2026 夏季 InfiniTensor 训练营 AI 编程与智能体应用 4：《AI 编程与智能体应用实践：从需求到原型实现》

7 月 28 日，2026 夏季 InfiniTensor 训练营 AI 编程与智能体应用第四课《AI 编程与智能体应用实践：从需求到原型实现》开讲。前三课依次讲解通用 Agent 系统完整架构、循环执行机制、安全评估体系，以及科研领域多类科研智能体落地案例，搭建 Agent 理论与行业落地认知。

本节课承接前三节 Agent 理论与科研场景落地内容，以 MiniAgent 推理框架适配 Phi-3.5 模型为完整实战案例，完整演示标准化 AI Coding 全流程，讲解 Skills 复用、任务驱动开发、分层调试规范与项目归档方法。

准备工作：Skills 与环境构建

Skills 的获取与管理

1. 1. 核心价值：复用已优化的 Prompt 和范式，避免重复造轮子。
2. 2. 推荐资源：skills.sh 网站。
3. 3. 本次实战必备 Skills：
• • model-pr-history-knowledge：读取模型结构经验。
• • diagnosing-bugs：对话式修 bug。
• • codebase-design：代码库设计与模仿。
• • tdd：测试驱动开发。
• • simplify：代码简化与清理。

项目初始化规范

1. 1. 文件夹结构：建立标准目录（如 code_building 存放过程文档，DOCS 存放中间文档）。
2. 2. 环境校准：
• • 让 Agent 阅读开发规范与 Debug 哲学。
• • 运行基准测试（如 Qwen3-8B）确认环境与框架无误。
• • 定性评估任务量，识别 Gap（如 RoPE 类型、Head Dimension 等）。

Coding Agent Loop 与驱动模式

Agent Loop 基本逻辑

• • 循环机制：环境搜索信息 → 形成长 Context → 模型决策 → 调用工具执行 → 发现新 Bug → 修改迭代。
• • 人机协作：Agent 提出 Plan A/B/C，人类识别意图并选择正确方案。

三种驱动模式（水无常形）

• • Plan First + Test Driven（本次重点）：先理清任务，再通过测试脚本触发 Bug，逐步修复。适用于清晰的功能开发。
• • Spec Driven：给定具体指标/限制，让 Agent 在约束内持续优化。适用于性能优化任务。
• • Review Driven：人类密集参与，通过不断对话矫正方向。适用于探索性/不定向任务。

实战演练：Phi-3.5 适配全流程

测试梯度设计（关键方法论）

1. 1. 原则：每次测试只覆盖一个接口/功能，由浅入深。
2. 2. 标准梯度示例：
• • 注册与配置文件补齐。
• • 模型树节点分析（复用 vs 重写）。
• • 长上下文 RoPE（Long RoPE）数学分析与构建。
• • 单层 Logic 精度对准。
• • 全模型 Logic 精度对准。
• • Prefill & Decode 多阶段核对。
• • 端到端文本生成（Temperature=0）。
• • 离线服务 → 在线服务 → TP 支持。

执行过程中的 Review 要点

1. 1. Plan 审查：检查方案是否符合开发规范与人类意图（这是自动化顺畅的关键）。
2. 2. Debug 监控：
• • 确保推 Bug 过程线性推进，禁止跳跃。
• • 警惕激进修改（如误删代码行），及时制止。
• • 关注边界条件测试（如 Long RoPE 的触发条件）。
3. 3. 环境问题处理：当前使用的 FlashInfer kernel 对 Head Dim=96 支持有限，引导 Agent Fallback 到 FlashAttention。

代码清理与回归

• • 防御性编程的取舍：初期可写，后期须简化以保性能。
• • 回归测试：简化后必须重跑 CoreTest 确保功能无损。

Debug 规范与上下文管理

Debug 规范精选

• • 不猜机制，找变量
• • Print，让数据说话。
• • 隔离实验：一次只验证一个假说，防止交叉感染。
• • 先确认路径，再看数据
• • 二分法找边界
• • 预期 vs 实测：先列预期数据，再跑实测，对比 Gap 分析根因。

长上下文与多 TP 扩展

• • Chunk Prefill 陷阱：注意序列级模式选择被破坏的问题。
• • TP=2 建设：TP=2 支持需要在算子正确性验证基础上，进一步检查权重切分、通信逻辑和并行一致性。

上下文压缩与归档（防失忆）

1. 1. 痛点：长对话导致 Context 极限或新会话失忆。
2. 2. 解决方案：
• • 主动归档：将链路总结为过程文档（命令、数据、现象、结论）。
• • 上下文恢复：新会话让 Agent 重读自己生成的归档文件恢复记忆。
• • 固化工作流：将成熟的 Debug/归档流程封装为新的 Skills。

总结：AI Coding 三原则

1. 1. 无代码：尽量让 Agent 完成所有编码工作。
2. 2. 自动化：通过测试梯度和 Skills 驱动自动迭代。
3. 3. 抓好入口和出口

加入训练营

📺完整课程内容，请观看直播或查看课程回放：

B站直播： InfiniTensor 官方直播间

答疑交流： 训练营官方社群⬇️

关注与交流