# 软件工程课程学习随笔与自我评估

在刚刚结束的“前端输入 + 后端 Flask + Hugging Face FLUX 模型”交互式图像生成项目中，我经历了从环境配置到网络调试的完整实践。这段经历不仅让我打通了全栈 AI 应用的技术链路，也让我对自身的技能现状、技术偏好以及未来的学习方向有了更清晰的认知。

一、 技能树与技术偏好自我评估

结合近期的项目实践与日常学习，我将自己的技术能力与偏好梳理如下：

已具备的专业知识与能力：

• 能力 A：Python 基础与 API 调用能力。能够使用 Python 编写脚本，熟悉huggingface_hub等第三方库，能够根据文档调用大模型 API（如本次调用 FLUX 模型），并处理基本的 Base64 数据编解码。
• 能力 B：环境部署与错误排查。具备在 VS Code 及 Anaconda 环境下配置依赖的能力。面对 SSL: CERTIFICATE_VERIFY_FAILED（证书错误）、WinError 10060（网络超时）、Server disconnected（服务器断开）等重重报错，我能够通过查阅资料、修改代码（如配置 httpx 客户端）、调整本地代理环境来逐步定位并最终解决问题。

感兴趣的技术方向：

• AI 应用层开发（AI Agent & AIGC）。我对如何将大模型（如 FLUX、ChatGPT）的能力封装成看得见、摸得着的 Web 应用非常感兴趣。我希望未来能开发出真正解决实际问题的 AI 生产力工具。
• 轻量化全栈开发。相比于大型企业级架构，我目前对 Python 轻量化后端配合现代化前端框架（如 Vue/React）快速搭建原型更感兴趣。

还欠缺的能力：

• 能力 C：规范的软件工程与版本控制能力。目前写代码过于随性，缺乏使用 Git 进行版本控制的习惯，代码结构随意，不够规范。
• 能力 D：系统架构设计与模块解耦能力。目前写的代码大多缺乏对设计模式、代码分层（如 MVC、三层架构）的实际应用经验。

二、 代码量现状与目标

• 截至目前的代码量：估算在 1000 - 1500 行 左右。主要体现在课程作业和srtp项目的学习。代码大多是为了实现特定功能而写的验证性代码，缺乏完整的工程结构。
• 完成本学期课程后，希望达到的代码量：希望累计有效代码量能达到 5000 行以上。不追求单纯的数字堆砌，而是希望能写出结构清晰、包含完整数据库交互、具有基本容错机制和测试用例的规范化项目代码。

三、 本课程中最期待的知识与收获

• 最期待学习的知识：
  1. 软件生命周期与需求分析：如何将模糊的想法转化为明确的工程需求。
  2. 设计模式与代码重构：如何写出可读性高、易于扩展、低耦合的代码。
  3. 团队协作与 Git 工作流：如何在多人协作中合理使用分支管理、解决代码冲突。
• 希望获得的收获：
  不仅是学会写代码，更重要的是培养“工程化思维”。希望在面对像本次调 API 这样的大型需求时，不再是一边搜索一边报错、到处打补丁，而是能像工程师一样，先画架构图、评估技术选型、规划模块，最后有条不紊地实施。

四、 AI 工具生成的《软件工程课程学习指南》及分析

选择的 AI 工具：DeepSeek

【AI 生成的学习指南（复制于下）】

《软件工程课程学习指南》

1. 基础理论篇：掌握软件生命周期（SDLC），理解瀑布模型、敏捷开发（Scrum）的区别与适用场景。
2. 工具掌握篇：熟练使用 Git 与 GitHub 进行版本控制（分支管理、PR流程）；掌握项目构建工具（如 Maven/Gradle 或 npm/pip）。
3. 需求与设计篇：学习 UML 建模（用例图、类图、时序图），理解 MVC、MVVM 等常见架构模式，学习常见设计模式（单例、工厂、观察者）。
4. 编码与测试篇：注重代码规范（PEP8/Google Style），学习单元测试（JUnit/pytest）、集成测试与 CI/CD 流水线搭建。
5. 项目实战篇：组队完成一个中型项目，经历需求分析、概要设计、编码、测试、部署全流程，撰写规范的项目文档。
6. 推荐资源：《人月神话》、《构建之法》、GitHub 开源项目源码。

分析：这份指南合理吗？能带来帮助吗？

1. 合理性分析：
这份指南的逻辑非常完整且高度准确。它完美覆盖了软件工程的核心闭环：从需求到设计，再到编码、测试和部署。特别是提到了“文档撰写”和“测试”，这恰恰是很多学生（包括我）最容易忽视，但在实际工程中至关重要的环节。然而，对于目前基础还不牢固的我来说，这份指南略显宏大和理论化。尤其是 UML 建模和设计模式，如果脱离了具体项目的实践，直接去啃概念容易变成“纸上谈兵”。

2. 对自身的帮助：
这份指南对我有一定的纠偏和导向作用。

• 它让我意识到，不能只满足于“代码能跑起来”。在这次调用 FLUX 模型的作业中，我虽然最后跑通了，但代码结构混乱，Token 硬编码，没有任何错误重试机制，这完全违背了工程化的标准。
• 它提醒我，在接下来的学习中，必须把 Git 版本控制 和 单元测试 提上日程。
• 结合我自身的情况，我会把这份指南进行个性化调整：先从规范的 Git 管理和写好 Python 模块化代码做起，再逐步深入系统架构和设计模式。
  但我仍然认为，人的发展有随机性和不确定性，AI生成的计划只能起到一个辅助大方向的作用，具体仍需自己花费功夫去实践、探索，才能找到真正适合自己的方向。