PT01 · 专业类 · 实习型（参与真实项目）
AI 原生实习专项将学习与可验证的软件交付能力连接起来。学员构建现代全栈应用，通过公开的工程评审流程参与贡献，并为在现有客户项目或内部项目中接受导师指导开展工作做好准备。
本专项与六节课的 GW02 · 专业 AI Agent 课程是两条独立路径。实习专项包含三个阶段；其中的 4–6 次一对一辅导属于第一阶段，而不是整个项目。具体次数取决于学员已有技能的熟练程度。
项目概览
第一阶段包含 4–6 次两小时辅导，具体次数与节奏在评估学员已有技能后商定。可按每周一次的节奏开展，并在辅导之间完成开发实践。当核心开发流程稳定后，进入第二阶段。第三阶段需经过能力评审和项目匹配。第二、三阶段的时长取决于所选 Issue 或项目范围，而非固定的课堂日历。
项目访问权限和参与机会不会自动获得。任务分配取决于已展示的能力、可用任务、项目匹配度及保密要求。Pull Request 是否合并仍须遵循仓库的评审标准。
适合谁参加
本技术专项面向具备编程基础和一定应用开发经验、希望加强面向生产环境的工程能力的学员。辅导从非公开的既有作品、学习目标和待补足能力评估开始。 以下内容领域说明辅导覆盖的范围，而非固定的逐次课表。各领域的深度与重点将按个人情况调整，不要求重复学习已经掌握的技能。个人评估、简历、成绩和联系方式不进入公开手册。 在整个专项中，AI 辅助编程或“vibe coding”都应纳入工程流程：明确需求、规划小范围修改、实现、测试、评审并解释结果。学员仍需对正确性、来源核验、安全和沟通负责。第一阶段 · 个性化技术辅导
第一阶段围绕同一个应用开展 4–6 次一对一辅导，具体次数取决于学员已有技能的熟练程度。以下内容可跨次辅导合并、调整顺序或反复练习，不将每个主题固定对应到某一次辅导。辅导从已有优势出发，聚焦能力缺口，并通过课间实践形成可评审的成果证据。AI 原生工程工作流与应用骨架
- 已有基础： 编程、版本控制和既有项目经验。
- 新增能力： 从需求到评审的工作流、规范的 AI 辅助编程、TypeScript 约定、基于 React 的全栈应用结构、分支与提交规范，以及架构说明。
- 成果证据： 可运行的应用骨架，配套可复现的开发环境、任务计划、README 和架构图。
React 与 TypeScript 前端工程
- 已有基础： JavaScript、HTML/CSS 和已有前端经验。
- 新增能力： 类型化的属性与状态、可复用组件、Hooks、表单及校验、路由、加载与错误状态、客户端/服务端边界，以及无障碍设计。
- 成果证据： 可运行的类型化前端流程，具备可复用组件并能够对接真实 API。
RESTful API 与后端契约
- 已有基础： 应用逻辑、后端接口及职责分离。
- 新增能力： HTTP 语义、资源建模、请求/响应校验、一致的错误处理、服务层与数据访问层边界、异步流程、集成测试和 API 文档。
- 成果证据： 具有文档与输入校验的 API，以及连接前端操作与后端行为的测试。
PostgreSQL、ORM 与安全认证
- 已有基础： SQL、数据建模和基本用户账户概念。
- 新增能力： PostgreSQL 数据库迁移、ORM 数据访问、关系与事务、OAuth/OIDC 概念、会话与令牌、受保护路由，以及基于角色的访问控制。
- 成果证据： 包含登录、受保护路由、持久化数据、数据库迁移和 ORM 领域模型的安全端到端功能。
部署、测试与生产就绪
- 已有基础： 基于 Git 的交付、调试和测试经验。
- 新增能力： 环境与密钥管理、云部署、CI 检查、单元及集成测试、日志、错误监控、性能与安全基础，以及发布检查清单。
- 成果证据： 已部署的应用，附环境配置文档、自动化检查、测试结果和生产就绪说明。
Agent SDK 与 LLM 功能集成
- 已有基础： 编程与数据处理经验；既有机器学习经验有帮助，但不作预设。
