AI编程与Claude Code,Cursor概述
一.AI编程
1.什么是AI编程
人类编程的历史，就是一部不断 逃离底层细节，追求更高层级抽象 的历史,AI 编程正是这一进程的最新、也是最高级的阶段
AI编程的本质是编程抽象的第五个阶段的飞跃,它将编程的核心关注点从“编写语法正确的代码”提升到“ 翻译人类的意图 ”，即 vibe coding
编程抽象的五个历史阶段：从“控制硬件”到“控制意图”
第一阶段：机器码 (Machine Code)
时间时期： 1940s – 1950s 初（电子管与穿孔卡片时代）
核心定义： 控制电流 。
描述： 程序员直接与硬件对话，关注的是电压开关、真空管状态和穿孔卡片上的孔位。
工作方式： 输入
00101101。本质： 人迁就机器 。为了让机器动起来，人类必须像机器一样思考（二进制）。
第二阶段：汇编语言 (Assembly)
时间时期： 1950s 中期 – 1960s（晶体管与早期大型机时代）
核心定义： 控制寄存器 。
描述： 用助记符（Mnemonics）代替了二进制串，但逻辑仍然受限于具体的 CPU 架构（如 x86, ARM）。
工作方式： 输入
MOV AX, 1（把1移入寄存器AX）。本质： 符号化的机器指令 。虽然有了可读性，但仍需手动管理每一个字节的移动。
第三阶段：过程式语言 (Procedural)
时间时期： 1960s – 1980s（算法与操作系统黄金时代）
核心定义： 控制逻辑流 。
代表工具： C, Fortran, Pascal。
描述： 引入了
if/else、for循环和函数。程序员开始关注 算法与数据结构 ，从底层硬件细节中解放出来，不再需要知道变量存在哪个物理内存地址上。本质： 逻辑的抽象 。人类开始用数学逻辑和流程图来描述任务。
第四阶段：高级抽象语言 (High-Level / Managed)
时间时期： 1990s – 2022（互联网与软件工程时代）
核心定义： 控制对象与数据 。
代表工具： Python, Java, SQL, JavaScript。
描述： 引入了垃圾回收（GC）、面向对象（OOP）和庞大的标准库。程序员不再关心内存管理（Malloc/Free），专注于 业务逻辑 、 系统架构 和 数据处理 。
本质： 工程的抽象 。编程变成了搭积木，重点在于如何利用现有的库和框架构建复杂的系统。
第五阶段：AI 编程 (Vibe Coding)
时间时期： 2023 – 未来（大模型与AGI雏形时代）
核心定义： 控制意图与结果
代表工具： ChatGPT, Claude, Cursor, Copilot,通义灵码
描述： 这一阶段发生了本质飞跃,程序员不再关心“语法是否正确”或“函数如何实现”
核心关注点： 只有 “我想做什么” (What) 和 “想要什么感觉” (Vibe) ，而将 “怎么实现” (How) 完全托管给 AI
本质： 意图的编译
输入： 自然语言、模糊的需求、草图
编译器： 大语言模型（LLM）
输出： 能够运行的软件产品
变化： 编程从“说明书式”的精准指令，变成了“导演式”的 愿景描述
人类编程的历史，就是一部不断 逃离底层细节，追求更高层级抽象 的历史。AI 编程正是这一进程的最新、也是最高级的阶段。
AI编程的本质是编程抽象的第五个阶段的飞跃。它将编程的核心关注点从“编写语法正确的代码”提升到“ 翻译人类的意图 ”，即 vibe coding 。
编程抽象的五个历史阶段：从“控制硬件”到“控制意图”
第一阶段：机器码 (Machine Code)
-
时间时期： 1940s – 1950s 初（电子管与穿孔卡片时代）
-
核心定义： 控制电流 。
-
描述： 程序员直接与硬件对话，关注的是电压开关、真空管状态和穿孔卡片上的孔位。
-
工作方式： 输入
00101101。 -
本质： 人迁就机器 。为了让机器动起来，人类必须像机器一样思考（二进制）。
第二阶段：汇编语言 (Assembly)
-
时间时期： 1950s 中期 – 1960s（晶体管与早期大型机时代）
-
核心定义： 控制寄存器 。
-
描述： 用助记符（Mnemonics）代替了二进制串，但逻辑仍然受限于具体的 CPU 架构（如 x86, ARM）。
-
工作方式： 输入
MOV AX, 1（把1移入寄存器AX）。 -
本质： 符号化的机器指令 。虽然有了可读性，但仍需手动管理每一个字节的移动。
第三阶段：过程式语言 (Procedural)
