Appearance
学习日志
这页主要保留课程建设与学习实践的公开记录，不是课程正文，也不是进入站点的默认起点。如果你想先系统学习 AI 应用开发，可以直接从 AI 概念地图、课程主线 和 项目案例 开始。
写法约定： 新的日志写在最上面（在分隔线下、旧记录上面）。每条记录不求长，但至少要写清楚四个字段：输入了什么、产出了什么、遇到了什么问题、下一步做什么。
只有写出"产出"和"下一步"，这条记录才真正有复盘价值。如果某段时间完全没有记录，多半是建设节奏本身出了问题，值得回头看看原因。
记录
2026-04-08
- 时长： 未单独统计
- 输入： 回看上一轮已补实的主线章节，重点检查哪些地方虽然信息更完整了，但读起来仍偏提纲式、承接不够顺
- 产出：
- 明确当前进度应从“继续补概念”调整为“工程深度补齐 + 章节可读性打磨并行”
docs/progress/index.md：同步更新当前建设重点与接下来优先事项，补上这一轮工作的真实焦点docs/progress/log.md：新增本条记录，避免 4 月 7 日之后的建设节奏断档
- 问题： 章节数量变多后，单篇内容即使已经补了示例和方法，如果不再做一轮承接与收口，读感仍容易像提纲拼接；项目页脚手架也还没有真正落地
- 下一步： 继续按批次打磨主线章节的可读性与读者视角，优先处理检索、RAG、Agent、上下文管理这条容易出现“懂概念但读不顺”的内容链路
2026-04-07
- 时长： 约 3 小时
- 输入： 全面扫描三阶段主线章节，按"缺工程深度、缺代码示例、缺排查路径"逐章判断缺口
- 产出：
StructuredOutput.md：补入厂商原生结构化输出 API（OpenAI + Anthropic）、Pydantic 校验示例、清理/重试/兜底三层失败处理策略LLM基础概念.md：补入"模型如何生成内容"机制（Token 预测、概率采样、Temperature 作用）Prompt工程.md：补入失败案例的具体对比示例，误区四有了可对照的好/坏写法ToolCalling.md：补入最小可运行 Python 完整示例（含两轮 API 调用）Embedding与向量检索.md：补入最小 Chroma 示例、混合检索（BM25 + 向量）说明、最小检索评测方法RAG原理.md：补入完整建库+问答 Python 示例、失败排查的分层路径（先查召回，再查 chunk，再调 prompt）AI聊天助手.md：补入历史消息裁剪三种策略（条数截断、token 限制、摘要压缩）及常见踩坑点RAG知识库.md：补入检索层独立验收标准（不混入生成层一起判断）Agent基础原理.md：补入最小 Agent Loop Python 示例ResearchAgent.md：补入轨迹分析方法、日志格式建议AI应用评测.md：补入最小评测套件代码结构（TestCase + EvalResult + run_eval）docs/progress/index.md：更新各模块完成度，反映本轮补充状态
- 问题： 三个项目页仍停留在说明文档层面，尚无可直接运行的脚手架代码；Python AI 工程化基础仍未展开
- 下一步： 补 Python AI 工程化基础内容（环境管理、API 调用封装、FastAPI 接口）；把聊天助手项目页推进到有骨架代码的状态
2026-03-31
- 时长： 约 2 小时
- 输入： 整理全站课程主线与支撑体系，梳理 AI 应用开发学习路线
- 产出：
docs/app-dev/basics/（12 个章节文件）、docs/app-dev/.md（8 周路线图）、docs/progress/（进度总览与日志） - 问题： 课程框架建立了，但每章内容仍然空泛，需要逐章补实质性讲解
- 下一步： 先读完 LLM 基础概念、Prompt 工程、Structured Output，写第一个 Python 模型调用 demo，启动 AI 聊天助手项目骨架
日志模板
每次有实质性进展就写一条，不强求每天——但如果某周没有任何记录，通常说明建设节奏出了问题。
### YYYY-MM-DD
- **时长：** 本次学习投入了多长时间
- **输入：** 读了什么章节、看了什么资源、做了什么练习
- **产出：** 写了哪篇笔记、完成了哪段代码、对某个概念建立了什么理解
- **问题：** 卡住的地方、还没搞清楚的点、遇到的 bug
- **下一步：** 下次学习的第一件事是什么（具体到某章或某个任务）记录标准："产出"必须是你创造了什么。光看完一个视频不算产出，写了代码、记了笔记、整理出一段理解、做了复盘，这些才算。