软件工程第一次作业：大模型 API 调用与 GitHub 主页构建

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 1.注册博客园、GitHub账号并加入班级博客
2.调用HuggingFace API使用XLabs-AI/flux-RealismLora模型，结合前端实现交互式文生图
3.搭建GitHub个人主页；梳理个人技能树、统计代码量、制定学习规划
4.使用AI生成软件工程学习指南并分析
学号 102402109

软件工程第一次个人作业

一、自我认知：技能现状与成长短板

我是数据科学与大数据技术专业的学生，目前主要学习方向以 Python 数据分析、基础机器学习、计算机基础课程为主。平时习惯通过 Jupyter Notebook 完成代码实验、模型测试与数据处理，具备一定的动手实践能力，但工程化思维与完整项目经验较为薄弱。

课余爱好为旅行和风光摄影，喜欢捕捉自然光影，也热衷于研究 AIGC 图像生成，尝试用提示词创造写实风景画面；同时喜欢阅读技术博客，持续跟进 AI 领域新技术动态。
（下图为我在旅行中拍摄的照片集）
IMG_9291

1.1 当前技能树与自我评估

以下按照实际接触过的任务描述能力，不把简单使用过某个框架等同于精通。

能力方向 已经掌握的知识与实践 仍需深入的部分
Python数据开发 使用Python完成数据分析、清洗、可视化，能够针对问题完成模型实现、结果评估与报告输出 大规模工程化部署、MLOps相关实践
数据库处理 会使用MySQL完成基础查询、数据筛选，参与简单业务数据处理、结果核对 索引原理、数据库建模、数据可靠性校验
编程基础 掌握C/C++基础语法，熟悉数据结构相关算法，能够完成常规算法题目编写 底层原理深挖、复杂算法调优
工程协作 使用Git完成版本管理，熟悉Markdown文档编写，能够完成项目文档整理 完整项目需求拆解、软件测试、多人协作开发

1.2 项目经历

主要经历集中在课程项目中：

项目 角色 成果/收获
机器学习课程大作业 开发成员 使用Python完成数据处理与建模，撰写完整实验报告，掌握机器学习项目完整流程
数据可视化实践项目 开发成员 使用Python完成数据清洗、特征工程与可视化，提升数据分析和快速解决问题的能力

通过以上实践，我逐步掌握：

  • 数据预处理与数据分析
  • 数学模型建立
  • 数据可视化
  • Python编程
  • 模型评价与优化
  • 实验报告与文档写作

1.3 最需要加强的三项能力

  1. 计算机底层基础：完整吃透408计算机学科专业课，夯实底层基础。很多工具会调用使用，但底层原理理解不够透彻。
  2. 工程实战经验：目前大多是课程作业、实验脚本，缺少完整软件项目从需求分析、编码到测试交付的全流程实战。
  3. 软件测试与规范意识：写代码习惯优先保证功能跑通，缺少单元测试、异常捕获、代码规范的工程思维。

1.4 技术偏好与最希望学习的知识

最感兴趣：AIGC图像生成、大模型API应用，希望把模型能力嵌入实际程序。
希望深入学习：前端开发、LLM应用开发、模型部署、软件工程项目管理。

二、代码量与本学期目标

项目 预估数值
目前累计代码量 约8000行
本学期计划新增代码 4000行
课程结束总目标 12000行

该数值为个人粗略估算，后续将结合Git提交记录做更准确统计。

三、本课程最期待学习的知识与收获

期待学习的知识

  1. 软件工程完整开发流程：需求分析、概要设计、详细设计、软件测试、项目交付。
  2. 工程化规范：UML图绘制、模块化设计、版本管理、单元测试、项目文档撰写。
  3. 团队软件开发的协作模式，学习多人项目的分工、冲突管理与代码评审。

希望获得的收获

  1. 建立工程化思维，不再只追求代码跑通，而是写出可维护、易扩展、规范健壮的代码。
  2. 掌握软件项目文档撰写规范，学会标准化产出设计文档、测试文档。
  3. 可以独立完成小型软件项目的全流程开发，具备团队协同开发项目的能力。

