本页目录
版本： 2026 秋季学期（更新于 2026 年 9 月 7 日）
适用对象： 经济学、金融学专业大二本科生
授课教师： 李学恒、张一帆
学分 / 学时： 3 学分 / 54 学时
授课地点： 岭院 MBA 大楼 602
授课时间： 两个平行班，一班周二下午 14:20–17:15，另一班周二晚上 19:00–21:35
一、课程定位
本课程旨在训练学生运用 AI 智能体完成具有现实价值的复杂任务。课程不要求死记硬背软件菜单或命令，也不以培养传统软件工程师为目标。学生将重点掌握以下能力：
- 将模糊的想法转化为可执行的任务；
- 为智能体构建项目目录、规则、资料与工具；
- 通过测试、评估与迭代提升产出质量；
- 核验数据、引文及关键结论；
- 将所学方法迁移至日常学习、科研、实习、竞赛及个人项目中。
课程以真实产出为主线。学生将在课堂上完成知识库搭建、数据采集与分析、研究任务及智能体系统项目，最终形成可演示、可复现且具备长期使用价值的作品。
二、课程实施的基本原则
1. 单一主体工具，兼顾方法迁移
课堂演示、实操手册及故障排查均以 Claude Code 为核心，配合 VS Code、Git 及统一的模型接入配置。学生无需购买 Claude 订阅，使用课程允许的国内模型 API 接入方案即可。
其中常驻智能体助理部分介绍使用 Hermes Agent。
WorkBuddy、Codex、OpenCode 等工具仅用于展示同类方法在不同产品中的对应关系，不作全套操作教学。课程考核侧重于任务设计、证据质量、系统结构与迭代能力，不以学生使用的软件品牌作为评价依据。
2. 案例承担主要教学功能
概念讲解须结合可执行案例。每周内容配备：
- 1–2 个可复现的完整案例；
- 2–3 个生活、学习、科研或实习场景的迁移任务；
- 配套数据、网页材料、示例文件或起始项目；
- 一份预期结果和常见问题说明。
3. 过程证据与最终成果同时评价
仅评估最终成品无法判断学生是否掌握规划、核验与迭代能力；而仅查阅交互日志，又易将冗长的对话误认为技术能力。因此，课程将综合检查成品、版本记录、关键交互、核验过程及现场解释。
4. 课程方案会根据教学过程反馈动态微调
具体案例与个别周次安排会根据软件安装进度、课堂反馈及学生完成情况适度调整。
三、课程目标
完成课程后，学生应当能够：
知识目标
- 解释 AI 智能体的基本结构、能力边界和人机分工；
- 理解项目规则、任务规划、Git、Skills、子代理、知识库、自动化和评估迭代的作用；
- 了解智能体在办公、数据分析、文献综述、论文复现和经济金融研究中的应用方式。
能力目标
- 将现实问题拆解为目标、输入、约束、步骤、产物及验收标准；
- 构建可维护的智能体项目，妥善保存规则、资料、版本及运行记录；
- 引导 AI 完成数据采集、分析、写作、网页生成或研究复现等多阶段任务；
- 识别并修正数据错误、虚假引文、遗漏步骤及不可复现的结果；
- 清晰阐述个人的技术选择、实质贡献、修改过程及质量判断依据。
四、课程内容与教学进度
课程按 17 个校历周规划。扣除国庆假期与阅读周停课，共计约 15 次课堂，每次 3 节。日期暂按 2026 秋季校历排定，最终以学院课表为准。前半段的基础方法、知识库与常驻智能体由李学恒主讲；从第 12 校历周开始的综合场景课程由张一帆主讲。
| 校历周 | 暂定日期 | 模块 | 主要内容 | 课堂产出与考核节点 |
|---|---|---|---|---|
| 1 | 9 月 8 日 | 课程导论与环境准备 | 课程目标、考核方式、AI 智能体概览；VS Code、Claude Code、CC Switch 与模型 API；完成第一次对话 | 环境验收清单；公布四次作业与期末项目 |