-
时间时期： 1960s – 1980s（算法与操作系统黄金时代）
-
核心定义： 控制逻辑流 。
-
代表工具： C, Fortran, Pascal。
-
描述： 引入了
if/else、for循环和函数。程序员开始关注 算法与数据结构 ，从底层硬件细节中解放出来，不再需要知道变量存在哪个物理内存地址上。 -
本质： 逻辑的抽象 。人类开始用数学逻辑和流程图来描述任务。
第四阶段：高级抽象语言 (High-Level / Managed)
-
时间时期： 1990s – 2022（互联网与软件工程时代）
-
核心定义： 控制对象与数据 。
-
代表工具： Python, Java, SQL, JavaScript。
-
描述： 引入了垃圾回收（GC）、面向对象（OOP）和庞大的标准库。程序员不再关心内存管理（Malloc/Free），专注于 业务逻辑 、 系统架构 和 数据处理 。
-
本质： 工程的抽象 。编程变成了搭积木，重点在于如何利用现有的库和框架构建复杂的系统。
第五阶段：AI 编程 (Vibe Coding)
时间时期： 2023 – 未来（大模型与AGI雏形时代）
核心定义： 控制意图与结果
代表工具： ChatGPT, Claude, Cursor, Copilot,通义灵码
描述： 这一阶段发生了本质飞跃。程序员不再关心“语法是否正确”或“函数如何实现”。
核心关注点： 只有 “我想做什么” (What) 和 “想要什么感觉” (Vibe) ，而将 “怎么实现” (How) 完全托管给 AI
本质： 意图的编译 。
输入： 自然语言、模糊的需求、草图
编译器： 大语言模型（LLM）
输出： 能够运行的软件产品
变化： 编程从“说明书式”的精准指令，变成了“导演式”的 愿景描述
Vibe Coding（氛围编程） 是2025年由OpenAI联合创始人Andrej Karpathy提出的 新型编程范式，核心是 通过自然语言描述需求，驱动AI生成代码,该概念被《柯林斯词典》评为2025年度词汇，标志着人机协作开发模式的革命性突破
其中：Cursor, Claude是目前vibe coding效率和效果最好的工具
2.核心概念
模型
LLM 是 AI 编程工具的核心,它们具备强大的自然语言理解、生成、逻辑推理和代码生成能力
|
模型类型 |
核心描述 |
数据输入类型 |
在 AI 编程中的核心作用 |
|
大型语言模型 (LLM) |
基于海量文本数据训练而成，具备处理和生成人类语言的能力。 |
文本（Text） 和 代码（Code） |
核心功能： 理解复杂的编程需求、生成新的代码片段、自动修复 Bug、解释代码逻辑和复杂的 API 用法、编写文档。 |
|
多模态大模型 |
能够同时处理和理解多种类型的数据（如文本、代码、图像、视频），将不同模态的信息进行关联和推理。 |
文本（Text）、代码（Code）、图像（Image） 等 |
增强功能： 能够理解用户提供的截图（例如错误信息、UI 设计图、流程图）并生成相应的代码、根据设计图生成前端代码、分析复杂的图表数据并进行推理。（例如，Gemini 系列和 GPT-4o 具备多模态能力。） |
模型上下文
模型上下文（Model Context），也被称为 背景信息 或 输入序列（Input Sequence） ，指的是所有提供给大模型，帮助其理解当前任务、保持连贯性并生成相关回复的 信息集合 。
模型上下文是模型在生成下一个词元（token）时可以回顾和参考的 所有数据
模型上下文的组成要素
|
上下文类型 |
来源 / 作用 |
对应示例数据 |
|
1. 系统提示词 |
设定 系统 身份和规则。 确保 系统 表现为专业的“电影数据库查询助手”。 |
你是专业的电影信息查询机器人。 |
|
2. 用户输入提示词 |
当前请求。 用户想知道的具体问题。 |
请找出评分最高的电影。 |
|
3. 对话历史 |
会话记忆。 前面的问答记录，用于保持连贯性。 |
[历史回合 1 - 用户]: 请找出评分最高的电影。 [历史回合 1 - AI助手]: 评分最高的电影是《霸王别姬》，导演是陈凯歌，评分9.6分。 |
|
4. 外部上下文 (工具输出) |
实时数据。 运行 SQL 语句后从 movie_db 返回的查询结果。 |
{ "YEAR": "1993" } |
|
5. 内部上下文 (模型生成内容) |
规划步骤。 模型在回复前，为实现目标所做的内部思考、规划和工具调用指令。 |
