学习路径

按顺序学习，减少信息噪音，建立可复用的 AI 知识框架。

Stage 01 6 notes

Part 01 · AI 基础概念

先把术语、推理、上下文和 Prompt 基础打牢。

  1. AI 黑话通关手册 30+ AI 核心术语，一篇全搞定。不讲废话，每个词给你一句人话 + 原理 + 真实案例。读完你就能看懂大多数 AI 讨论。
  2. 大语言模型是如何“思考”的 从 Transformer 架构、Attention 机制、Token 预测到 Scaling Law，拆解 LLM 的底层运作逻辑
  3. 推理能力从哪里来 从预训练、微调、RLHF/DPO 到推理模型，拆解大语言模型能力形成路径，理解 Base Model、ChatGPT 与 reasoning model 的关系。
  4. 上下文窗口与 LLM 记忆机制 Context Window 如何工作、对话记忆如何维护、RAG 如何扩展知识边界——LLM 记忆全景图
  5. Prompt 工程入门 角色设定、Few-shot、指令设计、Chain-of-Thought——从零到写出高质量 Prompt 的完整指南
  6. Prompt 系统设计 从结构化输出、模板管理、多轮状态到分层 System Prompt，讲清生产级 Prompt 系统如何设计、测试与维护。
Stage 02 8 notes

Part 02 · RAG 体系化进阶

从检索链路到评测与生产实践。

  1. RAG 是什么 从知识截止、幻觉和私有数据三大痛点出发，理解 Retrieval-Augmented Generation 的本质与价值
  2. RAG 系统架构详解 拆解从 Query 到 Response 的完整 RAG 流水线，覆盖离线索引、在线查询、检索增强、上下文组装与回答生成。
  3. 文档切分策略 Chunking 是 RAG 的基础：切太大引入噪声，切太小丢失上下文。本文详解各类切分策略与最佳实践
  4. 检索质量优化 系统讲解 Sparse、Dense、Hybrid 检索、多阶段召回、Query 变换与评估调优，帮助生产级 RAG 提升检索质量。
  5. Rerank 模型 Bi-encoder 与 Cross-encoder 的取舍，两阶段检索模式，以及 Rerank 在 RAG 中的实战价值
  6. Self-RAG 解释 Self-RAG 如何让模型自主决定何时检索、如何评估证据与回答质量，以及它相对传统固定检索管线的价值和边界。
  7. RAG 评测体系 RAG 好不好，不能只看答案像不像对：从检索、忠实度、引用、线上反馈到回归测试，建立一套真正能指导迭代的评测框架
  8. 生产级 RAG 系统架构 从 Demo 到 Production，拆解生产级 RAG 的可靠性、可扩展性、可观测性、权限、评估与成本控制设计。
Stage 03 7 notes

Part 03 · Agent 设计与工程

理解 Agent 架构、规划执行与多 Agent 协作。

  1. Agent 是什么 从定义、核心能力、和 Chatbot 的差异到真实案例，系统理解 AI Agent 的本质、边界和工程落地方式。
  2. Agent 系统组成 Planner、Executor、Memory、Tools 四大支柱如何协同，以及 Agent 循环与架构模式
  3. Plan & Execute 先规划再执行的两阶段架构、Replanning 机制、与 ReAct 的对比，以及 LangGraph 等实现方式
  4. Reflection 讲解 Agent 如何通过自我评估、批评、修正和 Reflexion 模式提升输出质量，以及 Reflection 的适用场景和局限。
  5. Multi-Agent 系统 多 Agent 协作的通信模式、角色分工、编排策略，以及 CrewAI、AutoGen 等框架与实战考量
  6. Agent Memory 系统 解释 Agent 为什么需要记忆，梳理短期记忆、长期记忆、用户档案、工具状态与 MemGPT 虚拟内存等实现策略。
  7. LangGraph 用图结构构建有状态的多步骤 Agent 工作流，讲清 LangGraph 的核心概念、节点边状态、设计模式与实战取舍。
Stage 04 6 notes

