阶段 1：AI 应用开发基础

这一阶段解决的是"怎么把模型接进应用"。你不需要先学完所有大模型原理，但要能跑通一次 API 调用，知道 Prompt 怎样影响输出，知道模型结果怎么变成程序可用的数据，以及什么时候让模型调用外部工具。

如果你主要写前端或传统后端，建议先从 Python 工程基础开始，把本地环境和最小调用链跑通。已经熟悉 Python SDK 的读者，可以直接进入 Prompt 工程。

建议阅读顺序

1. 先看 Python 工程基础，确认自己能本地调用模型 API。
2. 再看 Prompt 工程，理解一次模型调用里最容易被你控制的部分。
3. 接着看 Structured Output 和 Tool Calling，把"会回答"推进到"能被系统稳定使用"。
4. 做聊天界面或长回答体验时，再补 流式输出与 SSE。

学完这里，再进入 RAG 会顺很多。RAG 本质上是在一次模型调用前，先把检索到的外部知识塞进上下文；如果你还不熟悉 Prompt、结构化输出和 API 调用，后面会很难判断问题出在检索、上下文还是模型调用本身。

本阶段要形成的手感

读完这一阶段，最好不要只停在“知道这些名词”。你应该能独立写出一个最小模型调用脚本，知道 API Key 放在哪里，知道一次请求里哪些内容会进入上下文，也知道模型返回的文本为什么不能直接当成可靠业务数据。

一个合格的阶段练习可以很小：

1. 用 Python 发起一次模型调用。
2. 改两版 System Prompt，对比输出差异。
3. 让模型返回固定 JSON 字段，并在代码里校验字段是否存在。
4. 给模型定义一个简单工具，比如查询当前时间，再由程序执行。

做到这几步之后，再看 RAG 或 Agent，不会觉得它们是凭空冒出来的新概念。它们只是把“模型调用”这件事放进了更长的系统链路。

本阶段内容

• Python 工程基础：虚拟环境、依赖安装、API Key、最小模型调用和 FastAPI 封装
• Prompt 工程：把任务、上下文和输出要求说清楚
• Structured Output：让模型输出 JSON、Schema 等程序可处理的数据
• Tool Calling：让模型选择工具，由你的程序执行真实动作
• 流式输出与 SSE：把模型回复逐段推给前端，改善聊天体验