文本/JSON |
模型上下文工程：
- prompt系统
- context：更加动态信息
3.AI编程工具
随着大模型技术（LLM）的飞速发展，AI 编程工具已经从简单的代码补全辅助，进化成了深度参与软件开发流程的 智能伙伴 ,这些工具通过将顶尖的代码生成模型集成到开发环境（IDE）中，极大地提高了开发效率、降低了重复劳动、并协助处理复杂的代码重构,了解不同工具的定位和核心技术优势，是选择适合自己开发流程的关键
市场主流 AI 编程工具概览
|
AI 编程工具名称 |
所属公司 |
模型提供方/模型名称 |
URL地址 |
|
Cursor |
Cursor (与公司同名) |
支持多个供应商 (Anthropic, OpenAI, Google 等) |
|
|
GitHub Copilot |
GitHub (Microsoft) |
GitHub/OpenAI (专有代码模型) |
|
|
Google Gemini Code |
|
Google (Gemini 系列模型) |
|
|
Claude Code |
Anthropic |
Anthropic (Claude 3.5 Sonnet, Claude 3 Opus 、deepseek等) |
|
|
Baidu Comate (百度Comate) |
百度 |
百度（文心一言系列） |
百度智能云、飞桨等生态平台 |
|
通义灵码 |
阿里巴巴 |
阿里巴巴（通义千问系列） |
|
|
腾讯 CodeBuddy |
腾讯 |
腾讯（混元系列） |
核心工具定位与场景总结
|
工具名称 |
核心定位与优势 |
典型场景示例 |
|
GitHub Copilot |
集成与补全核心。 专注于行级和函数级的代码补全，深度集成到各自的云生态。 |
场景： 快速编写重复的 Getter/Setter 函数；在写函数签名时自动补全整个函数体；将代码部署到相应云服务时的配置辅助。 |
|
Cursor |
AI 驱动的 IDE 与多模型切换。 核心优势在于上下文管理和多模型切换能力。能高效地将整个项目文件作为上下文喂给模型。 |
场景（上下文强项）： 用户选中 5 个不同的文件（前端、后端 API、数据库 Schema），要求 AI 在这些文件间进行统一修改或重构，保持逻辑同步。 |
|
Claude Code (Anthropic Models) |
顶级代码推理核心与超长上下文。 强项在于处理超长上下文（如 、1M Token），进行复杂的架构理解和重构。 |
场景： 要求 AI 总结一个包含 5000 行代码的模块的设计模式和潜在安全漏洞；基于一个大型代码库的上下文，将整个认证系统从 RESTful API 重构为 GraphQL。 |
|
Baidu Comate / 通义灵码 / 腾讯 CodeBuddy |
本土化与生态融合。 依托国内顶级大厂的自研模型（文心、通义、混元），提供高度优化的中文支持、代码补全、测试生成和与本土云服务的深度集成。 |
场景： 快速基于国内云 API 或组件进行开发；在中文开发文档中获取准确的编程辅助；确保代码符合本土合规性要求。 |
建议
AI 编程工具的选择取决于开发者的 核心需求 ：
对于需要深入项目级重构、依赖多文件上下文且要求模型能力灵活切换的开发者， Cursor 提供了卓越的 AI 驱动 IDE 体验
对于处理超大型代码库、需要模型进行复杂架构推理的开发者， Claude Code 及其强大的上下文能力是最佳选择
对于注重中文支持、国内生态和合规性的开发者， 以 CodeBuddy、Comate 和通义灵码为代表的本土工具更具优势
二.ClaudeCode编程
1.关于ClaudCode
https://code.claude.com/docs/en/overview
Claude Code是Anthropic推出的一个 代码开发工具 ，旨在将Claude模型的能力深度嵌入到开发者的日常工作流中。它的价值远超IDE内的简单代码补全，而是定位于实现项目级别和流程级别的自动化。通过Claude Code ，开发者可以实现以下功能：
自动化程式码审阅： 利用AI对拉取请求（Pull Requests）或代码提交进行批量审查
批次处理专案档案： 快速处理和修改项目中的多个文件
产生注解与文档： 自动为函数和类生成规范的文档
整合CI/CD平台： 实现人工智能自动生成拉取请求和协助Issue分类，将LLM能力纳入持续集成/持续部署流程
