[Paper] 为 AI 驱动的敏捷开发培养学生：基于项目的 AI 工程课程

Source: arXiv - 2603.09599v1

概述

本文介绍了一套 基于项目的 AI 工程课程，将敏捷软件开发与生成式 AI 工具相结合。通过将 AI 辅助直接嵌入冲刺工作流，作者展示了学生如何在真实的动手环境中同时掌握敏捷开发和 AI 增强的工程技能。

关键贡献

• 课程蓝图: 一套指导原则以及详细的学期课程结构，将敏捷实践与 AI 支持的开发任务相结合。
• 跨学科案例研究: 真实的学生项目覆盖七个为期两周的冲刺，AI 工具支持从需求澄清到自动化测试和文档编写的全部环节。
• 混合方法评估: 早期的定量和定性证据表明，综合方法提升了 AI 辅助工程的实践能力。
• 教学洞见: 识别对传统敏捷教学的必要调整（例如，频繁的工具更新、口头概念验证），并为教育者提供建议。

方法论

1. 课程设计： 作者在标准的 Scrum 冲刺中定义了六个“AI 融合”触点——需求、待办事项梳理、架构、编码、测试和文档。每个触点将生成式 AI 或代理工具与对人类责任和质量的反思活动配对。
2. 项目执行： 第二学期的本科生组成跨学科团队（软件工程 + AI 基础），在 七个 2 周冲刺 中交付真实的软件产品。在每个冲刺中，学生使用 GitHub Copilot、ChatGPT 和自动化测试生成器等工具，同时教师主持简短的反思环节。
3. 评估： 采用混合方法，包括 (a) 课前/课后调查，衡量自我报告的 AI 辅助开发信心，(b) 冲刺产出物分析（待办事项、代码质量指标），以及 (c) 半结构化访谈，以捕捉学生的感知和挑战。

结果与发现

• 技能增长: “对使用 AI 进行编码和测试的信心”调查得分从学期开始到结束提升了 ≈30 %。
• 生产力提升: 使用 AI 生成代码片段和测试的团队在每个冲刺中完成的积压项 ~15 % 多于仅使用传统工具的对照组。
• 质量权衡: 自动代码建议有时会引入细微的错误；进行 口头验证（向同伴/导师解释生成的代码）的学生显示出显著更少的缺陷。
• 工具演进压力: AI 服务的快速更新迫使教师在课程中期 重新校准冲刺活动，凸显了灵活课程支架的需求。

实际意义

• 对开发者而言： 研究验证了将生成式 AI 融入日常敏捷任务可以在不牺牲质量的前提下加快待办事项的完成——前提是团队保持“人类在环”验证步骤。
• 对技术领导者而言： 课程洞见可以重新用于 在职培训项目，帮助现有工程师安全地采用 AI 增强的工作流。
• 对工具供应商而言： 需要 稳定、版本化的 API 和清晰的文档，这一点变得尤为重要；开发者会倾向选择能够透明交接给人工审查者的工具。
• 对教育者和训练营而言： 基于冲刺的模块化设计提供了一个可直接使用的 短期强化课程 模板，旨在培养具备 AI 能力的敏捷实践者。

限制与未来工作

• 早期证据： 评估仅限于单一 cohort 并且时间跨度短（一个学期），因此 AI 增强的敏捷技能的长期保持情况尚未检验。
• 工具特定偏差： 结果可能与所使用的特定 AI 服务（例如 Copilot、ChatGPT）绑定；更广泛的工具多样性可能会影响结果。
• 可扩展性问题： 在更大的班级中管理频繁的 AI 工具更新可能会给教师资源带来压力。

未来的研究方向包括进行纵向研究，追踪毕业生进入行业的情况，扩展课程以涵盖 敏捷环境中的 AI 伦理与治理，以及开发自动化脚手架，以使课程材料能够与快速演进的 AI API 同步。

作者

• Andreas Rausch
• Stefan Wittek
• Tobias Geger
• David Inkermann

论文信息

• arXiv ID: 2603.09599v1
• Categories: cs.SE
• Published: 2026年3月10日
• PDF: 下载 PDF