专章来集成。

第21章 主线项目（中）：多模态功能实现与集成

• 目标概述：本章在上一章框架基础上，填充各功能模块的具体实现逻辑，使多模态创作工作站具备实际可用的核心功能。我们将重点实现聊天/问答、内容创作、PPT生成和视觉问答四大功能，并让它们共享统一的用户界面和后台服务结构。读者将在此过程中看到跨模块协作的代码，以及如何在一个大型项目中管理提示词和配置。

• 聊天与知识问答集成：完善 Chat 模块。复用第5章 CLI 聊天机器人代码，实现与用户自由对话；同时融合第7章知识库QA功能，当检测到问题属于知识库范围时，引入知识库检索提供更准确答案。实现思路：在 chat.py 的 get_answer(question) 中，先调用知识检索 find_relevant() 判断是否有高相关资料，若有则构造"根据以下资料回答: ... [资料] 问: ..."这样的Prompt调用LLM回答cloud.google.com；若无则走普通对话模式调用LLM。提示AI生成相应代码，展示关键片段截图。处理上下文对话状态，可使用Session或简单全局缓存最近对话，实现连续对话记忆。

• 内容创作模块：完善 Creation 模块。集成第10章内容Bot逻辑，实现一个 /create 接口，接受参数如主题、风格等，返回生成的文章。将之前 outline_generator 和 content_generator 函数整合，或直接将提示词组装放在此模块处理。AI 生成代码后，我们优化它能返回段落分段的结果。截图展示Creation模块生成内容的核心Prompt和调用。

• PPT生成模块：完善 Presentation 模块。复用第9章PPT助手代码。在 /presentation 接口实现: 接收演示主题或大纲 -> 调用内容生成逻辑（可能复用 Creation 模块的生成函数，只是生成结果格式不同）-> 调用 PPT 生成函数创建pptx文件 -> 返回下载链接或存储路径。AI 生成这部分代码，我们校对确保文件IO正确。截图展示生成 PPT 的部分日志或结果通知代码。由于无法直接在HTTP响应中发送二进制文件（除非前端下载），可以选择将 PPT 保存在服务器并提供下载URL，此细节向读者解释。

• 视觉问答模块：完善 Vision 模块。复用第12章视觉QA逻辑，实现 /vision 接口：接受上传图像和提问 -> 用以前的 analyze_image 获取描述 -> 将描述和问题交给LLM回答 -> 返回答案文本。AI 生成Flask处理文件上传的代码（使用 request.files 等），我们检查安全性如限制文件大小格式。截图展示Vision模块调用CV API以及返回答案的主要代码段。测试时可用一张示例图编码为base64发送，书中说明web界面将在下一章开发。

• 模块协作与共享：确保各模块共用的部分（如调用OpenAI API的key、通用Prompt片段）提取到配置或util中，例如 app/utils.py 里写一个 call_llm(prompt) 函数，各模块调用之。这样方便管理。AI 协助我们提炼，截图展示util函数的代码。

• 前后端联调：由于本章主要做后端，实现后可用curl等测试接口是否正常返回。但我们也初步规划前端如何调用。例如Chat模块将对应一个聊天页面，通过AJAX不断POST提问；Creation模块在前端提供表单提交获取文章；Vision模块需要前端支持文件上传。虽未实现前端，在此写出各接口的URL和使用方法供第22章用。

• 样例项目代码结构：更新列出现在完整实现的主要代码文件和重要函数：

• app/chat.py：实现对话与知识库QA（列出函数 get_answer 等）；

• app/creation.py：实现内容生成（函数 generate_article 等）；

• app/presentation.py：实现PPT生成（函数 create_ppt 等，调用 utils.save_ppt 保存文件）；

• app/vision.py：实现图像问答（函数 answer_image_question 等）；

• app/utils.py：封装通用AI调用、日志、错误处理等。

• 测试与演示：通过在本地运行服务器，使用模拟请求测试每个模块：

• Chat：终端下用curl发送 /chat 提问，观察JSON回答；

• Creation：发送主题看看返回文章摘要片段；

• Presentation：请求PPT生成，验证服务器创建了pptx文件；

• Vision：发送测试图像，看回答合理性。
  讲解每步测试结果，附部分终端IO截图证明功能已打通。当然，全功能需要第22章前端来友好展现，但此时后端引擎已经齐全。

• 术语解释：解释“接口（endpoint）”“HTTP请求/响应”等Web开发基本术语，确保读者理解前端通过URL触发我们实现的各功能。指出多模态集成后的复杂度上升，但因为模块化清晰，开发仍有条不紊，这是本书Vibe Coding方法论的胜利成果。

第22章 主线项目（下）：前端实现与项目完成发布

• 目标概述：主线项目的最后冲刺。本章将为多模态创作工作站开发前端界面，使各功能模块以友好的方式呈现给用户，并实现与后端接口的交互。完成前端后，将工作站部署上线，提供给读者试用体验。本章标志着一个完整 AI 项目的诞生，也为全书画上圆满句号。

• 前端技术选型：考虑读者背景简单，我们选择轻量的前端方案，例如直接用 HTML/CSS/JavaScript 或简易前端框架（如Bootstrap 搭配 jQuery）开发。解释这样做易于AI生成代码且读者理解，不深陷前端复杂性。若有兴趣可日后替换为React等。