四、基于Hugging Face API与FLUX模型搭建AI图像生成Web系统

4.1 实验目的

本次实验旨在掌握Hugging Face模型API的调用流程，完成账号注册、API密钥获取，借助Python+Flask搭建简易Web后端，直接传入提示词调用FLUX模型，实现AI图片生成。
整套实验搭建前后端联动页面，用户可在网页输入提示词、提交请求，后端调用模型推理，最后回传并展示生成图像。
通过本次实践，学习并掌握以下技能：

  • Hugging Face账号与API访问密钥的申请、配置；
  • Python虚拟环境的创建与项目依赖管理；
  • Flask轻量Web后端基础开发；
  • huggingface_hub库的调用方法；
  • 大模型文生图API接口的调用逻辑；
  • 前端网页与后端服务的数据交互；
  • API调用异常排查与错误处理；
  • AI绘图提示词(Prompt)的设计思路与优化技巧。

4.2 实验环境

项目 环境参数
操作系统 Windows
代码编辑器 Visual Studio Code
开发语言 Python
Python版本 Python 3.10
Web后端框架 Flask
模型服务平台 Hugging Face
API调用库 huggingface_hub
前端开发技术 HTML、CSS、JavaScript
AI图像模型 XLabs-AI/flux-RealismLora

4.3 项目功能说明

本项目实现了一个轻量化AI图片生成网页应用。
用户在网页表单内输入英文图像描述提示词，点击提交按钮上传表单。

系统执行完整工作流：

  1. 用户在页面表单输入Prompt文本；
  2. 用户点击提交按钮，浏览器发起POST表单请求；
  3. Flask后端接收表单请求，提取Prompt内容；
  4. 后端发起请求调用Hugging Face模型API；
  5. FLUX模型根据文本描述推理生成图像；
  6. 后端将生成的图片保存至本地static静态资源文件夹；
  7. 后端渲染HTML模板，把图片路径、生成耗时或错误信息传递给前端；
  8. 页面刷新后展示生成图片或报错提示。

整套系统形成完整链路：
文本表单输入 → POST表单提交 → 大模型推理运算 → 图像生成保存 → 页面渲染展示

4.4 API接口开发实现

4.4.1 Hugging Face账号注册与API密钥获取

前往Hugging Face官网注册个人账户，在账号设置页面生成Access Token访问密钥，用来鉴权调用平台的模型推理服务。

本项目为课程作业演示，直接将API密钥写在后端代码中；在正式上线的项目中，该做法存在密钥泄露风险，不推荐使用。

4.4.2 项目目录结构

项目文件夹FLUX_API_PROJECT完整目录如下，和本地工程结构保持一致：
FLUX_API_PROJECT/
├── .venv/
├── static/
│ ├── generated.png
│ └── style.css
├── templates/
│ └── index.html
└── app.py

各文件、文件夹功能说明：

文件/文件夹 作用说明
.venv Python项目虚拟环境，隔离项目依赖包
templates/index.html 前端网页页面，包含表单
static 静态资源目录，存放生成图片与CSS样式文件
app.py Flask后端主程序，处理页面渲染与模型调用

项目依赖库requirements.txt：

Flask
huggingface_hub

4.4.3 初始化 Hugging Face 推理客户端

首先导入项目所需 Python 库：

import time
from flask import Flask, render_template, request, jsonify
from huggingface_hub import InferenceClient

填入 Hugging Face 密钥，初始化推理客户端，绑定 FLUX 写实模型：

HF_TOKEN = "你的HuggingFace_API_Token"
client = InferenceClient(
    model="XLabs-AI/flux-RealismLora",
    api_key=HF_TOKEN
)