CI：Continuous Integration (持续集成)：用于问题发现，且越早越好，避免了多个人开发了一周，最后合并代码时发现几百个冲突和 Bug，导致系统崩溃。每次合并都会触发自动化的构建和测试流程，测试通过之后才会进入CD
CD：Continuous Delivery (持续交付)：在 CI 通过后，自动将代码部署到类生产环境（Staging/Pre-prod）。此时，软件已经准备好随时发布给用户，但最后一步（发布到生产环境）通常需要人工点击确认
2.ClaudCode 下载与安装
2.1 物料清单及介绍
需要准备好以下“原材料”:
2.2 下载安装node.js （winodws系统为例）
node.js 下载地址 ：https://nodejs.org/en/download/
node.js安装(傻瓜式安装即可)
node.js 检查验证：
#打开终端
node -v
npm -v
2.3 下载安装claudcode（winodws系统为例）
安装claude code:
#打开终端执行，以下是claudecode安装
npm install -g @anthropic-ai/claude-code
#claude-code版本验证
claude --version效果如下:
2.4 配置deepseek（windows系统为例）
获取deepseek的API keys
在配置deepseek之前, 需要获取deepseek的API keys,点击进入deepseek platform: DeepSeek
配置deepseek
Windows + R, 输入cmd, 进入命令界面,执行下面操作:
#1. 设置 DeepSeek 接口地址
setx ANTHROPIC_BASE_URL "https://api.deepseek.com/anthropic"
#2. 设置认证 Key (请将 sk-xxxx 替换为你的真实的 DeepSeek Key)
setx ANTHROPIC_AUTH_TOKEN "sk-210a32a4d7e24fb5a3aeda62e6e02e64"
#3. 设置超时时间（10分钟）
setx API_TIMEOUT_MS 1200000
#4. 指定模型
setx ANTHROPIC_MODEL "deepseek-chat"
setx ANTHROPIC_SMALL_FAST_MODEL "deepseek-chat"
#5. 禁用非必要流量
setx CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC 1操作结果如下:
验证claude,如下说明没问题:
2.5 验证测试
进入一个项目, 如下:
通过cmd（即终端）进入项目，并启动claude：
3.ClaudCode编程实战
(1).git操作
见文章: git 将仓库中的项目clone至本地, git常用命令 git 将仓库中的项目clone至本地,
这里其实就是 安装git, 设置ssh-keygen密钥,启动 SSH 代理并添加私钥, 复制公钥内容并将公钥添加到代码托管平台(gitea,github,gitlab等)
(2).claudecode克隆代码以及完成需求开发并自动提交
手动克隆仓库: git clone git@...xxx
准备prompt:
请基于当前目录下F:\www\python-data\agent-sweep-engine>进行克隆代码，并基于F:\www\python-data\agent-sweep-engine>\开发及提交要求.txt进行完成开发及提交，我是zhoupenghui，注意测试验证时候我这边是中文注意字符编码或者采用英文query测试 git clone ssh://git@8xxx:2002/agent-sweep-engine.git 我的deepseek账号信息，采用from dotenv import load_dotenv进行加载 DEEPSEEK_API_KEY1=sk-xxxx base_url1=https://api.deepseek.com/v1 我的本地python解释器为： D:\Anaconda\envs\cloud\python.exe
打开claude
进入目录，启动claude
输入准备好的prompt来启动任务
任务完成
然后可以在代码仓库中查看是否成功即可!