| 2 | 9 月 15 日 | 人机协作、任务说明与项目规则 | 从聊天提问转向任务协作；目标、输入、约束、产物与验收；项目目录、CLAUDE.md / AGENTS.md 与上下文文件 | 建立个人课程项目，完成一轮“生成—检查—修改”练习 |
| 3 | 9 月 22 日 | Git 与可回退的工作流 | 工作区、提交、差异、回退；用版本记录保存人机协作过程 | 建立项目版本记录，发布阶段作业 1 |
| 4 | 9 月 29 日 | Skills 与可复用任务 | 从一次性提示到 Skill；触发条件、操作步骤与验收方法 | 阶段作业 1 任务规划；编写并测试一个简单 Skill |
| 5 | 10 月 6 日 | 国庆假期 | 停课 | — |
| 6 | 10 月 13 日 | 子代理与多智能体协作 | 任务拆分、并行执行、文件交接、主代理整合与验收 | 双代理协作实验 |
| 7 | 10 月 20 日 | 编排、浏览器自动化与数据证据 | 复杂 Skill、网页采集、表格处理、引用核验、失败回退与 Computer Use | 阶段作业 1：数据采集—分析—报告工作流；启动阶段作业 2 |
| 8 | 10 月 27 日 | 智能体知识库 | 文档组织、索引、检索、知识连接与持续更新 | 阶段作业 2 个人信息中台工作坊；介绍阶段作业 3 的任务要求 |
| 9 | 11 月 3 日 | 阅读周 | 停课 | — |
| 10 | 11 月 10 日 | 评估与迭代、本地模型部署、数据安全 | 评估基线、测试循环、错误诊断、修改复测与质量门槛；本地模型部署、数据边界与安全实践 | 个人信息中台评估与迭代；阶段作业 3 网页应用开发 |
| 11 | 11 月 17 日 | Hermes Agent：常驻智能助理 | 常驻 Agent、记忆、定时任务、消息入口，以及前半段方法的综合运用 | 阶段作业 2：建立个人信息中台；阶段作业 3 开发与测试；开始组建期末项目小组 |
| 12 | 11 月 24 日 | 自动化办公与完整工作流（一） | 从材料收集到结构化处理、分析与文档交付；把多个能力串成完整流程 | 阶段作业 3 项目诊断；组队确定；期末项目选题确认 |
| 13 | 12 月 1 日 | 自动化办公与完整工作流（二） | 在更完整的办公任务中加入数据处理、质量检查、自动化和多格式交付 | 阶段作业 3 完善与测试；期末项目方案完善 |
| 14 | 12 月 8 日 | 文献综述智能体 | 检索、筛选、阅读、证据表、主题综合与引用核验 | 提交阶段作业 3：带 AI 模块的全栈网页应用；文献综述课堂工作坊；发布阶段作业 4 |
| 15 | 12 月 15 日 | 论文复现（一） | 读取论文和复现包；理解目标表格、变量、代码与数据关系 | 复现任务启动与基准结果 |
| 16 | 12 月 22 日 | 论文复现（二） | 运行、核对、诊断差异；记录失败与修正过程，并嵌入期末项目材料预审 | 复现结果核验；期末项目材料预审 |
| 17 | 12 月 29 日 | 期末项目展示 | 分组演示、答辩、同伴观摩与课程复盘 | 提交期末项目全套材料 |
阶段作业 4 期末提交，具体日期待定。
五、课堂组织方式
每次课原则上分为四段：
- 概念与方法（约 30%）： 阐明本周需解决的问题、核心概念及判断标准；
- 案例拆解与演示（约 25%）： 教师完整演示任务的启动、试错、修改与验收全过程；
- 上机实操（约 35%）： 学生完成基础任务，教师与助教现场解答环境配置与方法论问题；
