课程大纲

第一单元 基于LLM的软件研发思路

利用LLM进行软件研发的思路

1.   LLM智能大模型的应用场景：

1）代码解释：通过LLM对代码进行解释与注释

2）代码改写：通过LLM对原有代码进行优化

3）代码生成：通过LLM根据新需求编写代码

4）代码测试：通过LLM根据新需求编写测试用例

2.   LLM智能大模型核心原理与应用：

1）提示词工程：如何通过提示词的互动，指导LLM编码

2）示例文档上传：如何通过编写与上传示例文档，指导LLM工作

3）搭建本地知识库：通过搭建知识库，为LLM制定开发规范

4）Skills/Rules：为AI提供编程的技能，制订开发的规范

氛围编程vibe coding的AI编程思路

1.   氛围编程（vibe coding）的设计思想

1）设定环境、目标与业务需求

2）让AI去编码，完成开发的工作

3）不断地运行调试与反馈，让AI去修复与解决问题

2.   从传统编程到氛围编程的转变

1）从“实现者”到“引导者/产品经理”的转变

2）从“关注细节”到“关注体验”的转变

3）从“全面地设计”到“快速启动、逐步迭代”的转变

3.   氛围编程（vibe coding）的设计实战

实战演练：图书管理系统的AI编程过程

1）提出最小需求让AI去设计实现

2）提出需求让AI去不断地调试与优化

3）在原有的基础上，提出更多的业务需求

4.   氛围编程（vibe coding）的局限与问题

1）AI编程无法去应对复杂的、大规模的应用开发

2）AI编程同样需要制定相应的编码规范

3）AI编程同样需要架构规划与层次划分

4）AI编程同样需要基于设计思想进行设计编码

结论：AI替代的不是人，而是不会使用AI的人

1）需要更加深刻的理解业务而不是技术

2）需要更强的架构规划与设计能力

3）需要对AI编码的正确与否的甄别与判断能力

4）需要掌握与AI工作与协同的工作技能

契约编程spec coding的AI编程思路

1.   契约编程spec coding与规范驱动开发SDD

1）人与AI一起制订契约（业务需求、业务架构、UI原型、非功能需求）

2）人与AI一起制订技术架构、拆解开发任务

3）AI驱动进行设计、开发、测试与运行调试

2.   从氛围编程到契约编程的转变

1）从“模糊指令”到“精准契约”的转变

2）从“代码优先”到“规范优先”的转变

3）从“实现者”到“架构师/审核者”的转变

4）从“结果不可控”到“过程可验证”的转变

3.   契约编程spec coding的设计实践

实战演练：图书管理系统的AI编程过程

1）为AI制订契约：spec、tasks、checklist

2）人AI基于契约进行设计、开发与调试

3）通过修改契约，迭代地扩展业务需求

4.   契约编程spec coding的探讨与思考

1）用什么方式表达契约：用例模型与领域模型

2）如何制订开发任务：以领域驱动为规范制订开发任务

3）以rules和skills为核心，规范AI的编程质量

案例：以DDD为指导的AI编程实践

1.   制定LLM软件开发的模板与规范：

1）文档模板：架构设计的模板、用例模型的模板、领域模型的模板

2）开发规范：领域对象、服务接口、DSL配置、测试用例的开发规范

3）依次为基础，提前为AI设计一系列的rules和skills

2.   基于领域模型的LLM软件开发：

上半场：梳理业务需求，构建领域模型，形成契约

1）LLM辅助的软件需求探索与业务架构规划

2）LLM辅助编写用例模型，由人来审核

3）LLM辅助编写领域模型，由人来审核

下半场：基于领域模型的AI驱动开发、测试与调试

4）LLM辅助形成数据库设计，编写SQL脚本

5）LLM辅助编写领域对象、服务接口与DSL代码

6）LLM辅助，基于底层平台实现业务代码的编写

7）LLM辅助，基于业务需求创建测试用例代码

8）LLM辅助完成前端的开发，并进行运行调试与优化

第二单元 DDD的AI编程全程演练

业务架构的规划与设计过程

一、业务需求探索与业务架构规划

实战演练：AI辅助与人机结合的业务架构探索过程

二、由粗到细的业务梳理过程

三、动态模型与静态模型相结合的分析过程

1. 动态模型：用例模型

每个用例及其业务流程的梳理过程

2. 静态模型：领域模型

领域对象及其相互关系的梳理过程

用例模型与需求规格说明书

实战演练：在线交易系统的业务梳理过程

1. 用例模型的分析设计过程

1）站在全局的业务规划与战略设计

2）由粗到细的用例建模过程：用例、参与者与系统边界

3）三种类型的用例描述：业务流程、查询报表、图表展示

4）按照用例描述的方式编写需求规格说明书

2. 界面原型设计

3. 演练：基于LLM的进行需求探索，建立用例模型

