SE（一）：认识自己，触碰AI

这个作业属于哪个课程	H202601软件工程与软件工程实践
这个作业要求在哪里	2026秋软件工程个人作业（第一次）
这个作业的目标	通过本次作业梳理自己的专业技能、技术兴趣与不足，了解软件工程课程的学习方向；实践 Hugging Face API 与 AI 图像生成，并结合前端完成交互式应用；搭建 GitHub 个人主页，培养项目展示与版本管理意识；同时通过 AI 学习指南和三年规划明确后续学习目标。
学号	102401216

huggingface-API的调用：

AI提示词：Photorealistic close-up portrait of a fluffy orange tabby cat sitting on a wooden windowsill, warm afternoon sunlight bathing its fur, bright green eyes reflecting light, soft fur texture visible, whiskers clearly defined, a potted green plant nearby, blurred cityscape background through the window, peaceful serene mood, natural window light, 50mm lens, shallow depth of field, highly detailed fur, true-to-life colors, sharp focus, 8k, no text, no watermark
提示词这块更改了两三次就发现生图没次数额度了，图片改的还不是很满意...
API调用体验与心得：
第一次尝试了「前端页面 - 后端接口 - 第三方AI模型服务」的全链路调用架构，实现了从用户输入到模型推理再到结果回显的完整闭环。
在第三方模型服务选型上，HuggingFace 提供的 fal-ai 通道展现出了卓越的推理能力，生成图像的写实度与清晰度均达到了较高水准。然而，在实际操作中，受限于免费额度下的算力资源分配，该通道暴露出排队延迟较高、且偶发超时导致调用失败的问题。
同时，本次实验也让我深刻体会到了“提示词工程（Prompt Engineering）”的核心价值。实践表明，想要精准控制模型输出与预期设想完全一致的图片，仅凭简单的主体描述是远远不够的。优秀的提示词必须经过结构化拆解，系统性地补充构图方式（如居中/特写）、光影条件（如柔光/逆光/漫反射）、艺术风格（如写实/二次元/产品摄影），并明确划定禁止项（如避免画面畸变、多肢体、杂物干扰等），通过多维度的约束词汇对模型进行有效的引导，才能最大程度降低随机性，输出理想的高质量结果。

我的博客主页：

Github个人主页搭建
我的个人主页：https://github.com/baomihua1234
在README中编辑的截图：

一、自我评估
1.1 已掌握的专业知识与能力
类别 具体技能 熟练程度
编程语言 Python 较为熟练，日常开发与数据处理主要使用
C 掌握基础语法与指针、内存管理等核心概念
C++ 掌握基础语法与面向对象编程，熟悉 STL 常用容器
工具与协作 Git / GitHub 熟悉基础版本控制操作
Linux 常用命令 掌握文件操作、权限管理等基本指令
算法与数据结构 基础数据结构 掌握数组、链表、栈、队列、树等基本结构
算法基础 正在 LeetCode 持续刷题中，主力使用 C++ 和 Python
1.2 技术方向兴趣
💰 后端开发：对“能直接创造价值”的技术有天然的好奇心，希望深入学习如何用 Python / C++ 构建高并发、高可用的后端系统。

☁️ 云原生与 DevOps：对 Docker 初步接触后，感到容器化和自动化运维是未来的重要方向。

🧠 AI 应用落地：不打算死磕算法本身，但非常想掌握如何将 AI 能力（如大模型、图像生成）嵌入到实际业务中。

1.3 欠缺的能力
🧱 系统设计能力：缺乏从零设计一个完整系统的经验，对架构选型、模块划分没有清晰的方法论。

🧪 代码质量意识：缺少单元测试习惯，代码可读性和健壮性有待提高。

🔌 底层原理理解不足：对操作系统、网络协议等底层机制停留在应付考试的层面，没有真正吃透。

🌐 其他编程语言：目前只接触过 Python、C、C++，对于 Java、Go、JavaScript 等业界常用语言尚未系统学习。

🎨 前端知识匮乏：基本不懂 HTML/CSS/JavaScript，完成需要界面的作业时依赖现成模板或 AI 辅助。

二、工作履历与实践成果
2.1 截至目前的工作履历
2025 年暑假（约 1 个月） —— 某小型互联网公司 · 后端开发实习生

参与公司内部管理系统的 API 开发与日常维护（主要使用 Python）；

协助修复线上 Bug，定位并优化了几条慢查询 SQL；

第一次经历了“代码上线”的全流程，理解了需求评审、开发、测试、部署的基本节奏；

认识到自己的工程能力与正式员工之间仍有不小差距，也明确了后续提升方向。

2.2 课程之外的项目实践
学校课程设计项目（如：学生成绩管理系统、图书管理系统等），使用 C/C++ 完成；

用 Python 写过一些数据处理脚本和简单的 Web 应用（Flask）；

正在尝试维护一个自己的 GitHub 仓库，记录日常练习代码和 LeetCode 题解。

2.3 本学期代码量目标
完成本课程后，我希望自己的累计代码量（不包括课程作业模板代码）达到：

3000 ~ 5000 行

具体拆解：

类型 预估行数
课程项目 / 大作业 1500 ~ 2000 行
自我驱动的练习项目 800 ~ 1200 行
API 调用与前端交互练习 300 ~ 500 行
LeetCode 刷题 每日 2~3 题，积累至 500+ 行
注：考虑到大三课业压力及目前主要以 C/Python 为主，目标定在中等偏上水平，更关注代码质量而非单纯堆砌行数。