4.提交规范
以下是实际代码开发工作中提交的一些规范：其中（
feat,fix,docs,refactor,chore）这5个，能覆盖 95% 的工作场景
|
前缀 (Type) |
含义 (Meaning) |
应用场景 (Scenarios) |
实例 (Example) |
|
feat |
新功能 (Feature) |
开发了新的功能模块、页面、API 接口等。 |
feat: add user login api<br>新增用户登录接口 |
|
fix |
修复 (Bug Fix) |
修复了代码中的 Bug。 |
fix: resolve memory leak in image processing<br>修复图像处理中的内存泄漏 |
|
docs |
文档 (Documentation) |
仅修改了文档（如 README, 注释），不涉及代码逻辑。 |
docs: update API parameters description<br>更新 API 参数说明文档 |
|
style |
格式 (Style) |
不影响代码运行的变动（空格、缩进、分号、换行），不是指 CSS 样式变动。 |
style: format code with black<br>使用 Black 格式化代码 |
|
refactor |
重构 (Refactor) |
既不是新增功能，也不是修 Bug 的代码变动（如重命名变量、函数抽取、优化结构）。 |
refactor: simplify authentication logic<br>简化身份验证逻辑 |
|
perf |
性能 (Performance) |
专门用于提升性能的代码更改。 |
perf: optimize database query speed<br>优化数据库查询速度 |
|
test |
测试 (Test) |
增加测试用例或修正现有的测试，不改变生产代码。 |
test: add unit tests for payment service<br>为支付服务添加单元测试 |
|
chore |
杂项 (Chore) |
构建过程或辅助工具的变动，不修改源代码（如依赖更新、配置修改）。 |
chore: update numpy version to 1.21<br>更新 numpy 版本 |
|
build |
构建 (Build) |
影响构建系统或外部依赖的更改 (npm, pip, webpack 等)。 |
build: upgrade webpack config<br>升级 Webpack 配置 |
|
ci |
集成 (CI) |
修改 CI 配置文件 (GitLab CI, GitHub Actions, Jenkins)。 |
ci: fix github actions script error<br>修复 Github Actions 脚本错误 |
|
revert |
回滚 (Revert) |
撤销之前的某次提交。 |
revert: feat: add dark mode<br>回退“新增暗黑模式”的提交 |
三.Cursor编程
1.什么是cursor
Cursor 是一款由 AI 驱动的代码编辑器，能够理解你的代码库，并通过自然语言助你更快编写代码.只需描述你想要构建或修改的内容，Cursor 就会为你生成相应的代码
Cursor是由 Anysphere 创建开发的,Anysphere 被描述为一个致力于 程序自动化 的应用研究实验室，旨在结合 AI 与人类智慧来培育天才工程师, Cursor 是 Anysphere 推出的 第一个也是最主要的产品
|
名称 |
角色定位 |
|
Cursor |
产品/工具名称 (AI 驱动的代码编辑器) |
|
Anysphere |
公司名称 (开发 Cursor 的初创公司) |
https://cursor.com/cn/docs
以下是目前cursor支持的模型：
2.、cursor下载与安装
cursor下载地址： https://cursor.com/cn/download
cursor安装(傻瓜式安装即可)
cursor登录: 可以在某宝某鱼上买一个账号，免费账号用起来会较为麻烦
3.cursor配置
由于某些特殊区域原因，需要魔法工具来解决网络问题，才能用上强悍的cursor中大模型。例如composer 1、claude sonnet等
3.1 获取魔法工具ip
打开google.com浏览器=》打开开发者模式 =》刷新页面=》获取 Remote Address ：127.0.0.1:10808
3.2 配置ip
ip配置好之后关闭cursor，设置network
Proxy设置:
network设置:
3.3 测试验证
请帮我分析当前整个项目，给出项目开发文档，以及目前需要优化部分
同时为了保证整个体系规范性，所有产出的文档请保存在新的路径下
F:\www\python-data\agent-sweep-engine>中文回复 中文日志
验证测试:
4.cursor模式
- Cursor内置了3种模式：
- agent模式，
- ask模式
- plan模式
四.AI编程项目实战
CardioAI - 心血管疾病智能辅助系统：项目设计与实施指南
1.项目概览
数据集地址：https://tianchi.aliyun.com/dataset/212054
cosyvoice：https://help.aliyun.com/zh/model-studio/cosyvoice-python-sdk
|
维度 |
内容 |
|
项目名称 |
CardioAI - 心血管疾病智能辅助系统 |
|
基础分支 |
main |
|
建议学生分支 |
feat/studentNN-cardio-project (例如：feat/student01-cardio-project) |
|
核心技术栈 |
Streamlit, XGBoost, DeepSeek (LLM), CosyVoice (TTS), Python (Flask), Plotly |
|
步骤 |
目标 |
文件/产出 |
