🧭 AI Navigator

Appearance

学习路径推荐 ​

🕐 内容截至 2026-07

这份指南已积累超过 70 个小节，从 Token 基础到 Agent 系统，从 Prompt 技巧到模型微调。如果你不确定从哪里开始、哪些必须看、哪些可以跳过，这一页是你的导航中心。

难度与优先级说明 ​

标记含义适合谁
🟢 入门概念为主，无需太多工程背景刚接触 AI 开发的工程师
🟡 进阶需要有 API 调用经验，有代码量已经用过 AI API 的工程师
🔴 深入需要扎实工程背景，系统设计经验要做 AI 基础设施或专题深入的工程师
标记含义
⭐ 必读不看这节就缺了核心拼图，所有 AI 工程师都应该读
📌 推荐构建生产级系统时必须了解，建议在入门后尽快补上
💡 选读特定场景下才需要，或想深入原理时才看

各章节难度与优先级一览 ​

第 0 章 · 建立正确认知 ​

小节难度优先级核心价值
0.1 AI 到底是什么🟢⭐打破对 AI 的误解，建立正确心智模型
0.2 LLM 在做什么事🟢⭐理解"下一个词预测"的本质，避免大量常见错误
0.3 AI 能做什么，不能做什么🟢⭐知道边界，才能正确使用
0.4 当前技术版图🟢⭐不同工具、不同模型的关系
0.5 国产大模型生态🟢📌国内可用的模型和平台

第 1 章 · LLM 工程精通 ​

小节难度优先级核心价值
1.1 Token 与上下文🟢⭐理解 AI 计价和上下文限制的底层逻辑
1.2 系统性 Prompt 工程🟢⭐写出稳定有效 Prompt 的方法论
1.3 生成参数详解🟢⭐temperature/top-p 等参数实际意义
1.4 Tool Use 深度使用🟡⭐Agent 的核心能力，最重要的 1 章
1.5 多轮对话与状态管理🟡⭐对话历史、上下文压缩的正确姿势
1.6 流式输出与成本控制🟡📌生产体验和成本不可忽视
1.7 推理模型与思考模式🟡📌o1/Claude 推理模型的正确使用场景
1.8 多模态：图像与文档输入🟡📌越来越多的场景需要视觉理解
1.9 OpenAI 兼容协议与多模型切换🟢⭐一套代码适配所有主流模型
1.10 在本地跑模型（Ollama）🟡📌数据安全场景、本地开发必备
1.11 图像与视频生成🟡💡多模态输出，按需了解
1.12 语音与实时（ASR/TTS）🟡💡语音产品专用
1.13 自托管推理部署🔴💡规模化部署，基础设施工程师必读
1.14 结构化输出的可靠实践🟡⭐生产 AI 功能几乎都需要结构化输出
1.15 Embedding 模型选型指南🟡📌RAG 系统的地基，不能乱选

第 2 章 · 构建 AI 产品 ​

小节难度优先级核心价值
2.1 RAG 完整 Pipeline🟡⭐最常用的 AI 应用架构
2.2 向量与语义搜索🟡⭐理解相似度搜索的原理和实现
2.3 Agent 设计模式🟡⭐ReAct/Planning/Handoff，可跑代码
2.4 为什么 Agent 会失控🟡⭐避开已知坑，比踩坑再修便宜 10 倍
2.5 AI 系统的评估方法🟡⭐没有评估就没有方向
2.6 生产环境的坑🟡⭐上线后才会踩的坑，提前了解
2.7 AI 应用安全🟡⭐Prompt 注入等攻击，不懂就是漏洞
2.8 成本估算实操🟢📌估算 Token 成本，避免账单惊喜
2.9 可观测性与线上监控🟡📌生产系统必备的可观测能力
2.10 AI 功能安全上线🟡📌灰度上线、回滚策略
2.11 实战项目：知识库问答 Agent🟡📌端到端实战，前面章节的综合演练
2.12 AI 产品的 UX 设计模式🟡📌流式UX、错误处理、渐进式披露
2.13 语义缓存🟡💡高频相似查询场景的成本优化
2.14 限流、重试与熔断🟡📌生产系统的韧性保障
2.15 Guardrails 输出防护实战🟡📌三层防护，合规场景必读
2.16 AI 对话设计模式🟡💡槽位填充、实体追踪，对话产品专用
2.17 AI 测试工程🟡📌黄金数据集、CI 回归，可持续维护的前提
2.18 数据飞轮🟡💡用生产数据持续改进，中后期产品必读