InferenceClient作为接口客户端，负责和 Hugging Face 平台通信，发起图像生成推理请求。

4.4.4 Flask 主路由开发（GET/POST 复用）

本项目采用单路由方案，/ 路由同时处理 GET 与 POST 请求。GET 请求用于加载初始页面；POST 请求接收前端表单提交的提示词，调用模型生成图片。

app = Flask(__name__)

@app.route("/", methods=["GET", "POST"])
def index():
    image_url = None
    error = None
    generation_time = None
    if request.method == "POST":
        prompt = request.form.get("prompt")
        if prompt:
            start_time = time.time()
            try:
                print("开始生成图片...")
                print("Prompt:", prompt)
                image = client.text_to_image(
                    prompt,
                    model="XLabs-AI/flux-RealismLora"
                )
                image.save(
                    "static/generated.png"
                )
                image_url = "/static/generated.png"
                generation_time = round(
                    time.time() - start_time,
                    2
                )
                print("生成成功")
                print("耗时:", generation_time)
            except Exception as e:
                error = str(e)
                print("生成失败:")
                print(error)
    return render_template(
        "index.html",
        image_url=image_url,
        error=error,
        generation_time=generation_time
    )

if __name__ == "__main__":
    app.run(
        host="127.0.0.1",
        port=5000,
        debug=True
    )

当用户首次访问页面，触发 GET 请求，直接渲染空白表单页面；当用户填写提示词提交表单，触发 POST 分支，执行图片生成逻辑，最后把结果变量传入模板渲染到网页。

4.5 前端页面设计

前端页面由多个功能模块构成：

  • 页面标题：AI Image Generator
  • 文本输入表单：用于填写英文图像描述 Prompt
  • 表单提交按钮
  • 图像预览区域：展示生成结果
  • 错误信息提示区域
  • 图像生成耗时展示

templates/index.html 核心代码

<!DOCTYPE html>
<html lang="zh-CN">
<head>
<meta charset="UTF-8">
<title>FLUX AI Image Generator</title>
<link rel="stylesheet" href="{{ url_for('static',filename='style.css') }}">
</head>
<body>
<div class="container">
    <header><h1>FLUX AI Creative Lab</h1><span class="status">● ONLINE</span></header>
    <main>
        <section class="input-area">
            <h3>Prompt Console</h3>
            <form method="POST">
                <textarea name="prompt" placeholder="输入英文图像描述" required></textarea>
                <button type="submit">Generate Image →</button>
            </form>
            <p>Model: XLabs-AI/flux-RealismLora</p>
        </section>
        <section class="preview-area">
            <h3>Generated Preview</h3>
            {% if image_url %}
                <img src="{{image_url}}">
                <div class="info">
                    <div>API: SUCCESS</div>
                    <div>Time: {{generation_time}} s</div>
                </div>
            {% else %}
                <div class="empty-tip">Waiting for generation...</div>
            {% endif %}
            {% if error %}<div class="err-msg">{{error}}</div>{% endif %}
        </section>
    </main>
</div>
</body>
</html>

static/style.css 核心样式代码

*{box-sizing:border-box;margin:0;padding:0;font-family:Microsoft YaHei;}
body{background:#020617;color:#e5e7eb;}
.container{width:95%;max-width:1200px;margin:40px auto;}
header{display:flex;justify-content:space-between;align-items:center;margin-bottom:30px;}
.status{color:#4ade80;background:rgba(34,197,94,.12);padding:8px 16px;border-radius:20px;}
main{display:grid;grid-template-columns:360px 1fr;gap:24px;}
.input-area,.preview-area{background:rgba(15,23,42,.85);border:1px solid #334155;border-radius:20px;padding:24px;backdrop-filter:blur(12px);}
textarea{width:100%;height:220px;padding:16px;border-radius:14px;background:#020617;border:1px solid #334155;color:#fff;resize:none;margin:12px 0;}
button{width:100%;padding:14px;border:none;border-radius:14px;background:linear-gradient(90deg,#06b6d4,#6366f1);color:#fff;font-weight:bold;cursor:pointer;}
.preview-area img{width:100%;border-radius:16px;margin-top:16px;}
.empty-tip{height:460px;display:flex;align-items:center;justify-content:center;color:#64748b;border:2px dashed #334155;border-radius:16px;}
.info{display:grid;grid-template-columns:1fr 1fr;gap:12px;margin-top:16px;}
.err-msg{margin-top:16px;padding:12px;border-radius:12px;background:rgba(239,68,68,.15);color:#f87171;}