|
1. 项目初始化 |
建立项目基础架构和环境依赖。 |
目录结构、requirements.txt |
|
2. 模块 1 实施 |
完成数据分析和可视化 Dashboard。 |
module1_dashboard/ cardio_dashboard.py |
|
3. 模块 2 实施 |
完成机器学习模型训练、保存与 API 部署。 |
module2_predictor/ train_and_save.py , app.py , model.pkl, index.html |
|
4. 模块 3 实施 |
完成 LLM 语音问答系统的 API 和前端集成。 |
module3_voice_assistant/ voice_assistant_app.py , voice_index.html |
2.完整的落地流程
先来看看整体目录:
2.1 初始化项目
(1).提示词
【项目总览】 本项目目标是构建一个名为 CardioAI - 心血管疾病智能辅助系统 的多模块应用，集成了数据可视化 (Streamlit)、机器学习预测 (XGBoost/Flask) 和 AI 语音问答 (DeepSeek/CosyVoice)。 【本地环境与文件路径约束】 请严格遵守以下文件路径和文件引用，它们是用户本地环境的绝对路径： 代码根目录 (CODE_ROOT):F:\www\python-data>\ai_coding\aicodes 数据文件 (DATA_PATH): F:\www\python-data>\ai_coding\data\心血管疾病.xlsx 配置文件 (ENV_PATH): F:\www\python-data>\ai_coding\aicodes\.env 【指令：项目初始化与环境配置】 Conda 环境说明： 请在 requirements.txt 文件前添加注释，指导用户创建并激活名为 cardioenv 的 Conda 虚拟环境。 用户执行示例 (非代码生成部分)： conda create -n cardioenv python=3.10 和 conda activate cardioenv。 创建目录结构： 在 CODE_ROOT 下创建以下目录：data (如果不存在), module1_dashboard, module2_predictor, module3_voice_assistant, module2_predictor/templates, module3_voice_assistant/templates。 生成 requirements.txt： 在 CODE_ROOT 下生成 requirements.txt 文件，包含以下所有依赖：pandas, openpyxl, numpy, scikit-learn, xgboost, joblib, streamlit, plotly, Flask, python-dotenv, langchain-openai, dashscope, requests。
(2).命令行进入项目目录
F:\www\python-data>ai_coding
命令行进入F:\www\python-data>ai_coding, 输入claude进入claude界面, 然后把上面提示词输入,回车即可等待创建项目
创建好了,项目结构如下:
2.2 模块1 CardioPulse - Streamlit 交互式仪表板
(1).提示词
【核心产出】 module1_dashboard/cardio_dashboard.py
【任务要求】 生成一个 Streamlit 应用程序，用于对 DATA_PATH 的数据进行清洗、特征工程和交互式可视化。
数据处理：
加载： 使用 DATA_PATH 加载数据,F:\www\python-data>ai_coding\data\心血管疾病.xlsx，注意数据格式excel表格和编码。
特征工程： 将 age (天) 转换为 年 (age_years, 四舍五入)。计算 BMI ($BMI = \frac{weight}{(height/100)^2}$).
异常值处理： 删除舒张压 (ap_lo) $\geq$ 收缩压 (ap_hi) 的记录。删除血压极端异常值 (收缩压 $\in [90, 250]$, 舒张压 $\in [60, 150]$)。
类别转换： 将 cholesterol 和 gluc 数值转换为描述性字符串。创建 bmi_category。
性能优化： 对数据加载和清洗函数使用 @st.cache_data 装饰器。
Streamlit 界面：
侧边栏： 包含 age_years 范围滑块、gender 和 cardio 的多选框筛选器。
主页展示： 展示筛选后的总记录数和心血管疾病总风险率。
图表 (Plotly Express)： 绘制 age_years 分布直方图 (按 cardio 区分) 和 bmi_category 对 cardio 影响的堆叠柱状图。
D:\Anaconda\envs\cardioenv\python.exe 解释器 这是当前整个项目的解释器！虚拟环境是cardioenv下面的创建步骤和 2.1 初始化步骤一致
2.3 模块 2: TabularFlow - 高效心血管风险预测模型
(1).提示词
【核心产出】 module2_predictor/train_and_save.py (一次性脚本), module2_predictor/cardio_predictor_model.pkl, module2_predictor/app.py, module2_predictor/templates/index.html
【任务要求】
Part A: 模型训练与保存
生成独立脚本 module2_predictor/train_and_save.py：
执行与模块 1 相同的清洗和特征工程。删除 id 和原始 age 字段。
构建 Pipeline：使用 ColumnTransformer 封装 StandardScaler (用于连续特征) 和 OneHotEncoder (用于分类特征)。