第 3 章 · 理解引擎盖下面 ​

💡 这一章是"懂原理"的选修课——不看也能构建好产品，但看了之后很多"奇怪现象"会豁然开朗。

小节难度优先级核心价值
3.1 Transformer 是什么🟡📌读懂论文和技术文章的基础
3.2 Attention 机制的直觉🟡💡理解模型"注意力"的比喻
3.3 模型是怎么训练出来的🟡📌理解 RLHF、SFT，选模型的依据
3.4 Fine-tuning vs RAG🟡⭐最重要的选型决策之一
3.5 怎么读 AI 论文🟢💡跟上前沿的能力
3.6 位置编码与长上下文🔴💡理解"中间迷失"现象的底层
3.7 量化与模型压缩🟡💡本地部署和成本优化必读

第 4 章 · MCP 与 Agent 生态 ​

小节难度优先级核心价值
4.1 MCP 是什么，为什么重要🟢⭐AI 工具生态的新标准
4.2 用现有 MCP Server🟢⭐零代码接入大量现成能力
4.3 自己写 MCP Server🟡📌封装自己的业务能力给 AI 用
4.4 Claude Code 深度使用🟢⭐AI 编程助手的正确打开方式
4.5 Skill 与 Harness 机制🔴💡Claude Code 内部机制，高级用户
4.6 多 Agent 协作🔴💡复杂任务的多智能体分工
4.7 AI 编程实战工作流🟢⭐提升编程效率的实战方法
4.8 Agent = Model + Harness🟡📌决定 Agent 上限的 7 个工程组件
4.9 上下文工程🟡📌长任务 Agent 的核心能力
4.10 Agent 长期记忆系统🔴💡跨会话记忆，高级 Agent 功能
4.11 Computer Use 与浏览器 Agent🔴💡GUI 操作，前沿能力
4.12 AI 工作流编排🔴💡复杂多步骤流程的自动化
4.13 代码执行沙箱🔴💡安全执行 AI 生成代码
4.14 多模态 Agent：视觉理解 + 行动🟡💡截图分析、图表提取、视觉 Agent
4.15 角色演进：Prompter 到 Graph Engineer🟢📌Loop/Graph Engineer 是什么，给自己定位
4.16 Graph 编排深入：State Schema🔴💡多节点系统的状态设计内功
4.17 极简 Harness 解剖：Pi🔴💡从 Pi 看 Harness 设计的另一条路线

第 5 章 · 四大专题深入 ​

这一章按需查阅——不是主线，而是你真正要落地某个方向时的深水区。

专题组难度优先级适合谁
RAG 进阶（5.1–5.5, 5.17, 5.19, 5.20）🔴📌构建生产 RAG 系统
MCP 进阶（5.6–5.9）🔴💡做 MCP Server 生产化
Skill（5.10–5.12）🔴💡封装可复用 AI 能力
模型微调（5.13–5.16, 5.18）🔴💡真正要微调模型时再看

第 6 章 · 提示词工程精通 ​

小节难度优先级核心价值
6.1 提示词到底在调什么🟡⭐提示词工程的思维框架
6.2 提示词的解剖🟡⭐系统性拆解一个 Prompt 的结构
6.3 推理与示例技巧深入🟡⭐CoT、Few-shot 的正确用法
6.4 控制输出🟡📌格式、长度、风格控制
6.5 让提示词稳定可靠🟡⭐减少随机性，让 Prompt 可预期
6.6 迭代与评估方法论🟡📌如何系统地改进 Prompt
6.7 场景·信息处理🟡💡摘要、抽取、分类场景的 playbook
6.8 场景·代码与技术🟡💡代码生成、审查、调试的 playbook
6.9 场景·对话客服与 RAG/Agent🟡💡对话和 RAG 场景的 playbook
6.10 模型差异与反模式清单🟡💡不同模型的坑和反模式清单

三条推荐路线 ​

路线一：快速上手（约 2 周） ​

目标：能在 2 周内开始构建第一个 AI 功能，遇到问题知道去哪查。

第 1-2 天（认知基础）
  ✓ 第 0 章全部（0.1-0.4）
  
第 3-5 天（LLM 工程核心）
  ✓ 1.1 Token 与上下文
  ✓ 1.2 Prompt 工程
  ✓ 1.3 生成参数
  ✓ 1.9 OpenAI 兼容协议
  ✓ 1.14 结构化输出