Part 04 · OpenClaw 实战

围绕 OpenClaw 从概念到部署的完整实践路线。

  1. OpenClaw 是什么 从定位、架构、使用场景到能力边界，理解 GitHub 热门开源个人 AI 助手 OpenClaw 的核心设计。
  2. 快速上手 OpenClaw 快速上手指南：从安装、配置、启动到发送第一条消息，帮助你跑通个人 AI 助手的最小闭环。
  3. 系统架构详解 深入理解 OpenClaw 的 Gateway、Pi Agent、WebSocket、会话模型与多端架构，建立二次开发所需的系统视角。
  4. 工具与自动化 Browser Control、Canvas、Nodes、Cron、Webhooks、Voice 与媒体管道
  5. 部署方案详解 Docker、Podman、Remote Gateway、Tailscale、Nix 与云部署完整指南
  6. 实战案例与工作流 整理 OpenClaw 的实战案例与工作流，包括个人助理、开发协作、团队通知、家居自动化和内容创作场景。
Stage 05 17 notes

Part 05 · AI 工程化与生产

从模型选择、评测、可观测性、成本到安全治理，把 AI 应用推进真实生产环境。

  1. AI 系统架构设计 AI 系统与传统软件的本质差异、分层架构设计、微服务 vs 单体、核心组件选型，以及从 MVP 到企业级的部署演进
  2. 模型推理优化 推理延迟与成本是 AI 应用的两大痛点。Batching、KV Cache、量化、Speculative Decoding 等优化技术详解，以及 vLLM、TGI、TensorRT-LLM 等推理框架的工程取舍
  3. AI 成本优化 Token 成本拆解、Prompt 优化、缓存策略、模型路由、Cascade 模式、自托管 vs API 成本分析，以及预算监控与告警
  4. 模型选型策略 2026 年模型 landscape、评估维度、能力矩阵、场景映射、开源 vs 闭源、多模型策略，以及如何规避 vendor lock-in
  5. AI 评估体系 为什么评估是 AI 工程最被低估的环节。Benchmark、离线评估、在线评估、LLM-as-judge、评估流水线与持续监控
  6. AI 系统监控 AI 可观测性与传统 APM 的差异。Trace、指标、评估三支柱，关键指标定义，日志最佳实践，以及 LangSmith、Langfuse 等工具
  7. Prompt 版本管理 Prompt 即代码：版本控制、测试、A/B、Registry、模板化。Prompt 生命周期与团队协作，以及 Humanloop、LangSmith Hub 等工具
  8. AI 安全与防护 AI 专属安全威胁：Prompt Injection、数据泄露、内容安全。防御策略、Guardrails、访问控制与 Red Teaming
  9. Eval Harness 实战：从工具到自建评估体系 用漏斗式视角理解 Eval Harness：工具选型、lm-eval 与 promptfoo 实战、自建四支柱、Flaky Eval 处理，以及与 Agent Harness 的关系。
  10. Agent Benchmark 2026 H1 综合横评：SWE-bench / OSWorld / WebArena / SWE-Lancer 横评 2026 H1 主流 Agent benchmark，包括 SWE-bench、OSWorld、WebArena、SWE-Lancer 与 GDPval，分析它们各自测什么、不测什么，以及刷榜见顶后的评估方向。
  11. Agent Runtime：为什么下一代 AI 产品像一个小操作系统 从 Responses API、Agents SDK、MCP、Computer Use、WebSocket agent loop 和 Claude Agent SDK 出发，梳理 Agent Runtime 为什么会成为 AI 产品的核心底座，以及团队该怎样设计状态、工具、权限、沙箱、评测和可观测性。
  12. Agent 安全与权限模型：别把防线只写在 prompt 里 结合 2026 年 prompt injection、防工具滥用、MCP 与 Computer Use 的新风险，梳理 Agent 产品应该怎样设计权限、确认、沙箱、审计、数据流隔离和安全评测。
  13. Real-World Evals：为什么 GDPval 比刷榜更值得看 从 GDPval、SWE-bench Verified、BrowseComp 和私有评测出发，说明 2026 年 AI Agent 评估为什么要从公开榜单转向真实交付物、业务闭环和可复现评测。
  14. 模型路由 2026：不要把所有任务都交给同一个模型 结合 GPT-5.5、Claude、Gemini、开源模型、OpenRouter 与私有评测，梳理 2026 年为什么 AI 产品需要模型路由，以及怎样按任务风险、成本、延迟和能力做自动切换。
  15. AI Engineer 知识地图 2026：从基础设施工程师到 AI Builder 基于 AI Engineer Knowledge Map 2026 这张能力地图，重新整理现代 AI Engineer 的知识结构：基础设施、数据、LLM、推理、RAG、Agent、安全、评测、FinOps 与业务理解。
  16. AI Control：把自主 Agent 当作内部威胁来设计 结合 2026 年 6 月 Google DeepMind AI Control Roadmap 的公开报道、International AI Safety Report、AI Agent Index 与 agent containment 研究，整理为什么高自治 Agent 不能只靠 alignment，还要按内部威胁模型设计监控、隔离、审计和降级。
  17. AI Cyber Defense 2026：当模型开始批量找漏洞，防守方怎么重写安全流程 结合 2026 年 6 月 OpenAI 网络安全项目报道、Five Eyes 对 frontier AI cyber 风险的警告，以及 AgentCyberRange 等新评测，梳理 AI 进入漏洞发现、补丁生成、开源维护和安全运营后，企业安全流程该怎样改。
Stage 06 5 notes