用户在表单输入框填写画面描述，点击提交按钮，浏览器以表单 POST 方式提交数据到后端。

业务流程简要梳理

  1. 用户填写 Prompt
  2. 点击提交按钮，提交 HTML 表单
  3. Flask 后端接收表单参数
  4. 后端调用 Hugging Face API 执行图像推理
  5. FLUX 模型输出图片
  6. 图片保存到 static 静态文件夹
  7. 后端渲染模板，传递图片路径、耗时或错误信息
  8. 页面刷新，展示生成图片或报错文字

4.6 开发调试遇到的问题与解决方案

项目调试阶段遇到多个接口报错，逐一排查解决。

问题一：API 密钥硬编码导致的安全隐患

现象描述：在初始版本中，Hugging Face 的 Access Token 直接以明文字符串的形式写在 app.py 中。当项目代码被提交到 Git 仓库或分享给他人时，密钥将完全暴露，任何人都可以盗用该配额调用 API，产生不必要的费用甚至导致账号被封禁。

原因分析：硬编码密钥是初学者常见的安全反模式。其根源在于将配置信息与业务逻辑混放在一起，缺乏对敏感数据的隔离意识。Hugging Face 的 Token 本质上等同于账号密码，一旦泄露后果严重。

解决方案：本实验为了简化演示保留了硬编码写法，但在代码注释与报告中明确标注了风险。改进方案有两种：其一，使用环境变量传递密钥，在代码中通过 os.environ.get("HF_TOKEN") 读取，运行前在终端执行 set HF_TOKEN=你的密钥（Windows）或 export HF_TOKEN=你的密钥（Linux/macOS）；其二，使用 .env 文件配合 python-dotenv 库加载，并将 .env 加入 .gitignore。两种方式都能将密钥从代码中剥离，实现配置与逻辑的解耦。

问题二：生成图片被覆盖与浏览器缓存问题

现象描述：由于每次生成的图片都保存为同一个文件名 static/generated.png，在连续多次生成后，浏览器有时会显示上一次的旧图片而非最新结果，需要手动强制刷新（Ctrl+F5）才能看到新图。

原因分析：该问题由两方面因素叠加导致。一方面，后端始终覆盖写入同一文件路径，URL 不变，浏览器的缓存机制会认为该资源未发生变化而直接使用本地缓存；另一方面，Flask 在开发模式下对静态文件的缓存控制头默认允许缓存，进一步加剧了该现象。

解决方案：针对本实验的单用户演示场景，最简单的处理方式是在图片 URL 后追加时间戳查询参数（如 /static/generated.png?t=1234567890），使每次请求的 URL 都不同，从而绕过浏览器缓存。若要从根本上解决，可改为为每次生成分配唯一文件名（如使用 UUID 或时间戳命名），并在会话中记录最近一次的文件路径。此外，在生产环境中还应配置正确的 Cache-Control 响应头。

4.7 启动 Flask 后端服务

代码编写完成后，在 VS Code 终端执行启动命令：

python app.py

启动成功后，终端将输出类似如下信息：

 * Serving Flask app 'app'
 * Debug mode: on
WARNING: This is a development server. Do not use it in a production deployment.
 * Running on http://127.0.0.1:5000

此时打开浏览器，在地址栏输入 http://127.0.0.1:5000 即可访问系统首页。页面加载后左侧显示提示词输入控制台，右侧预览区域显示 "Waiting for generation..." 占位提示，顶部状态徽标显示绿色 "● ONLINE"。

系统首页运行效果如下图所示：
0b835f9eb16e4b1ddc601b7f9a828360

4.8 第一轮测试

第一轮测试采用基础描述型提示词，仅包含画面主体与场景的简单陈述，不附加任何摄影风格、光影或构图方面的修饰。输入的提示词如下：

Sunlight shining through trees,
green leaves, natural forest
scene.