- 展示与复盘（约 10%）： 抽取不同学生的运行结果，对比策略差异、分析错误并探讨改进空间。
课程前半段侧重降低安装与操作门槛，后半段逐步提升任务的完整度。待学生熟悉工具后，部分上机活动将转为限时随堂提交，以检验其独立操作与现场解决问题的能力。
六、四次阶段作业
四次阶段作业均为个人作业，各占总评 10%。课堂上将先完成相近案例，随后由学生将方法迁移至个人场景。
阶段作业 1：数据采集—分析—报告工作流
- 某行业的招聘信息采集、岗位画像与求职准备；
- AI + 某行业的产业研究；
- 校园社团、课程、活动或周边生活信息整理；
- 经济金融数据的采集、可视化和解释。
提交材料：
- 可复现的数据采集流程；
- 原始数据、清洗结果和字段说明；
- 数据与引文来源清单；
- 分析报告；
- 一个可浏览的网页、仪表板或结构化文档；
- 错误检查与修正记录。
阶段作业 2：建立个人信息中台
本作业评价个人智能体项目底座与课程知识库。重点在于能否把分散材料组织成可查找、可连接、可更新、可由智能体继续使用的系统。
提交材料：
- 信息中台目录、导航索引与使用说明；
CLAUDE.md或AGENTS.md等项目规则；- 资料范围、来源和隐私处理说明；
- 至少 3 个有意义的 Git 提交；
- 一项可重复执行的 Skill、整理流程或更新机制；
- 5 个真实查询或任务测试，以及预期结果、实际结果和错误修正记录；
- 关键交互与个人决策说明。
阶段作业 3：开发一个带 AI 模块的全栈网页应用
提交时间： 第 14 周（12 月 8 日）。
应用至少应包含四个部分：可操作的前端界面；处理请求和业务逻辑的后端服务；一种数据读取、存储或状态管理方式；至少一个通过 API 调用模型的 AI 功能。AI 模块可以承担文本提取、分类、问答、推荐、生成、解释或审阅等任务，但必须嵌入真实业务流程，不能只是单独放置一个聊天框。
学生不需要手写全部代码，但必须能说明前端、后端、数据和 AI 模块如何连接，能够测试关键接口并处理常见失败。模型 API Key 必须保存在后端环境变量中，不得写进前端代码、网页源码或提交文件。
提交材料：
- 一页需求说明，写明目标用户、核心问题、输入、输出与验收标准；
- 前端—后端—数据—AI API 的系统结构图和接口清单；
- 可访问的网页地址，或可在本地启动的完整项目；
- 前后端源文件、运行说明、环境变量示例与必要的数据说明；
- 至少 3 个端到端功能测试、1 个接口失败测试和 1 个 AI 输出异常测试；
- 从初版到终版的关键修改记录；
- AI 使用说明、关键交互与个人决策说明。
阶段作业 4：实证论文复现
提交时间： 期末（具体日期待定）。
对应内容： 科研工作流、证据核验、评估与迭代。
任务： 从教师提供的论文及复现包中任选一项，复现指定的表格或图形，并分析复现结果与原文一致或不一致的原因。
提交材料：
- 论文、数据、代码和目标结果之间的对应表；
- 可运行的复现流程；
- 复现结果与原文结果对照；
- 失败、报错和修正记录；
- 对结果可信度和复现包质量的简短判断。
七、成绩构成
课程采用百分制，平时成绩 50%，期末项目 50%。
1. 平时成绩（50%）
| 项目 | 比例 | 说明 |
|---|---|---|
| 课堂参与与出勤 | 10% | 出勤、课堂任务、讨论、限时提交和必要的同伴反馈 |
| 阶段作业 1 | 10% | 数据采集—分析—报告工作流 |
| 阶段作业 2 | 10% | 建立个人信息中台 |
| 阶段作业 3 | 10% | 开发一个带 AI 模块的全栈网页应用 |
| 阶段作业 4 | 10% | 实证论文复现 |