- 新增能力： LLM 应用架构、作为软件输入的提示词、结构化输出、工具/函数调用、Agent 循环、SDK 集成、评估、失败处理、成本与延迟意识，以及安全回退。
- 成果证据： 应用中一个可运行的 Agent 功能，以及说明行为、局限、测试和下一步改进的评估记录。
第二阶段 · 正式 GitHub 开源贡献
从辅导用练习仓库进入 Prompthon Agent Systems Handbook 仓库。目标是完成真实的 Issue 到评审流程，留下工程判断与协作能力的公开证据。贡献流程
- 选择符合仓库待办任务和学员学习目标、范围明确的 Issue。
- 阅读贡献流程、相关仓库说明和现有架构或内容。
- 创建分支，完成聚焦且便于评审的修改。
- 根据来源材料和实际代码行为核验 AI 辅助成果，并运行相关检查。
- 提交 Pull Request，说明问题、修改摘要、测试或其他证据，并在有帮助时提供截图。
- 回应维护者评审、修订成果，并记录最终结果，无论是合并还是以已记录的反馈结束。
贡献范围示例
- 代码与示例： Agent 工作流、集成片段、小型工具或测试改进。
- 技术文档： 有来源支撑的 MDX 解释、阅读路径、配置指南和架构图。
- 仓库质量： Issue 复现、测试基线、文档偏差检查或贡献工具。
- 开发者体验： 文档站导航、内容结构和可运行的代码示例。
第三阶段 · 导师监督下的真实项目实践
经过能力评审和项目匹配后，在现有客户或内部仓库中承担范围明确的任务。此阶段引入真实需求、既有架构、评审标准、交付约束和团队沟通。项目工作方向示例
以下类别描述可能的工作方向，并非已确认的开放岗位清单：- AI 原生应用与内部工具： 全栈功能、API/数据/认证集成，以及 Agent 驱动的用户工作流。
- 产品现代化： 对现有软件、界面、集成及交付方式进行渐进式改进。
- 数据与智能工作流： 数据建模、分析界面、API 对接、自动化、评估和可靠性。
- 产品本地化与市场适配： 根据目标用户和运行环境调整界面行为、内容及技术集成。
- 学习与社区基础设施： 开源工具、技术文档、社区产品功能和运营自动化。
交付要求
修改前先阅读仓库，解释其架构和数据流。澄清需求、商定范围明确的实施计划，并遵循项目既有约定。交付功能或修复时，提供测试、文档、可评审的 Pull Request 及项目检查结果。 按照团队约定的节奏沟通进展、阻碍、取舍和下一步。在项目保密与访问规则范围内使用 AI 工具，并保持从需求到实现再到验证的可追溯性。项目分配前的能力评审
学员应能够：- 用自己的语言解释第一阶段应用的架构和技术取舍。
- 通过日志或测试诊断并修复非简单错误，解释根本原因。
- 准备聚焦、有文档、可测试的 Pull Request，并建设性地回应评审。
- 在不泄露密钥、不绕过访问控制的前提下修改认证或数据处理逻辑。
- 独立核验 AI 生成的代码、行为和来源材料。
- 尽早沟通阻碍，并商定可行的下一步。
预期成果与作品集证据
本专项强调实际展示的能力，而不仅是出勤：- 构建： 具备 API、PostgreSQL/ORM 和安全认证的 TypeScript/React 应用。
- 交付： 已部署的环境，附配置说明、测试、自动化检查和运行维护记录。
- 集成 AI： 具有评估证据和失败处理说明的 Agent/LLM 功能。
- 贡献： 公开的 Issue、Pull Request 和评审记录，准确描述贡献状态。
- 参与既有系统： 在有可用且获授权的任务时，完成范围明确的项目交付并保留评审记录。
- 沟通： 清晰的架构/API 说明、进度更新、演示和技术取舍解释。
相关学习资源
- GW02 · 专业 AI Agent 课程 — 独立的六节短期课程。
- 实践者技能 — 用于实践工作流的可复用技能包。
- 环境配置 — 准备开发环境。
- 贡献流程 — 遵循仓库的贡献流程。