提交后，系统调用 Hugging Face API 进行图像生成，后端记录的推理耗时为 9.86 秒。API 调用状态为 SUCCESS，页面正常展示生成的图片与耗时信息。

从生成结果来看，画面成功呈现了森林与树木的基本形态，阳光效果也有所体现，但整体画面较为平淡，细节层次不足，光影过渡生硬，缺乏空间纵深感。这说明仅靠基础描述，模型虽然能够理解主体内容，但在画面质感与艺术表现力方面存在明显局限。

第一轮测试生成结果如下图所示：

ba03be89e8a37f13c90fa1f35d1047b3

4.9 第二轮测试

第二轮测试在第一轮基础上，对提示词进行了增强，加入了写实摄影风格、金色光线、叶片纹理、柔和阴影、电影感构图、真实色彩和浅景深等描述，使提示词从简单场景描述升级为多维度图像生成约束。输入的提示词如下：

Realistic photography of sunlight
passing through a dense forest,
golden rays shining between tall
trees,warm light falling on
green leaves, detailed leaf
textures, soft shadows on the
ground, peaceful natural
atmosphere, cinematic
composition, high quality camera
photography, realistic colors,
shallow depth of field.

提交后，API 推理耗时为 14.37 秒，较第一轮增加了约 4.5 秒。API 调用状态同样为 SUCCESS。

从生成结果来看，第二轮图像质量提升明显。阳光穿过高大树木后形成更自然的金色光束，暖光与绿色叶片结合更加协调；叶片纹理和地面阴影更加清晰，画面具有更强的空间层次和真实摄影质感。电影感构图和浅景深效果使主体更加突出，整体画面更接近高质量自然摄影作品。

第二轮测试生成结果如下图所示：

488a263a9c1c0e984439d66e87318c11

4.10 两轮结果对比

为了评估提示词精细度对文生图结果的影响，现将两轮测试从八个维度进行对比，如下表所示：

对比维度 第一轮测试 第二轮测试
Prompt 特点 基础场景描述，语句简洁，仅描述景物主体 精细描述，包含摄影风格、光影、纹理、景深、构图、氛围等约束
画面主体 森林、阳光和绿叶，形态可辨认，细节粗糙 茂密森林、高大树木，金色光束，叶片纹理清晰丰富
画面风格 朴素自然风景效果，无明确摄影风格 写实摄影风格，带有电影氛围感
光影表现 光照效果简单，明暗层次弱 金色光线层次丰富，暖光与地面柔和阴影对比自然
纹理细节 树叶、植被细节模糊 叶片纹理清晰，地面植被细节丰富
构图方式 构图平淡，缺少视觉引导 电影感构图，光线引导视线，空间层次感强
色彩表现 色彩平淡，色调单一 色彩真实自然，暖金色光线与绿叶色彩协调
生成耗时 9.86 秒 14.37 秒
API 调用状态 SUCCESS SUCCESS

从上表可以看出，第二轮测试在除耗时外的所有视觉维度上均优于第一轮。提示词中新增的摄影相关描述，能够引导模型渲染更真实的光影、纹理与空间效果。耗时增加主要是因为模型需要解析更长的文本描述并渲染更多图像细节，该时间开销在本实验场景下可接受。该实验验证了提示词工程（Prompt Engineering）在文生图任务中的重要作用：描述精准、维度丰富的提示词，可以显著提升AI生成图像的画面真实感与细节质量。

4.11 实验总结

本次实验成功设计并实现了一个基于 Hugging Face API 与 FLUX 模型的 AI 图像生成 Web 系统。通过 Flask 单路由方案将后端服务与前端页面整合在一个轻量级框架中，使用 InferenceClient 调用 XLabs-AI/flux-RealismLora 模型完成文本到图像的在线推理，最终实现了提示词输入、图像生成、结果展示与耗时统计的完整功能闭环。

