你有一个小型 App 的想法。AI 构建工具可以很快把几句话变成看起来精致的界面，但“看起来完成”并不代表实际行为符合需求。
本课程以引导式审查的方式，完整走查一个低风险项目：为社区图书交换活动准备一款移动优先的清单 App。课程提供 12 项合成任务，不包含任何真实个人或组织数据。每次揭晓真实制作结果前，你都要先做出相应的范围、测试、修复、批准或交接判断，再与真实运行证据比较。
你会先比较 AI 编程的主要工作方式和代表产品，再审查一条连续的 Replit → Codex 路径。记录下来的构建从 Replit 开始，因为此时没有现成代码，最先需要的是一个几乎不用配置、可以实际运行的用户路径。你会把需求转换成可观察的检查，给结果分类，并根据一次真实失败组织一条有边界的修复请求，而不是反复要求 AI “再优化一下”。
之后，你会检查 App 可见表现与文件之间的一项分歧，单看预览无法得出结论。是否转入 Codex，取决于这项具体证据，而不是“Coding Agent 一定更强”。你会判断应如何保留工作状态，批准明确的检查与编辑范围，核对真实差异，并诚实解释成功的检查和无法运行的检查。
这次学习审查最终得到一个可供复核、尚未公开的演示和清晰交接，尽管原始 App 需求说明并未全部满足。你最终掌握的是一套可迁移的方法：选择 AI 编程工具、限制第一个版本、测试行为、提出聚焦修改、检查编程 Agent（智能体）的工作，并在证据停止的地方停止下结论。
不需要。课程不要求编程经验，只会在你需要作出判断时解释必要的项目、文件、测试和修改概念。你仍需负责检查可观察到的行为，并决定允许 AI 修改什么。
不必。课程会使用一次真实 Replit → Codex 运行所留下的准备材料进行引导式学习，因此你不需要已有代码库或本地开发环境也能完成这次审查。如果要在课程之外重复构建，则取决于相关产品当时的访问条件和使用条款。
各课会沿用同一份图书交换活动清单，让构建结果、失败、修复和交接保持一致。你可以把方法迁移到另一个小型、低风险项目，但必须为自己的项目重新定义并测试需求，不能把课程结果当成那个项目的证据。
不能。课程结束时得到的是一份可供复核、尚未公开且仍有已知限制的演示。是否发布、收集真实数据或扩展功能，都需要新的核查，并由你负责作出决定。
