Phase 3 — 多模型 & Prompt 精调

Claude 不是唯一选择。Gemini 2.5 Pro 在代码生成的某些场景（特别是 Google 技术栈和多模态输入）表现很强。这节课用 Gemini 做编码和调试：Gemini Code Assist 在 VS Code 中的使用、Gemini API 直接调用、用图片/截图描述 UI 让 Gemini 生成代码。和 Claude 对比同样的任务。

同一个任务——比如「根据这个设计稿实现 React 组件」——分别用 Claude、Gemini、Codex 做，结果会不同。这节课做系统的多模型对比实验：代码质量、推理能力、长上下文处理、速度、成本。每个模型的强项和弱项用数据说话，不是主观感觉。帮你建立「什么任务用什么模型」的决策框架。

不同模型的 Prompt 写法不一样。Claude 喜欢 XML 标签结构，Gemini 喜欢简洁直接，Codex 需要更多上下文。这节课给你每个模型的 Prompt Engineering 最佳实践模板：System Prompt 怎么写、Few-shot 示例怎么给、长上下文怎么组织。同一个需求的三种 Prompt 写法对比。

掌握 Zero-shot prompting：不给示例直接让 AI 完成任务。理解它的优势、局限和适用场景。

建立一套系统的工具选型框架。通过 5 个真实场景练习，学会根据技术水平、项目规模、团队情况和预算，做出合理的工具选择。

建立一套系统的工具选型框架。通过 5 个真实场景练习，学会根据技术水平、项目规模、团队情况和预算，做出合理的工具选择。

四种经过验证的 Prompt 精调模板：1）Step-by-step（分步指令，复杂任务拆解）；2）Few-shot（给 2-3 个示例让 AI 模仿）；3）Chain of Thought（让 AI 展示推理过程）；4）Constrained Generation（用 Schema 约束输出格式）。每种模板有具体的代码开发场景示例和对比效果。

掌握 CoT 提示技术，让 AI 通过分步推理得出更准确、更可靠的答案。

学习通过多次采样不同推理路径并投票选出最可靠答案的技术，显著提高关键决策的准确率。

阅读「Chain-of-Thought (CoT)」章节。自主节奏完成，巩固本节课的知识点。

阅读「Prompt Chaining」章节。自主节奏完成，巩固本节课的知识点。

Codex CLI 是 OpenAI 的命令行 AI 编程工具——在终端里一条命令让 AI 写代码、改代码、跑测试。和 Claude Code 类似但风格不同：Codex 更轻量、启动更快、适合小任务。这节课讲 Codex CLI 的高效使用：常用命令、配置文件优化、和 Claude Code 配合使用的工作流。

Codex 生成的代码准确率怎么提升？三个方法：1）精调 Prompt 结构（给更多上下文和约束）；2）加载 Skills/配置文件（让 Codex 知道你的项目规范）；3）多次生成取最优（Self-Consistency）。实操演示每种方法的准确率提升幅度。

学习如何科学评估 Prompt 的效果，掌握评分标准设计、A/B 测试方法和持续优化策略。

阅读「性能与成本优化」章节。自主节奏完成，巩固本节课的知识点。

Codex CLI 的安装、配置、config.toml 文件详解。包括 API Key 设置、模型选择、Token 限制、代理配置、自定义命令。参考资料课——安装和调试时回来查。

学会用迭代心态和追问技巧，把 AI 生成的半成品代码一步步改到能用的状态。

学会用迭代心态和追问技巧，把 AI 生成的半成品代码一步步改到能用的状态。