三、课程期待
3.1 最期待学习的知识
🔁 需求分析与敏捷开发流程：想知道在一个真实的软件项目中，需求到底怎么来、怎么管、怎么变。

📐 系统设计与架构模式：希望能从“会写模块”升级到“会设计系统”。

🧪 软件测试与质量保障：想建立规范的测试意识，不仅仅是“跑通了就行”。

🤝 团队协作与项目管理：Git 分支策略、Code Review、文档规范等软技能。

3.2 希望获得的收获
建立起对“软件工程”的整体认知框架，不再把写代码等同于做项目；

收获一次完整的团队项目协作经历，并能清晰地讲述自己在项目中的角色与贡献；

锻炼文档写作与表达沟通能力，能逻辑清晰地说明自己的设计思路与决策依据；

通过课程项目补强自己的工程能力，弥补只有 C/Python 基础、缺乏全栈经验的短板。

四、AI 工具生成软件工程课程学习指南
4.1 使用的 AI 工具
DeepSeek

4.2 提问指令
“我是一名软件工程专业大三学生，目前只掌握 Python、C 和 C++ 基础，请为我生成一份为期一学期的《软件工程》课程学习指南，帮助我将理论与实践结合，在完成课程要求的同时切实提升工程能力。请按时间线分阶段给出建议，并包含推荐的学习资源。”

4.3 AI 生成内容
以下内容由 DeepSeek AI 生成，原始输出经适当格式整理后呈现。

📚 软件工程课程学习指南（一学期规划）

阶段一：第 1 ~ 4 周 · 打好根基

理解软件工程的核心定义与三大要素（工具、方法、过程）；

掌握常见软件生命周期模型（瀑布、迭代、敏捷），理解各自适用场景；

学习需求工程基础：如何做需求调研、编写需求规格说明书；

实践建议：以小组为单位，选择一个真实或半真实的项目（如校园二手交易平台），开始尝试撰写需求文档。

阶段二：第 5 ~ 8 周 · 设计先行

学习 UML 建模（用例图、类图、时序图、活动图）；

理解高内聚、低耦合的设计原则，初步接触设计模式；

实践建议：为阶段一选定的项目绘制完整的 UML 图，并完成概要设计说明书。

阶段三：第 9 ~ 12 周 · 编码与测试

学习单元测试、集成测试与系统测试的基本方法；

掌握白盒测试与黑盒测试的核心思想；

理解 CI/CD 的基本概念，尝试配置简单的自动化构建流程；

实践建议：完成项目核心模块编码，为关键函数编写单元测试（如 pytest）。

阶段四：第 13 ~ 16 周 · 交付与运维

学习软件部署、运维监控与用户反馈收集的基本方法；

了解敏捷开发中的迭代回顾与复盘方法；

实践建议：将项目部署到云服务器，撰写项目总结报告与演示视频。

📖 推荐资源

书籍：《构建之法——现代软件工程》（邹欣）

在线课程：学堂在线 / 中国大学MOOC 软件工程相关课程

工具：Git / Postman / pytest / Docker（入门）

4.4 AI 生成指南的合理性分析
合理之处：

时间线清晰：将一学期分成四个阶段，对应软件工程的不同环节（需求→设计→编码测试→交付运维），结构合理，符合课程教学节奏。

强调“学以致用”：每阶段都给出具体的实践建议（如写需求文档、画 UML、写单元测试），避免纸上谈兵，这一点对我很有帮助。

工具推荐务实：提到的 Git、Postman、pytest 等工具都是业界真实在用且对求职有帮助的，不花哨但实用。

资源推荐接地气：《构建之法》是国内很多高校的软件工程推荐读物，教材不冷门、容易获取。

可以改进的地方：

缺乏量化指标：指南中提到“掌握”“理解”等要求，但没有给出可衡量的标准（比如“能独立画出 5 种 UML 图”），容易让人感到模糊。

缺少风险提示：没有指出哪些环节是同学们最容易卡住的（比如需求变更管理、团队协作冲突等），如果提前打“预防针”会更好。

对 AI 工具提及不足：作为 2026 年的课程，其实可以补充“如何借助 AI 辅助需求分析、代码生成、测试用例编写”等内容，更加贴合时代背景。

对“大三学生”的针对性偏弱：内容更偏向通用性建议，没有结合大三学生考研/就业的双线压力给出时间管理建议。

总体评价：

这份 AI 生成的指南整体合理、框架清晰，作为一份“起步参考”是有价值的，尤其适合对软件工程概念模糊的同学快速建立认知框架。但对个人而言，它更多起到“路线图”作用，具体学习深度和学习节奏仍需要结合自己的实际情况调整——不能完全照搬，但可以把它当作一份不错的“大纲”来用。

五、总结
完成这次作业的过程中，我做了几件以前没做过的事：

第一次尝试 Hugging Face 的 API，对“AI 能力如何嵌入应用”有了直观感受；

第一次给 GitHub 主页写了完整的 README，觉得以后可以当作一种“技术名片”来维护。

重新认识自己的过程不算轻松，但很有必要。希望这门课结束后，再回头看这篇作业时，能觉得自己确实往前走了几步。

附录：
markdown编辑页面截图：