在技术层面，本次实验巩固了 Flask 路由设计、Jinja2 模板渲染、表单数据处理、第三方 API 调用与异常捕获等核心技能，同时加深了对 Hugging Face 生态与扩散模型推理流程的理解。在问题分析层面，通过对 API 密钥硬编码安全隐患与图片缓存覆盖问题的排查与解决，积累了 Web 开发中常见问题的调试经验。在实验评估层面，两轮对比测试定量地证明了提示词精细度对生成图像质量的决定性影响，基础描述仅能生成可辨识的主体内容，而融入摄影风格、光影、景深、构图与色彩等维度的结构化提示词则能产出接近专业摄影水准的作品，代价是推理耗时增加约 45.7%。

当然，本系统仍存在一些可改进之处：当前采用整页刷新的同步提交方式，用户体验有待提升，后续可引入 AJAX 异步请求与加载动画；图片文件采用固定命名导致覆盖与缓存问题，可改为唯一文件名方案；API 密钥硬编码存在安全风险，应迁移至环境变量管理。这些改进方向将作为后续学习与实践的课题。总体而言，本次实验达到了预期目标，完成了从理论知识到工程实践的转化。

五、Github个人主页搭建

本次作业选择方案1：创建名称与GitHub ID相同的仓库，在仓库根目录README中撰写个人介绍。

5.1 任务要求

在GitHub上完成个人主页建设，个人主页需要包含：

  1. 自我介绍，兴趣爱好、个人经历；可配图丰富页面。
  2. 展示个人成果、技能、专业实践经历，完成自我评估：已掌握的知识能力、感兴趣的技术方向、希望学习的内容。
  3. 未来三年发展规划（考研/保研/就业/考公等，写明目标与理由）。

5.2 实现步骤

  1. 注册GitHub账号，创建仓库名与GitHub ID完全相同的特殊仓库；
  2. 在仓库根目录新建 README.md 文件，编写markdown个人主页内容；
  3. 提交代码，仓库首页自动渲染README，作为GitHub个人主页；
  4. 完善内容：个人介绍、竞赛实践、技能自评、三年规划；
  5. 截图保存GitHub主页效果，上传图片到博客园。

5.3 GitHub个人主页截图

b16c4b44a730f21a3a6813033e710253

GitHub个人主页访问链接：
点击访问我的GitHub个人主页

5.4 实验总结

本次作业我选用方案1搭建GitHub个人主页，创建与GitHub用户名同名仓库，编写README.md实现个人主页展示。页面完整覆盖自我介绍、技能实践、自我评估、三年发展规划四项要求，梳理了自身掌握的技术、短板与未来发展路线，熟悉了GitHub仓库创建、Markdown文档编写与版本提交操作。

六、AI生成软件工程学习指南（使用ChatGPT生成）

向ChatGPT输入提示词：请生成一份软件工程课程学习指南，面向本科大三数据科学与大数据技术专业学生

以下为 ChatGPT 生成的学习指南全文。

6.1 课程学习目标

软件工程是一门研究如何规范、高效地开发和维护软件系统的课程。对于数据科学与大数据技术专业学生而言，软件工程不仅要求掌握代码编写能力，更重要的是培养工程化思维，使学生能够将数据分析、人工智能、大数据技术与实际软件系统结合。

通过本课程学习，希望能够：

  • 掌握软件开发的完整流程；
  • 理解软件工程中的需求分析、系统设计、编码、测试和维护方法；
  • 提升团队协作开发能力；
  • 学会使用工程化工具，提高项目开发效率；
  • 为未来从事数据开发、人工智能应用开发等方向打下基础。

