公共基础

无论你选择 Vibe Coding 还是 AI 应用开发方向，这里的内容都是出发点。先建立整体认知，再进入具体方向。

本模块内容

• AI 概念地图 — 所有核心概念的关系全景图，建议第一个读
• LLM 基础概念 — Token、Context Window、采样参数等模型基础
• 主流模型厂商与 API — OpenAI / Anthropic / Google API 入门
• AI 能做什么 — 能力边界认知，两个方向都需要

这套内容适合谁

有前端（Vue / React）或后端（Node / Python）基础，准备系统进入 AI 领域的开发者。这里不要求你先懂训练算法，也不会把目标放在论文复现上。读完这一组页面，至少要能做到下面几件事：

• 向别人解释 LLM、Prompt、RAG、Agent 大概分别解决什么问题。
• 看模型 API 文档时，知道 token、上下文窗口、温度参数这些词在工程上意味着什么。
• 判断一个需求更像“普通模型调用”“需要接知识库”还是“需要工具或 Agent”。

如果这些问题还说不清，先不要急着看框架。框架会变，底层问题不会变得那么快。

不覆盖的方向

• 纯算法岗路线
• 从零训练模型
• 复杂论文复现
• 分布式训练与训练基础设施

学习优先级参考

如果你还在纠结先学什么，可以参考这个顺序：

优先级	主题
第一	AI 概念地图、LLM 基础、Prompt、Structured Output、Tool Calling
第二	Embedding、向量检索、RAG
第三	Agent、安全、评测、可观测性
第四	多模态、MCP、微调模型

学到什么程度可以进入下一步

不用把每个概念背成定义。更实用的标准是：你能不能用自己的话说清楚一个 AI 应用请求从哪里开始、模型看到了什么、结果怎么回到产品里。

可以用这三个小问题自测：

1. 为什么多轮聊天会越来越贵？
2. 为什么 RAG 不是简单地“把文档丢给模型”？
3. 为什么 Agent 必须有步数上限和工具权限？

如果能大致回答，就可以进入具体路线：Vibe Coding 路线 或 AI 应用开发路线。如果答不上来，先回到 LLM 基础概念 和 AI 能做什么。