• 界面设计：描述各功能页面结构：

• 首页：导航链接到各子功能页面。

• 聊天页：对话窗口UI（类似简易聊天盒），左侧显示历史问答，底部输入框发送问题。

• 创作页：表单允许输入主题、选择风格的下拉框，提交后在页面下方显示生成的文章文本。

• 演示页：输入演示标题/大纲，多选是否包含图像（如简单扩展），提交后提供下载 PPT 链接。

• 视觉问答页：文件选择控件 + 输入问题文本，提交后显示图像缩略图和答案文本。
  我们给AI的提示包含上述布局要求和用Bootstrap美化的期望，让其生成初步HTML。

• 生成前端代码：AI 分别生成 HTML模板和JavaScript。我们可以采用 Flask 模板渲染（Jinja2），但为简化理解，也可做纯静态HTML调用后端REST接口。选择后者更直观：前端JS用 fetch 请求我们的 Flask后端API。AI将生成若干HTML文件，各含基本结构和JS脚本。截图展示例如 chat.html 里的聊天框结构和用于调用 /chat 接口的 JS 代码（使用 fetch('/chat', {method:'POST', body:...}) 发送用户输入，收到JSON后更新对话框）。

• 集成与打磨：将AI生成的前端文件放入 templates/ 或 static/ 文件夹，并配置 Flask 使之可访问（在 main.py 添加静态文件路由或简单的 send_from_directory）。修改后端接口返回格式以便前端处理，例如统一返回 JSON，比如 {"answer": "...", "status": 0} 等。可能需要调整CORS或JSONify方法。对这些我们通过AI提示和自主修改解决，记录修正过程。

• 用户体验优化：加入一些前端提示和错误处理：如生成内容时加载动画、错误时弹出提示框。AI可以生成基础代码，我们整合。比如 creation.html 增加 “正在生成，请稍候…” 状态指示。Vision模块文件上传通过AJAX需特殊处理 formData，我们确保AI代码正确处理。

• 完成度检查：本阶段我们应完整运行前后端，打开每个页面尝试实际操作：

• 在聊天页输入问题，马上看到AI回复追加在对话框；

• 在创作页提交主题，几秒后文章段落出现在页面；

• 在演示页提交，片刻后出现下载PPT链接，点击可下载文件并打开检查；

• 在视觉页上传测试图片并提问，稍后看到回答文字。
  如果条件允许，我们可截图网页界面的几个功能演示图promptingguide.ai——如聊天页面对话记录、内容页输出的文章、视觉页带有图片和答案等等，展示给读者。

• 部署上线：将完整项目部署。由于上章已经部署后端，这里只需确保静态前端也部署（Railway能托管简单静态文件；或使用Vercel托管前端并将API请求代理到Railway域名）。给出上线后访问URL示例，让读者真正能够体验（如果本书支持在线Demo，可提供二维码）。强调我们使用了环境变量存储API密钥，在部署平台正确配置，截图展示配置界面以教育读者安全意识。

• 项目展望：庆祝项目完成，鼓励读者进行更多扩展：例如增加语音输入（调用语音识别API）使之成为真正多模态（文本、图像、语音）工作站；加入用户登录管理保存创作记录等。点明AI开发世界的广阔前景。

• 术语解释：最后解释一些前端术语如“AJAX”“DOM”“CORS”，并回顾全书涉及的重要概念，巩固知识体系。

附录 ：总结与进阶阅读

• 学习心得：总结 Vibe Coding 的学习之旅，强调读者已掌握从环境配置、提示工程、各类AI项目开发到测试部署的全流程技能。回顾最初Karpathy对vibe coding的展望：如今读者也能“只需给出想法，AI 即刻写出代码”ibm.com。指出虽然路上也要面对调试和优化，但相比传统编程，效率和门槛已有显著改变。

• 最佳实践清单：提供一份简短的清单，总结本书提到的重要实践：例如“始终验证AI生成代码的正确性promptingguide.ai”、“使用单元测试保障功能”、“善用AI工具的高级功能如自动重构和Guardrailssangeethasaravanan.medium.com”、“部署前做好Prompt调优A/B测试”等langfuse.com。

• 拓展阅读：推荐读者深入学习的方向和资料：

• 关于 Prompt Engineering，更系统的指南和社区（如 OpenAI 官方指南、PromptingGuide 等）；

• 关注 AI 编程新工具（如 Replit Ghostwriter、Cursor agent 模式等）的动态，不断尝试builder.io；

• 深入了解AI模型原理：如果有兴趣编码，可补学Python基础、模型调用接口等，这会让与AI协作更高效。

• 安全与伦理方面的学习：AI编程虽快，但要注意数据隐私和模型偏见问题，推荐一些博文和规范守则。

• 读者故事：可能的话，引用一两个已经采用Vibe Coding模式成功转型的开发者案例，激励读者。比如某非科班背景的人用AI实现了自己的创业想法，或者某团队通过AI加速开发上市产品ibm.com。用真实故事结束，让读者满怀信心地投入自己的AI创造之路！

（全书完）

**参考资料：**IBM《What is vibe coding?》ibm.comibm.com、Google Cloud《Vibe Coding Explained》cloud.google.comcloud.google.comcloud.google.com、Simon Willison 博客simonwillison.net、Cursor 官方文档docs.cursor.com、Medium 技术文章等，上述内容为本书提供了理念和技术上的支撑。读者可据此进一步扩展学习，在AI辅助编程的新时代不断探索创新。