Part 06 · AI 编程与 Claude Code

理解 coding agent、prompt caching、skills 与 spec-driven workflow 怎样改变软件开发。

  1. AI Coding Agent 全景 从 Copilot 到自主 Agent 的跃迁；Cursor、Devin、Windsurf、OpenHands、SWE-agent、Aider、Claude Code 对比；SWE-bench、架构循环与 Agent-Native 工作流
  2. Vibe Coding 与 Spec-Driven Development：2026 Q2 软件开发的两条新文化线 讨论 2026 Q2 软件开发的两条文化线：自然语言驱动的 vibe coding 与大公司推崇的 spec-driven development，以及团队该如何在速度和可维护性之间取舍。
  3. Claude Code 构建经验：为什么 Prompt Caching 是 Agent 的地基 基于 Claude Code 团队关于 prompt caching 的工程经验，拆解长任务 Agent 为什么必须围绕缓存来设计：静态前缀、工具集合、模型切换、compaction 和缓存命中率监控。
  4. Claude Code 构建经验：像 Agent 一样设计工具 基于 Claude Code 团队的工具设计经验，讨论 Agent harness 里最难的一件事：不是工具越多越好，而是给模型一个它真的会理解、会使用、会自我校正的行动空间。
  5. Claude Code 构建经验：Skills 不是 Markdown，而是能力包 基于 Claude Code 团队关于 Skills 的实践经验，梳理什么样的 skill 值得做、如何写出高信号密度的 skill、如何用文件系统和脚本做渐进披露，以及团队如何分发和衡量 skill。
Stage 07 13 notes