2. 期末项目（50%）
期末项目由 4–5 人自由组队完成。各组需选择一个具备明确使用者与验收标准的主题，场景可涵盖办公、学习、校园生活、科研、经济金融、竞赛或实习等。评价内容如下；小组与个人评分的具体比例及各项权重将在课程中另行公布。
| 评分部分 | 评分对象 |
|---|---|
| 问题定义与验收标准 | 小组共同分 |
| 系统设计与课程方法 | 小组共同分 |
| 功能完成与可复现性 | 小组共同分 |
| 数据、引文与关键结论准确性 | 小组共同分 |
| 评估、测试与迭代 | 小组共同分 |
| 独特性与场景迁移 | 小组共同分 |
| 现场展示与小组答辩 | 小组共同分 |
| 实质贡献与可追溯成果 | 个人分 |
| 个人掌握与现场解释 | 个人分 |
| 个人复盘与责任说明 | 个人分 |
期末项目合计占总评 50%。
八、统一评分规则
1. 四次个人作业的通用量表
每次作业先按 100 分制评分，再折算为总评的 10 分。评价维度如下；子项权重另行公布：
| 维度 | 判断标准 |
|---|---|
| 任务定义 | 目标、使用者、输入、约束、产物与验收标准是否清楚 |
| 最终成果 | 是否完成核心功能，结果是否可用 |
| 数据与证据 | 数据、引文和关键事实是否准确，是否能回到来源 |
| 过程与迭代 | 是否发现问题、解释原因并完成有依据的修改 |
| 可复现性与文档 | 他人能否根据材料运行或检查成果 |
| 独特性与迁移 | 是否有自己的问题、资料、判断或改进，而不是通用模板的一键输出 |
2. 数据和引文错误
- 普通错误在“数据与证据”维度扣分；
- 若关键数据无法溯源、引文不存在或核心结论无法复现，该维度不得评高分，并要求学生补充核验；
- 若存在故意编造数据、来源或运行记录的行为，将按学校学术诚信规定处理，不视作一般技术错误。
3. 交互记录的使用
学生需提交：
- 3–5 个最能体现任务规划、错误诊断与关键修改的完整会话记录（sessions）；
- 一份简短的决策日志，说明接受、修改或拒绝了哪些 AI 建议；
- Git 提交、文件版本或运行结果等可核验证据。
交互记录作为过程证据，不以篇幅长短计分。
九、期末项目与展示安排
1. 分组与选题
- 每组 4–5 人；每班约 13–16 组；
- 第 11 周开始组队，第 12 周确定，第 14 周提交一页项目方案；
- 选题不限行业，但须具备明确的使用者、真实资料、可演示成品及验收标准；
- 第 15–16 周，每组在课程上机时间安排一次 10 分钟的项目咨询，以提前识别范围过大、数据不可获取或成品无法演示等风险。
2. 期末提交包
各组须在展示前至少 1 天提交：
- 最终成品或可访问链接；
- 项目说明书；
- 数据、来源和权限说明；
- 系统结构、规则、Skills、代理或自动化配置；
- 测试用例、失败记录和迭代说明；
- 成员分工与贡献证据；
- 不超过 10 项“关键主张—证据表”，逐项列出关键数据、引文或结论的原始来源及处理位置；
- 每位成员单独提交个人复盘。
3. 现场展示
每组展示不超过 10 分钟：
- 6 分钟：问题、方案、关键演示与结果；
- 3 分钟：教师提问或随机指定成员答辩；
- 1 分钟：切换与评分。
4. 小组分与个人分
小组共同分重点评价问题定义、方案设计、最终成品、证据质量、测试过程及现场展示。个人分则依据版本记录、任务清单、具体文件贡献、个人说明及随机答辩情况评定。每位学生必须能够准确定位本人负责的文件、测试、数据核验或关键决策，并清晰解释个人模块与整体系统的接口关系。组内互评仅作为复核线索，不直接进行机械加权计算。