1）基于LLM进行业务架构的规划与业务需求的探索

2）为用例模型编写设计skills并且不断调教

3）业务架构+skills，让LLM自动生成用例模型与用例描述

4）对LLM生成的用例模型与用例描述进行审查与调教

5）基于用例模型形成最终的需求规格说明书

演练基于LLM的领域建模过程

1.   从领域中吸取业务领域知识

2.   统一语言建模：与用户沟通需求的高级技巧

3.   领域驱动的设计思想：将真实世界与软件世界对应起来

1）将真实世界的事物与软件世界的对象对应起来

2）将真实世界中事物的行为，与软件世界中对象的方法对应起来

3）将真实世界中事物间的关系，与软件世界中对象间的关联对应起来

4.   演练：用LLM基于用例模型形成领域模型

1）为领域模型编写skills并不断调教

2）用例模型+skills，通过LLM形成领域模型

3）对AI生成的领域模型进行梳理与确认

4）按照领域模型划分限界上下文

5.   基于DDD进行业务架构规划

1）为每个限界上下文构建业务领域模型

2）划分并识别主题域、支撑域、通用域

3）落实各子域之间的联系、接口及事件通知机制

6.   对LLM生成的领域模型进行审查与调教

演练基于AI编程的后端开发

1.   利用LLM搭建后端项目软件开发环境

1）编写skill文件定义Springcloud开发环境

2）采用Builder模式，由LLM搭建后端开发环境

3）通过Maven运行并验证后端开发环境

2.   利用LLM将领域模型的设计转变成数据库设计脚本

1）为数据库设计编写skills文件

2）领域模型+skill文件，由LLM生成数据库脚本

3）开发人员对数据库脚本进行审查与优化

3.   利用LLM将领域模型的设计转变成程序设计

1）为领域对象编写skills文件

2）为服务接口编写skills文件

3）为DSL的配置编写skills文件

4）基于领域模型+skills文件，由LLM生成初步的程序代码

5）开发人员对程序代码进行审查与优化

4.   基于DDD的平台规范，由LLM实现业务功能

1）基于DDD的规范，搭建一套支持DDD的开发平台

2）编写DDD开发平台的API接口文档

3）通过注释的方式，对服务接口Service的每个方法进行设计

4）基于接口注释+平台API接口文档，由LLM编写和实现业务功能

5）开发人员对AI生成的程序代码进行审查与调优

5.   基于用例模型的业务需求，由LLM生成测试用例代码

1）为测试用例代码编写skills文件

2）用例模型+skills文件，由LLM生成测试程序代码

3）开发人员对测试代码进行确认与调教，并完成最终的测试

基于DDD的平台架构设计

1.  解决软件层次的复杂性：将业务与技术解耦

2.  整洁架构与六边形架构的设计思想

3.  CQRS命令与查询职责分离的设计思想

4.  基于整洁架构的DDD架构设计思路

1）制作通用仓库与工厂的设计思路

2）引入DSL的思路与设计实现

3）支持DDD的增删改功能架构设计

4）支持DDD的查询功能的架构设计

5.  基于DDD的底层平台，进行AI编程开发

6.  用AI去优化与规范底层开发平台

演练基于AI编程的前端开发

1.   利用LLM搭建前端项目软件开发环境

1）通过业务架构规划的技术选型，搭建React+Vue的前端项目

2）基于LLM创建登录页、主页、用户注册等基础组件

3）启动并验证前端项目

2.   基于用例模型，由LLM规划UI界面，生成界面原型

1）通过读取用例模型，由LLM规划UI/UX

2）基于UI界面规划，由LLM生成界面原型

3）通过人机交互，对界面原型的效果进行调优

3.   由LLM识别后端API接口，进行前后端交互

1）由LLM识别后端API接口，完成前后端交互的开发

2）分别启动前后端应用，运行调试前后端项目

3）由LLM对前后端运行过程中的问题进行分析与修复

第三单元 LLM的高质量软件设计

在AI时代应该如何编程

1.   AI是用于替代人，还是给人提供更加高效的工具？

2.   脱离设计的AI编程只能是低质量的代码

3.   高质量的软件设计才能指导AI高质量地编码维护

结论：AI时代给设计者提出的是更高的设计要求

1）基于业务需求进行分析设计

2）将大任务拆分成无数个小任务

3）基于rules对AI编程进行规范

4）基于rules对AI编写的测试用例进行规范

基于LLM的代码整洁与重构过程

1.  AI编程是软件重构与代码整洁的解决之道

1）解析软件退化的根源与代码整洁

2）传统的软件重构的困境

3）AI编程是软件重构的解决之道

2.   重构是代码整洁与高质量编码的实现方式

1)   准确理解软件重构