第 6-9 天（构建产品）
  ✓ 2.1 RAG Pipeline
  ✓ 2.2 向量搜索
  ✓ 2.3 Agent 设计模式
  ✓ 2.4 为什么 Agent 会失控
  ✓ 2.5 评估方法
  ✓ 2.7 AI 应用安全

第 10-11 天（提示词 + 工具）
  ✓ 6.1-6.3 提示词工程（前三节）
  ✓ 6.5 让提示词稳定可靠
  ✓ 4.4 Claude Code 使用
  ✓ 4.7 AI 编程工作流

第 12-14 天（动手）
  ✓ 2.11 实战项目：知识库问答 Agent
  随时查：词汇手册、提示词模板速查

完成后你能做到：写稳定的 Prompt、调用 LLM API、搭基础 RAG、跑通第一个 Agent。

路线二：系统掌握（约 1-2 个月） ​

目标：全面掌握 AI 工程技能，能独立负责生产级 AI 系统。

节奏建议：

  • 每天 1-2 个小节（含代码实验）
  • 每章结束后做一遍速记卡和自测题
  • 发现卡壳时才回到第 3 章查原理

第 1-2 章剩余内容的顺序： 先读完 2.1-2.11（核心），再按需补：2.12 UX → 2.14 限流重试 → 2.15 Guardrails → 2.17 测试工程 → 2.18 数据飞轮。

路线三：按目标专题 ​

根据你最关心的方向，走对应的专题路线：

🎯 要做 RAG 系统 ​

0章认知 → 1.1/1.2/1.4/1.9/1.14/1.15 → 2.1/2.2/2.5 → 5.1-5.5（RAG进阶全部）→ 5.17/5.19 → 2.17（测试）

🎯 要做 AI Agent ​

→ 直接看 Agent 学习路径，那一页是专门为 Agent 学习者规划的串联路线。

🎯 要做本地/私有化部署 ​

0章 → 1.9/1.10/1.13/1.15 → 3.7（量化）→ 2.9（监控）→ 5.15（本地LoRA+Ollama）

🎯 提示词工程师 / LLM 产品经理 ​

0章全部 → 1.1-1.3/1.14 → 第6章全部 → 5.20（DSPy/APO）→ 2.5/2.17

🎯 基础设施工程师（要把 AI 系统在公司跑起来） ​

0章 → 1.9/1.13/1.6 → 2.6/2.7/2.9/2.10/2.14/2.15 → 3.7 → 1.10/1.13 → 2.17/2.18

🎯 只想用 Claude Code 提高开发效率 ​

4.4 → 4.7 → 4.9 → 1.2（Prompt基础）→ 4.5（Skill机制）

给不同背景读者的建议 ​

你的背景注意点
纯前端工程师代码示例全用 JS/Node.js，应该没语言障碍。重点先搞懂异步/流式输出（1.6），再学 Tool Use（1.4）
后端工程师API 调用对你轻松，重点放在 Prompt 工程（第1章）和架构决策（第2章）上
数据工程师第3章原理部分对你较友好，但不要陷进去——工程实践（第2章）更值得优先投入
产品经理第0章是必读精华，2.12 UX 和 2.5 评估方法对产品决策帮助最大。第3章可以选读 3.4
完全没有 AI 经验严格按顺序：第0章 → 第1章 1.1-1.5 → 词汇表查不懂的词。不要跳跃
已在生产环境用过 AI API快速扫过第0章和 1.1-1.3，重点放在 1.4/1.14 + 第2章 2.3-2.7

快速判断：这节要不要现在看？ ​

问题 1：这节是「必读」（⭐）吗？
  → 是：现在就看
  → 不是：问问题 2

问题 2：你正在构建会用到这节的功能吗？
  → 是：现在看
  → 不是：问问题 3

问题 3：这节是「推荐」（📌）且你有时间吗？
  → 是：加入计划，1 周内看
  → 不是：加入书签，需要时再来查

📌 关键结论 ​

  1. 全书 70 多节，⭐必读约 25 节，是所有 AI 工程师的核心共同基础
  2. 快速上手路线（约 2 周）：第0章 + 1.1-1.5/1.9/1.14 + 2.1-2.7 + 6.1-6.5 + 4.4/4.7
  3. 第3章是选修——卡壳了回来看，不要一开始就钻原理
  4. 第5章是深水区——真正要落地某方向时再进，不要全部顺序读
  5. 不同方向有专题路线（RAG / Agent / 本地部署 / 提示词 / 基础设施），按目标走最高效

写给自己的 AI 学习地图