鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

斯坦福大学竟然开了个 AI 编程课?!我已经学上了

编程导航
编程导航
2026-04-03 14:22
阅读 5037
编程导航
2026-04-03 14:22
阅读 5037

大家好,我是程序员鱼皮。最近刷到一个让我挺震撼的消息,斯坦福大学竟然开了一门正儿八经的课,专门教 Vibe Coding。

课程编号 CS146S,全名叫《The Modern Software Developer》(现代软件开发者),2025 年秋季学期首次开课,PPT、阅读材料、作业全部公开可用!

课程官网指路:https://themodernsoftware.dev

名校的课程,咱也能免费学~

看到斯坦福把 Vibe Coding 做成了一门完整的大学课程,我是非常激动的。因为这意味着 Vibe Coding 真的从一个社交媒体上的热词,变成了全球顶级高校认可的正式学科方向。

那这门课到底在教啥?我花了点时间把它的课表和材料仔细看了一遍,给大家拆解一下。

Vibe Coding 是什么

Vibe Coding(氛围编程)是 OpenAI 联合创始人 Andrej Karpathy 在 2025 年 2 月提出的概念,意思是你不用再一行一行地敲代码了,用自然语言告诉 AI 你想要什么效果,AI 帮你生成代码,你只管看结果对不对、跑不跑得起来。

有意思的是,就在 2026 年 2 月,Vibe Coding 刚过完一周岁生日,Karpathy 又抛出了一个新概念 —— Agentic Engineering(智能体工程),他说这才是 Vibe Coding 的进化形态。以前是让 AI 帮你写代码,以后是你来指挥一群 AI Agent 完成整个软件工程的全流程。

从 Vibe Coding 到 Agentic Engineering,这个演进速度真的太快了。而斯坦福的这门课,恰恰就是在系统性地教这件事。

可能有同学会问:Vibe Coding 还需要学?拿个 AI 编程工具矻矻干不就完了?

看完下面斯坦福的课程内容,你就会发现 Vibe Coding 远比你想象的要深。

Vibe Coding 要学什么

CS146S 这门课覆盖了 AI 编程的整个软件开发生命周期,从写提示词到搭 Agent、从 AI IDE 到终端操作、从测试安全到 Code Review、从自动做 App 到上线运维,10 周的课程面面俱到。

看看别人的教学目录,也能让咱们快速了解 Vibe Coding 要学哪些内容。

前两周讲的是从提示词到 Agent,核心思想是:AI 已经是一个带工具的系统了,你得学会怎么搭这个系统。

  • 第 1 周先把 LLM 的工作原理、犯错的原因、怎么引导它稳定输出讲清楚,作业是做一个 Prompting Playground,把提示词从玄学变成可验证的实验。
  • 第 2 周直接进入 Agent 架构,讲 Tool Use、Function Calling,还有现在大火的 MCP(Model Context Protocol),作业是自己动手搭一个 MCP Server。

第 3 ~ 4 周讲 AI IDE 和上下文工程。

  • 第 3 周的关键词是 Context Engineering,课上讨论了长上下文为什么会失败、Specs 和 PRD 为什么是新的源代码、怎么让 AI 理解复杂的代码库。这周的必读材料里有一篇叫《Specs Are the New Source Code》,我觉得是整门课最值得深思的一篇。
  • 第 4 周讲 Agent 的自治程度怎么管控、人机协作模式怎么设计,阅读材料包括 Anthropic 的 Claude Code 使用方式和最佳实践。作业就是直接上手用 Claude Code 写项目,训练你成为一个 Agent Manager。

第 5 周讲现代终端,介绍 Warp 这类 AI 终端怎么把命令行操作产品化。AI IDE 解决的是写代码的问题,AI 终端解决的是把代码跑起来、把系统管起来的问题。

第 6 ~ 7 周讲安全与质量,这两周是我觉得整门课最有含金量的部分。

  • 第 6 周讲 Secure Vibe Coding,直接上硬核案例:Prompt Injection 怎么导致远程代码执行?OWASP Top 10 在 Agent 时代有哪些新威胁?看得我脊背发凉……
  • 第 7 周讲 Code Review,核心问题是:AI 产出的代码,我们能信任到什么程度?

很多 AI 编程课只教你怎么写得快,但这门课把交付的底线拉了出来:可测、可审、可防。说实话,这才是目前大部分 AI 编程课缺的东西。

第 8 周讲自动做应用,一句 Prompt 搞出一个端到端的完整应用,嘉宾是 Vercel 的 AI 研究负责人。这节课的实战价值很大,但课程真正想传达的是:快速原型只是起点,你得能把它纳入测试、安全、Code Review 这些工程规范中。

第 9 周讲上线后的运维,包括监控、可观测性、事件响应、自动化排查。很多人学 AI 编程只学造,不学养。这门课把养系统也补上了,非常加分。

第 10 周讲未来趋势,嘉宾是 a16z(全球最牛的风投之一)的合伙人 Martin Casado,帮你把前 9 周串起来,知道自己学的是一种新的工程范式。

你可能注意到了,这门课的嘉宾阵容也很豪华,比如 Claude Code 的创始人 Boris Cherney、Vercel AI 研究负责人、Semgrep CEO、a16z 的合伙人…… 光是这些行业大佬的分享,就值得刷一遍。

最关键的是,课程资源全部免费公开!

每一节课程都提供了公开的阅读材料,并且可以直接打开 PPT,在 Google Slides 上阅读:

作业代码也可以在 GitHub 上直接拉取:

作业代码:https://github.com/mihail911/modern-software-dev-assignments

普通人怎么学 Vibe Coding?

看完斯坦福的课表,你可能会想:这么硬核的内容,我能跟得上吗?

其实我之前也写了一套免费开源的 《Vibe Coding 零基础入门教程》,上千张图、几十万字,结合了我两年半的 AI 编程经验、项目开发经验和产品变现经验。从 2023 年开始 AI 编程实践,到 2025 年底正式把这些经验整理成教程开源出来,GitHub Star 已经超过 7000。

CS146S 和我的教程,其实是互补的。我的教程更侧重实战、更照顾小白,覆盖了从零基础入门、AI 编程工具实战、经验技巧、项目开发到产品变现的全流程,从零基础到做出第一个作品只要 10 分钟,手把手教你选工具、做项目、搞变现。斯坦福这门课更偏工程体系,它在讲你学会 Vibe Coding 之后,怎么把 AI 融入到完整的软件工程流程中去,怎么管控质量、保障安全。

鱼皮的AI导航 - 教程图文并茂

如果你是刚入门 Vibe Coding 的同学,建议先跟着我的免费教程把基础打牢,够你学一阵了。等你能独立做出产品了,再来啃斯坦福这门课补工程化的知识,效果最好。

📚 教程文档已开源:github.com/liyupi/ai-guide

🌐 在线阅读:ai.codefather.cn/vibe

最后

从 Karpathy 提出 Vibe Coding 到斯坦福正式开课,前后也就大半年。这门课能这么快落地,说明 Vibe Coding 真的已经站稳了脚跟,不是昙花一现。国内高校也在跟进,比如复旦大学 2026 年春季开了门《生成式软件开发》面向非计算机专业学生,口号是 “人人都是程序员”;中山大学冬令营引入了《Vibe Coding 编程入门》教高中生用 AI 编程;清华也有团队推出了 Easy-Vibe 相关的 AI 公开课。可以看到 Vibe Coding 已经在全球高校遍地开花了。

还好,不管是斯坦福的课程还是我的教程,学习资源都是免费的,你需要的只是行动力。点个收藏,一起学起来吧~

站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
400
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
11
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
260
12
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
260
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题