6.2 主要学习内容

6.2.1 软件开发生命周期

学习软件从产生需求到最终交付的完整过程，包括：

  • 需求分析
  • 软件设计
  • 编码实现
  • 软件测试
  • 软件部署
  • 软件维护

通过学习生命周期，可以理解一个完整软件项目是如何从想法变成实际产品的。

6.2.2 软件需求分析

需求分析是软件开发的第一步。需要学习：

  • 如何理解用户需求
  • 如何编写需求文档
  • 如何进行功能分析
  • 如何使用 UML 图描述系统

对于数据科学专业学生而言，需要特别关注：

  • 数据需求分析
  • 数据处理流程设计
  • AI 应用场景需求

6.2.3 软件系统设计

系统设计阶段主要学习如何规划软件结构。包括：

  • 软件架构设计
  • 模块划分
  • 数据库设计
  • 接口设计

结合数据科学方向，可以学习：

  • 数据服务接口设计
  • AI 模型调用接口设计
  • 数据处理系统架构

6.2.4 软件开发与工程实践

课程中需要提高实际编码能力。重点学习：

  • Python、Java 等语言工程化开发
  • 项目代码规范
  • Git 版本控制
  • 团队协作开发
  • 软件项目管理

通过实际项目训练，将个人代码能力提升为工程开发能力。

6.2.5 软件测试与质量保证

软件测试是保证系统稳定的重要环节。需要掌握：

  • 单元测试
  • 集成测试
  • 功能测试
  • 性能测试

对于数据和 AI 项目，还需要关注：

  • 数据准确性测试
  • 模型效果评估
  • 系统运行稳定性

6.3 结合专业方向的学习重点

作为数据科学与大数据技术专业学生，可以重点关注以下方向：

  1. AI 应用开发：学习如何将人工智能模型应用到实际软件中，例如调用大模型 API、搭建 AI 应用系统、开发智能工具。
  2. 数据驱动的软件系统：结合专业知识，实现数据采集系统、数据分析平台、数据可视化系统。
  3. 大数据工程实践：了解数据处理流程、分布式系统思想、数据存储与计算框架。

6.4 学习方法建议

  1. 理论结合实践：软件工程不是只学习概念，需要通过项目理解。建议每学习一个知识点尝试完成对应小项目；多阅读优秀开源项目代码；积累项目开发经验。
  2. 注重代码规范：编写代码时保持代码结构清晰、添加必要注释、使用版本管理工具、学习团队开发习惯。
  3. 提升工程思维：不要只关注"代码能不能运行"，还需要考虑是否方便维护、是否容易扩展、是否符合团队规范。

6.5 推荐学习路线

第一阶段：基础提升

  • 目标：掌握软件工程基本概念；熟悉 Git、Markdown 等工具；提升代码规范能力。
  • 学习内容：软件生命周期、UML 建模、版本控制、项目管理。

第二阶段：项目实践

  • 目标：完成一个完整的软件项目。
  • 实践内容：编写需求分析文档、完成系统设计、开发前后端功能、完成测试。
  • 结合数据科学方向，可以尝试 AI 图像生成系统、数据分析平台、智能预测系统。

第三阶段：工程能力提升

  • 目标：从"会写代码"成长为"会开发软件"。
  • 提升方向：学习软件架构、学习云部署、学习团队协作开发、参与开源项目。

6.6 总结

对于数据科学与大数据技术专业学生来说，软件工程课程能够帮助我们从数据处理和算法学习进一步走向实际应用开发。未来的数据科学项目不仅需要算法能力，也需要完整的软件工程能力。通过本课程学习，希望能够掌握规范的软件开发流程，提高项目实践能力，将数据、人工智能技术与软件系统结合，开发更加稳定、高效的应用系统。

七、后台博文编辑页面的截图

本截图为博客园随笔后台Markdown编辑页面，本次作业全文采用Markdown语法编写，使用博客园自带Markdown编辑器完成内容撰写与排版，截图用于证明作业是在Markdown编辑模式下完成，满足作业提交格式要求。

d28ce9029381df2179747f9fbe545643

posted @ 2026-09-11 16:30  Vvvicky-  阅读(11)  评论(0)    收藏  举报