提出工程目标
从实际约束和可观察结果开始，先说明问题是什么。
OUR METHOD / ENGINEERING EDUCATION
AI改变工作方式。
工程责任仍然在人。
当 AI 可以参与检索、编程和分析，工程师的工作正在从“记住每一步”走向“定义目标、组织协作、判断证据”。
HUMAN
IN THE LOOP提出假设
验证结果
IN THE LOOP提出假设
验证结果
A SHIFT IN WORK
从工具，到协作者，
再到工程工作流。
过去的 AI 多完成识别、分类、预测或推荐等单点工作；生成式 AI 让解释、写作和代码草拟触手可及，Agent 开始围绕目标拆解步骤、调用软件工具并检查结果。人机工作关系因此正在变化。
未来 AI 可能成为连接软件工具与物理设备的任务编排层，但这仍是趋势推演，不是已经普遍实现的工作方式。人的自主权、安全责任与最终工程判断不能交给模型。
对工程实践而言，变化不等于自动正确。模型可能忽略上下文、硬件约束或安全条件。工程师需要把任务说清楚，把工作拆开，并让结果经得起现实测试。
01
↘
↘
AI-NATIVE ENGINEER
什么是 AI 原生工程师？
把 AI 纳入日常工作流，同时能独立判断工程目标、原理边界、现实风险和验证证据的人。
会提问，也会界定问题会协作，也会审查输出会实现，也会验证系统
PROJECT FIRST
让项目成为
学习的组织方式。
不是做完理论课才开始项目，而是由工程目标引出所需原理与技能，在解决问题的过程中补足基础并形成关联。
AI 澄清需求
让 AI 提出缺失信息与歧义，再由人确认边界和验收条件。
拆解任务
将工程目标拆成有依赖关系、能逐项检查的小任务。
确定人机分工
AI 辅助检索、比较和实现；人负责原理判断、现实操作与安全责任。
获取现实证据
用仪器、设备、日志或重复实验观察结果，保留原始记录。
验证和修正
将证据与验收条件对照，修正方案，再做回归检查并复盘。
AI COLLABORATION LOOP
六步完成一次
人机协同工程任务。
选择一个步骤查看该阶段的工程师职责。示例采用预设内容，不连接外部 AI 服务。
01
工程师要做的事
提出工程目标
把“做一个传感器设备”转化为明确的输入、行为、约束和验收条件。先定义怎样才算有效，再决定如何借助 AI 推进。
↗
REAL-WORLD EVIDENCE
代码通过了，
系统就正确了吗？
编译成功只是一个阶段信号。程序仍可能遇到接线差异、时序冲突、噪声干扰、异常输入和边界条件。
因此我们重视真实设备操作、测量工具、可重复测试、日志记录、失败复现和版本追踪。AI的建议只有经过适当验证，才能成为工程决定的依据。
看项目如何验证 ↗TRANSFER TO THE UNKNOWN
真正的掌握，
要能应对没见过的问题。
面对新任务，先识别已知与未知，再建立假设、设计低风险实验，最后用证据更新方案。这种迁移能力需要反复练习。
了解课程路径 ↗