2)   每次变更的时候，先重构再实现需求

3)   每过一段时间就通过重构整理一次代码

3.  案例：演练业务需求变更与代码维护过程

1)   基于LLM进行业务需求与用例模型的变更

2)   基于LLM与用例模型进行领域模型的变更

3)   基于用例模型与领域模型的变更，让LLM进行程序代码的变更

4） 基于用例模型与领域模型的变更，让LLM编写新的测试用例

5） 通过测试用例，对新老功能的测试与验证

基于LLM对遗留系统进行优化

案例分析：基于LLM重构一个大型遗留系统

1.   重构第一步：代码可读性

1）讲解代码的规范性与可读性

2）演练用AI对遗留系统的代码进行规范与注释

2.   重构第一步：分解大函数

1）解析超级大函数产生的根源

2）演练用AI进行软件重构：抽取方法

3.   重构第二步：拆分大对象

1）超级大对象拆分的思路：单一职责原则

2）演练用AI进行软件重构：抽取类

4.   重构第三步：提高复用率

1）讲解顺序编程的危害与散弹式修改

2）演练用AI进行代码复用的重构过程

5.   重构第四步：可扩展设计

1）讲解“开放-封闭”的设计原则

2）演练用AI进行代码可扩展设计的4个方法

6.   重构第五步：降低耦合度

案例：利用AI进行工厂模式的软件设计

案例：利用AI进行适配器模式的软件设计

案例：利用AI进行策略模式的软件设计

第四部分 基于LLM的自动化运维

基于LLM搭建自动化发布平台

1.  持续集成工具Jenkins及其运行原理

2.  AI辅助的Jenkins的安装部署过程

1）AI编写Jenkins在Docker的部署脚本

2）AI编写Jenkins在Kubernetes的集群部署脚本

3.  创建自动化流水线Pipeline

1）Pipeline的任务创建与脚本语法

2）Junit + Allure的自动化测试与测试报告

3）基于SonarQube的代码规范性检查

4）基于Jacoco的代码覆盖性检查

5）制作Docker镜像并发布

6）在Kubernetes分布式云平台部署

4.  演练：由LLM编写基于Pipeline的持续集成脚本

演练电商订单系统的自动化部署

1.   一个完整项目的微服务拆分与Git发布

2.   通过AI为每个微服务项目创建pipeline脚本

3.   通过AI每个微服务编写自动化测试脚本

4.   每个微服务的代码规范性检查

5.   每个微服务的代码覆盖率检查

6.   通过AI为每个微服务制作Docker镜像发布脚本

7.   通过AI编写Kubernetes云平台自动化部署脚本

8.   通过AI编写Vue前端项目打包部署脚本

演练智能化的系统监控与运维

1.   搭建系统监控组件Prometheus实操

1）K8s系统监控组件kube-state-metrics与metrics-server

2）在Kubernetes平台埋点：node-exporter

3）在Prometheus中设计rules与告警

实战演练：通过AI的规划，对redis, RabbitMQ, kafka, elasticSearch等技术组件进行实时监控与告警

2.   搭建监控数据展现组件Grafana实操

实战演练：通过AI的规划，用Grafana设计数据监控指标与控制台

3.   设定AlertManager自定义告警通知的实操

4.   基于MCP的故障问题智能处置

智能化的链路跟踪与性能优化

1.   搭建基于SkyWalking的链路跟踪体系

1）SkyWalking的架构体系与设计原理

2）在Kubernetes云平台搭建SkyWalking服务器

3）为每一个服务应用加入SkyWalking的agent收集数据

2.   基于AI进行数据分析与性能优化

1）通过日志分析和压力测试，在AI的辅助下进行故障的排查

2）有针对性地对问题进行设计调优

3）有针对性地设计监控指标，进行实时监控与告警

EFK日志采集与故障分析

1.   日志采集与故障分析的重要意义

2.   搭建ElasticSearch+Flunted+Kibana日志采集实操

1）部署Flunted在Kubernetes平台采集日志

2）日志数据存储在ElasticSearch数据库中

3）使用Kibana对日志数据进行分析

3.   使用Kibana系统监控组件分析与监控系统

1）在Kibana中进行错误日志的跟踪与监控

2）通过AI进行错误日志的分析与处置

3）通过Kibana进行数据图表分析，建立日志监控控制台

4.   通过Kibana进行业务指标分析与问题溯源

1）通过Kibana进行用户行为日志的追踪与监控

2）通过AI进行用户行为的业务指标分析与问题溯源