如果有一个机会，让你在3个月内：

  • 思考设计编程平台分享传播系统，参与构建开发者社交生态

  • 参与 AI 代码生成系统开发，亲历大模型与编程语言的深度结合

  • 构建跨语言编译器生态，直接接入 Python 数据科学世界

  • 设计智能运维平台，用AI解决企业级运维难题

  • 获得可写入简历的开源项目贡献经历

那么，第四届1024实训营的议题清单，正是你不可错过的成长加速器。这不是普通的编程训练，而是面向未来优秀工程师的实战演练场。以下为本期实训营议题：

第一组：XBuilder 项目分享与传播

📌【项目背景】

通过 XBuilder 用户可以学习编程、创作并发布自己的游戏。我们希望通过优化 XBuilder 项目对社交媒体分享的支持，提升用户分享创作的便捷性和传播效果。

🎯【项目目标】

  • 让更多的人看到用户的创作

  • 吸引更多用户关注和使用 XBuilder

  • 围绕项目形成更多用户互动

🛠️【工程内容】

  • 设计项目的分享与传播交互流程

  • 调研并对接第三方社交平台的 API

  • 实现项目运行的跨端支持

  • 实现游戏运行过程的录制与回放

🌱【学员成长价值】

  • 学习如何设计一个对社交媒体分享友好的应用

  • 参与复杂 Web 应用的架构设计与开发

  • 深入了解跨端技术并实践

第二组：XBuilder 基于大模型的代码生成与素材生成

📌【项目背景】

当前 AI 编程工具对 XGO Class Framework 领域专用语言（DSL）支持不足，导致代码生成准确性低。本项目旨在通过 AI 技术实现素材和代码的智能生成，打通从素材创作到代码生成的完整 AI 开发流水线。

🎯【项目目标】

  • 素材生成 AI 化：实现可视化素材编辑与 AI 生成的无缝协作

  • 代码生成 AI 化：构建深度适配 XGO 语言的智能编程助手

  • 系统集成：打通素材→代码→托管的开发全流程

🛠️【工程内容】

  • 素材生成 AI 化

    • 画板功能实现：基于 paper.js 构建类 Scratch 的可视化编辑画板，支持图层管理、矢量绘制、历史记录等核心功能

    • AI 生成集成：实现 MCP+Canvas 指令生成：通过自然语言指令操作画板元素

    • 开发结构化 JSON 生成器：用 JSON 格式描述素材结构

    • 集成文生图模型：根据文本提示生成基础素材

    • 人机协作流程：支持对 AI 生成素材的二次编辑，包括元素调整/颜色修改/布局优化等操作，形成"AI 生成—人工优化"的协作模式

  • 代码生成 AI 化

    • Classfile 深度适配：构建专用 prompt 模板

    • CodeAgent 智能路由引擎：编码任务自动路由至 Claude

    • 账号池系统：实现 AccessToken 自动刷新（开发负载均衡算法、构建统一 OpenAI 格式 API 网关）

🌱【学员成长价值】

  • 技术能力：掌握领域专用语言的 AI 适配方案，学习多模态 AI 系统集成

  • 工程经验：实践企业级账号池解决方案，完成 AI 产品全流程开发

  • 领域专长：获得游戏开发领域 AI 化改造的实战经验

第三组：推动 LLGo 对 Python 库开箱即用能力的建设

📌【项目背景】

LLGo 作为基于 LLVM 的 Go 编译器，已支持与 C 和 Python 互操作，但调用 Python 库仍需手动准备运行环境与依赖，仍有几个痛点待解决：

  • 环境搭建复杂，步骤多且易出错

  • 版本漂移，不同平台解析结果不一致

  • 构建链脱节，Go modules 与 Python 虚拟环境割裂

🎯【项目目标】

  • 即装即用："llgo get <pylib>" 完成解析、下载、安装、锁定

  • 零手动环境：自动创建隔离运行时，无需预装 Python 环境

  • 跨平台一致：同一锁定文件在 macOS、Linux 均可复现

  • 生态拓展：一条命令即可调用 Python 库，让 LLGo 直接接入数据科学和 AI 生态

🛠️【工程内容】

  • 依赖解析：读取声明，生成跨平台锁定文件

  • 包获取与缓存：并行下载，硬链接或写时复制，减少磁盘占用

  • 隔离运行时注入：自动创建或复用虚拟环境，加载解释器与库

  • Go-side stub 生成：基于包元数据生成 "github.com/goplus/llpkg/py/<lib>" 封装

🌱【学员成长价值】

  • 跨语言 ABI 与 LLVM IR 调用约定实践

  • 现代包管理与锁定格式设计经验

  • 多平台 CI、可复现构建、缓存加速、性能基准实战

  • Issue-driven 开发、code review、开源协作流程体验

第四组：智能运维 利用大模型实现自动化运维

📌【项目背景】

当前大型系统的运行过程中，运维团队面临海量监控数据、复杂分布式架构、频繁的变更发布任务及多种运维事件应对等挑战。传统的运维方式存在以下瓶颈：

  • 基于固定规则告警，误报率高且容易遗漏关键告警及潜在隐患

  • 业务复杂度高，分析链路长，排查效率低，且高度依赖资深专家个人经验

  • 人工操作效率低且重复性强，运维人员精力分散，优化工作投入有限

  • 变更发布风险高，缺乏实时防护

🎯【项目目标】

基于AI大模型构建智能运维系统，提供指标巡检、问题下钻分析、自动化运维、变更过程管理及自愈等功能，大幅度提升系统的稳定性和运维效率。

🛠️【工程内容】

  • 通过 MCP 协议自动化拉取多平台运营数据，注入模型上下文

  • AI 引擎开发与指标异常识别

  • 多维度的下钻链路分析

  • 构建常见运维场景标准操作流程，引导AI实现自动化运维执行

  • 变更过程风险识别并提供自愈能力

🌱【学员成长价值】

  • 掌握AI运维系统全链路工程实践，包括异常指标识别、下钻链路分析、运维流程制定等

  • 运维场景的 Prompt 工程最佳实践，模型准确性优化

  • 海量数据处理与高性能系统架构能力

  • 大型系统稳定性保障

在技术快速迭代的今天，真正的竞争力不在于掌握多少工具，而在于解决复杂问题的能力。第四届1024实训营通过四大硬核项目，为高校开发者搭建了一座连接理论与实践、技术与业务的桥梁。这里产出的不仅是代码，更是解决真实世界问题的思维模式；这里培养的不仅是技能，更是面向未来的工程能力。想了解更多这场工程师的成长之旅，欢迎关注1024实训营公众号！