GCL班级活动：揭秘大模型重塑编程工作流—成功举办Claude Code相关技术分享

为了系统梳理大模型编码助手的底层机制与最新工具形态，并通过实战演示最新的编程工作流，2026年3月4日晚，数学科学学院应用数学教师党支部、计算与应用数学研究生第一党支部和图形与几何计算班邀请孙天阳同学围绕“大模型在编码辅助领域的最新进展”进行了系统性讲解。他从交互机制、工具形态到智能体协作的前沿方向展开，结合以 Claude Code 为代表的终端型 AI 编码智能体进行现场演示，展示了大模型如何从“代码建议工具”走向“可规划、可执行的开发伙伴”，引发同学们广泛讨论。

分享首先聚焦大模型与用户交互的底层机制，孙天阳同学指出，在浏览器对话场景中，用户每次发起请求通常都会携带完整对话历史，以便模型在上下文中理解需求并延续推理。同时，模型输出存在不同停止类型：既可能是正常结束，也可能因长度上限而中止，或进入“需要调用外部工具”的阶段。在此基础上，他进一步解释了 Token 的概念与成本逻辑：在 API 计费中，输入与输出 Token 往往分开计价，且输出成本更高。该经济模型也推动了一些聚合式服务的出现——通过集中采购与再分发的方式，为不同用户提供更细粒度的调用能力。

随后，孙天阳同学对比了不同 AI 编码工具形态的差异。他认为，传统网页端插件或编辑器内助手（如 Cursor、GitHub Copilot）能够提供补全与建议，但常受限于“当前文件/当前编辑区”的视野，且在跨文件操作、依赖安装、命令执行等环节仍需要较多人工衔接。与之相比，Claude Code 等终端型工具更强调“本地化深度集成”：它不仅能生成代码，还能在授权范围内读取文件、执行命令、管理依赖，从而把“写代码—运行—报错—修复—再运行”的闭环压缩为更少的人机切换。

在原理层面，孙天阳同学将 Claude Code 的能力概括为工具调用和子智能体机制。模型作为决策与推理核心，通过结构化请求调用宿主环境提供的工具（例如读写文件、执行命令、检索信息），再将结果纳入后续推理，实现“会想、也能动手”的结合。同时，主智能体可以创建具有特定角色与权限的子智能体，用于并行处理任务，或将可能干扰主上下文的探索性交互隔离出去。分享中还提到近期的“智能体团队”（Agent Teams）实验方向，使不同子智能体之间可以分工协作，形成如“编码—审查—测试”这类更自动化的链式工作流。

演示环节是本次分享的重点。孙天阳同学以一句自然语言需求“创建一个贝塞尔曲线交互式编辑器”为例，展示 Claude Code 如何自动完成项目结构搭建、依赖安装、核心代码编写与运行调试，在较短时间内生成一个可用的 Web 应用原型。

他还演示了智能体驱动的另一类任务：在联网检索与包管理的配合下，自动安装社区共享的 LaTeX Beamer 模板与相关“技能”工具，并据此启动新的幻灯片制作流程，体现出智能体在“编码之外”的生产力拓展能力。

在使用策略上，孙天阳同学分享了自己的一套实践方法：通过同时开启多个终端会话或多个对话窗口，让 AI 以不同角色并行推进任务，用户则更像“导师/项目经理”负责明确目标、验收结果与整合产出。

他建议将关键需求、约束、接口约定等信息写入 .md 文档进行固化，并按阶段拆分任务以应对上下文长度限制。

孙天阳同学也强调了潜在风险：当 AI 智能体具备本地读写与命令执行权限时，误操作可能导致文件被覆盖、依赖环境被污染等问题。因此，代码仓库备份、分支管理、最小权限授权、以及在隔离环境中试运行都尤为重要。

孙天阳同学在总结中表示，AI 编码工具正从“提供建议的副驾驶”向“可自主规划、执行并协作的智能体团队”演进。随着多智能体协同、工具互联互通等能力持续推进，软件开发工作流可能迎来更深层的范式变化。如何将这些新型智能体纳入个人与团队工程实践，也正在成为面向未来的重要技能之一。

本次分享内容深入、案例鲜活，现场互动热烈、讨论氛围浓厚，不仅帮助同学们进一步厘清了大模型编码助手的关键理念与实践路径，也在学习与科研工具选择的关键阶段提供了可借鉴的方法框架与操作范式。与会同学纷纷表示，通过此次分享更加直观地感受到智能体工具对编程效率与项目管理方式的改变，也对“如何与AI协作完成复杂任务”有了更清晰的理解。大家将以此次课堂分享为新的起点，持续夯实基础、勇于动手实践，在规范与安全的前提下善用新工具、拓展新能力，稳步提升科研与工程素养，迈向更高水平的学习与创新实践。