训练 XGBClassifier 模型。
使用 joblib 将包含 预处理器和分类器 的完整 Pipeline 对象保存到 module2_predictor/cardio_predictor_model.pkl。
Part B: Flask API 部署
生成后端应用 module2_predictor/app.py (Flask)：
创建 /predict_cardio API 接口，接收 11 个原始特征值的 JSON POST 请求。
在接口内部：加载模型，使用保存的 Pipeline 对输入数据进行预处理，然后预测。
返回 JSON 响应，包含预测的疾病概率 (probability) 和预测结果 (prediction: 0 或 1)。
Part C: 前端交互界面
生成前端模板 module2_predictor/templates/index.html：
创建一个包含 11 个输入字段的 HTML 表单。
使用 JavaScript/Fetch API 调用 /predict_cardio 接口，并将返回的风险概率和结果清晰地展示给用户。
D:\Anaconda\envs\cardioenv\python.exe 解释器
启动方式：bat
不要创建bat文件进行启动 给出对应的命令手动启动即可
D:\Anaconda\envs\cardioenv\python.exe 解释器 这是当前整个项目的解释器！虚拟环境是cardioenv2.4 模块3：VoiceDoc - AI驱动的心血管健康语音顾问
(1).提示词
模块3：VoiceDoc - AI驱动的心血管健康语音顾问
【核心产出】 module3_voice_assistant/voice_assistant_app.py, module3_voice_assistant/templates/voice_index.html
【任务要求】 构建一个 Flask API，实现 DeepSeek 问答和大模型的文字回答到 CosyVoice 语音的同步转换和 Base64 编码。
后端生成 module3_voice_assistant/voice_assistant_app.py (Flask)：
初始化： 使用 python-dotenv 从 ENV_PATH 加载所有 API Key。
DeepSeek 逻辑： 使用 langchain-openai.ChatOpenAI 连接 DeepSeek API (使用环境变量)。设置 System Prompt 为“专业心血管健康顾问”。
CosyVoice 逻辑： 使用 dashscope.audio.tts_v2，模型 cosyvoice-v2，音色 longxiaochun_v2。采用 同步调用 (SpeechSynthesizer.call)，指定 MP3 格式 (AudioFormat.MP3_22050HZ_MONO_256KBPS)。
编码与返回： 将 LLM 的完整文字回答合成为音频，使用 base64.b64encode 编码。返回 JSON：{"text_answer": "...", "audio_base64": "..."}。
前端生成 module3_voice_assistant/templates/voice_index.html：
包含用户输入框和提交按钮。
JavaScript 必须能够接收 Base64 音频，构造 data:audio/mp3;base64,... URL，并使用 HTML5 <audio> 标签自动播放音频，并显示文字回答。
参考开发文档：F:\www\python-data>\ai_coding\语音合成CosyVoice.md 与 F:\www\python-data>\ai_coding\llm_streaming.py
D:\Anaconda\envs\cardioenv\python.exe 解释器 这是当前整个项目的解释器！虚拟环境是cardioenv
接下来请完成模块3 2.5 版本控制与最终提交
在完成 模块 1、模块 2 和模块 3 的所有代码生成工作后，请遵循以下版本控制规范，作为项目收尾的指令：
远程仓库： ssh://git@xxx./xxx.git
工作分支： 所有的代码更改（包括所有新增文件和目录）必须提交到当前工作分支（例如：
feat/ai_codeing）上Git 操作： 请生成一个包含以下 Git 命令的 提示文本 ，指导用户执行最终的提交操作
暂存所有文件：
git add .创建提交：
git commit -m "feat: Complete all CardioAI modules (Streamlit, XGBoost API, VoiceBot)"推送提示： 添加一条说明，提示用户下一步应该执行
git push origin <当前分支名>，并将合并操作留给管理员处理
【示例输出格式】
# [Code Generation for Module 3 ends here]
# ...
# ----------------------------------------------------
# ✅ 下一步：完成最终代码提交
# ----------------------------------------------------
# 请执行以下 Git 命令将所有模块的成果提交到您的工作分支:
# 1. 暂存所有新增和修改的文件:
git add .
# 2. 创建最终提交:
git commit -m "feat: Complete all CardioAI modules (Streamlit, XGBoost API, VoiceBot)"
# 3. 推送至远程仓库 (等待管理员合并):
# 请用户手动执行: git push origin <您的分支名>
echo "本地提交已完成。请执行 'git push' 将代码推送到远程仓库，等待管理员进行代码审查和合并。"
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
0
0- 0
已为社区贡献7条内容
所有评论(0)