AI 应用开发学习路线

面向已有前/后端基础、准备系统进入 AI 领域的开发者。目标不是从零转算法，而是在 8 周内建立 AI 应用开发的核心认知，并完成 2 到 3 个代表项目。

怎么用这条路线

先看 AI 概念地图，再找到当前所在的周次，只看那一周的目标和对应章节，其他周先不管。每周结束后把结果同步到 进度总览。

如果节奏被打乱，就缩小目标，而不是让整张表空在那里。

每一周都建议留一个小交付物。它可以是一段脚本、一个页面、一次排查记录，也可以是一组评测样例。只读章节很容易产生“我懂了”的错觉，真正能暴露问题的是你能不能把概念放进一个最小闭环。

怎么判断自己学过了

这条路线不是按“看完多少页”验收，而是按你能不能做出几个关键动作来判断：

• 第 1 到 2 周：能发起一次模型调用，并解释请求里的 prompt、历史消息和返回结果。
• 第 3 到 4 周：能让模型输出程序可校验的数据，或让模型选择一个由程序执行的工具。
• 第 5 到 6 周：能把资料切块入库，检索出证据，并让回答带引用或拒答。
• 第 7 到 8 周：能给 Agent 设置边界、日志和评测样例，而不是只看最终回答。

如果某一周做不出交付物，先回退到这一周的项目或练习，不要直接跳到更复杂的框架。

阶段 0：定位与准备

目标	关键主题
明确学习方向	AI 应用开发、RAG、Agent、评测、安全
完成环境切换	Python、FastAPI、Pydantic、HTTP 调用

• AI 概念地图
• 学习总计划
• Python 工程基础

第 1 周：AI 应用基础认知

这一周的关键，不是把所有概念学全，而是先建立最小框架：模型是什么、Prompt 在哪里起作用、应用是怎么发起一次调用的。

目标	关键主题
理解模型基础概念	LLM、Token、Context Window
建立 Prompt 基础	System Prompt、User Prompt、上下文工程
跑通最小模型调用	Python 脚本、前后端请求链路

• AI 概念地图
• LLM 基础概念
• Python 工程基础
• Prompt 工程

第 2 周：聊天应用闭环

当概念不再完全陌生后，就要尽快进入最小项目闭环。只有看到页面真正跑起来，前一周学到的东西才会开始变得具体。

目标	关键主题
做出第一个聊天页	多轮上下文、Loading、错误处理
理解流式输出	前后端流式返回与界面展示
形成最小产品体验	清空上下文、Markdown 渲染、系统提示

• LLM 基础概念
• Prompt 工程
• AI 聊天助手

第 3 周：结构化输出

这一周开始把"模型会说话"推进到"模型能稳定输出程序可用的数据"。这是从 demo 走向系统化的关键一步。

目标	关键主题
把模型输出变成系统数据	JSON、Schema、字段设计
建立程序校验意识	Pydantic、重试、兜底
完成信息提取练习	文本转结构化字段

• Structured Output

第 4 周：Tool Calling

到这里，你会第一次真正感受到 AI 应用和普通聊天的差别。模型不再只是回答文本，而是开始借助外部工具获得真实能力。

目标	关键主题
理解工具调用闭环	模型提议、宿主执行、结果回注
接入 2 到 3 个基础工具	时间、天气、网页搜索
展示工具调用过程	前端过程可视化与错误提示

• Tool Calling

第 5 周：Embedding 与检索

这一周要先把"检索"这件事学扎实。很多人一提 RAG 就直接上库，但如果不理解切块、召回和排序，后面很容易陷入"能跑但效果很差"的状态。

目标	关键主题
理解语义召回	Embedding、相似度、向量检索
掌握切块基础	chunk size、overlap、top-k
做最小检索实验	文档切块、检索命中展示

• Embedding 与向量检索

第 6 周：RAG 系统

前一周学的是检索原理，这一周开始把它变成完整系统：资料进入知识库，被检索出来，再被模型用来生成答案和引用。

目标	关键主题
搭建知识库问答闭环	检索、增强上下文、生成
建立引用与拒答机制	来源展示、不知道机制
做出第 2 个代表项目	文档上传、问答、引用

• RAG 原理
• RAG 知识库

第 7 周：Agent 基础

当单轮问答和检索已经比较清楚后，就可以进入 Agent。这里的重点不是追复杂框架，而是理解多步任务为什么会失控，以及怎样给它加边界。

目标	关键主题
理解 Agent Loop	Plan、Act、Observe
做最小 Research Agent	搜索、整理、总结、引用
控制复杂度	步数上限、状态管理、终止条件

• Agent 基础原理
• Research Agent

第 8 周：安全、评测与系统设计

最后这一周是收口。你要开始把前面做出的东西放到更真实的工程语境里看：它是否可靠、可测、可回滚、可被信任。

目标	关键主题
理解风险边界	Hallucination、Prompt Injection、权限控制
建立最小评测集	20 条测试样例、回归意识
补上工程视角	日志、观测、回滚、系统模块设计

• AI 幻觉
• Prompt Injection 与 AI 安全
• AI 应用评测
• AI 应用系统设计

8 周后的进阶延伸

前 8 周的目标，是先把概念、应用开发和工程化主线走稳。之后再进入更偏进阶判断的专题。

• 微调模型：先建立"什么时候该微调、什么时候不该"的判断力 → 模型微调与定制化
• AI Coding：把 AI 辅助从"会写几段代码"升级成"稳定的开发工作流" → AI Coding 规划与实践

阶段里程碑

• [ ] 完成最小聊天应用
• [ ] 完成 RAG 知识库问答
• [ ] 完成简单 Research Agent
• [ ] 建立最小评测与安全意识

推荐学习路径

按阶段依次推进，每阶段先读导览页再进正文：

1. LLM 基础 → AI 概念地图 → LLM 基础概念
2. 应用开发基础 → Prompt 工程 → Structured Output → Tool Calling
3. 检索与知识库 → RAG 原理 → RAG 知识库项目
4. Agent 与编排 → Agent 基础原理 → MCP 协议 → Research Agent 项目
5. 工程化 → AI 幻觉 → AI 应用评测 → AI 应用系统设计