Part 07 · 前沿模型与新交互

追踪多模态、视频生成、AI 浏览器、世界模型、机器人与 AI for Science 的工程化信号。

  1. 新一代模型 MoE、Reasoning Models、SSM、多模态原生——2026 年模型架构与前沿趋势全解析
  2. Multimodal AI 从文本到视觉、音频、视频，梳理多模态 AI 的技术架构、训练思路、应用场景、产品机会与工程落地挑战。
  3. LLM Agents 研究前沿 ReAct、Reflexion、Voyager、CAMEL——Agent 学术研究的关键论文、Benchmark 与未来方向
  4. AI 系统未来形态 从 AGI 时间线、基础设施演进、产业变化、社会影响到监管格局，多维度展望 AI 的中长期发展方向。
  5. Computer Use Agents：让模型直接操作你的电脑 拆解 Computer Use Agent 如何用截图、视觉理解、鼠标键盘动作直接操作软件，对比 Function Calling Agent，并梳理 OSWorld、Claude、Operator 与 Manus 的工程取舍。
  6. Diffusion LLM：当语言模型不再一个 token 一个 token 写 Mercury 2 在 2026 年 2 月把扩散语言模型推到 1000+ tokens/秒，成为第一个商用产线级的非自回归 LLM。LLaDA 也证明了 8B 扩散模型可以追上 LLaMA3 8B。本文拆解扩散 LLM 的工作原理、它和自回归 LLM 的根本区别、能用在哪、不能用在哪，以及它会不会颠覆 Transformer。
  7. Voice AI 与实时语音 Agent：从拼装管线到可部署系统 实时语音 Agent 这条线已经从 ASR + LLM + TTS 的拼装方案，走向更完整的语音到语音系统。本文梳理其架构变化、工程难点、适用场景，以及它和 Computer Use / Hermes Agent 的关系。
  8. Video Generation 2026 H1：Sora 2 API / Veo 3.1 / Runway / Luma 视频生成到 2026 H1 已经跨过“只能看 demo”的阶段，但平台可用性变化很快：OpenAI Sora Web/App 已于 2026-04-26 停用，Sora 2 仍应按模型/API 能力而非消费级工作流来评估。本文梳理 Sora 2、Veo 3.1、Runway、Luma 的能力边界、适用场景、评估方法和现实限制。
  9. 开源 LLM 2026 H1 格局：从「追赶」到「分轨竞争」 2026 H1 是开放权重 / 开源 LLM 第一次在多个赛道逼近 frontier 闭源模型的半年。Llama 4、DeepSeek、Qwen、GLM、Gemma 等模型在 reasoning、coding、Agent、小型本地等维度形成分轨竞争。本文按六条赛道梳理现状，给出选型决策树与本地部署成本参考。
  10. AI for Science 2026 H1：AlphaFold 3、药物设计引擎与科学 Agent 梳理 2026 H1 AI for Science 三条主线：AlphaFold 3 与药物发现、材料生成模型、科学 Agent，讨论它们进入科研工作流后的机会和边界。
  11. World Models 2026 H1：Genie 3 / Project Genie 把「可交互的世界」推进生产线 拆解 World Models 在 2026 H1 的进展，重点看 Genie 3、Project Genie 与可交互世界生成，解释它和视频生成、Robotics、Agent、游戏之间的关系。
  12. AI-Native 浏览器 2026 H1：Comet / ChatGPT Atlas / Dia 三家如何重做 Web Perplexity Comet 已扩展到桌面和移动端，OpenAI ChatGPT Atlas、The Browser Company Dia 等产品也在重做浏览器入口。和「Chrome + 插件 + ChatGPT 标签页」不是一回事——AI-native browser 把 LLM 当一等公民，URL 退到次位。本文是这条新赛道的产品与功能切片。
  13. Embodied AI 与机器人：从会说话的模型到会动手的系统 结合 Gemini Robotics 1.5、V-JEPA 2、world model、Computer Use 和机器人基础模型，梳理 2026 年 Embodied AI 为什么值得记录，以及它离真正通用家用机器人还有多远。
Stage 08 11 notes

Part 08 · 知识系统与 AI 原生创业

把文档、知识库、DocOps 和创业方法论连起来，形成可复用的个人与团队知识资产。

  1. LLM Wiki 入门：为什么它不是 RAG，也不是普通笔记软件 从 Karpathy 的 LLM Wiki 模式出发，理解一种新的个人知识库做法：人负责选资料和提问题，LLM Agent 负责整理、交叉引用、更新和维护 Wiki。
  2. LLM Wiki 目录结构：从空文件夹搭出可维护的知识库 手把手搭建 LLM Wiki 的第一版目录结构，讲清 raw、wiki、index、log、AGENTS.md 分别放什么，以及为什么一开始不要把结构设计得太复杂。
  3. 写好 AGENTS.md：让 LLM 像知识库维护者一样工作 LLM Wiki 最关键的一篇：完整讲解 AGENTS.md 应该写什么，包括目录规则、页面模板、ingest、query、lint、引用、冲突处理和安全边界。
  4. Ingest 教程：把一篇文章变成一组互相连接的 Wiki 页面 LLM Wiki 的第一个核心操作：如何把 raw 里的原始资料吸收到 wiki 里，生成 source summary、concept page、question page、synthesis，并更新 index 和 log。
  5. Query 教程：如何向自己的 LLM Wiki 提问，并把好答案写回去 LLM Wiki 的第二个核心操作：基于 index 和 wiki 页面提问，生成带依据的回答，并把有长期价值的比较、综述、问题和结论沉淀回知识库。
  6. Lint 教程：让 Agent 定期体检你的 LLM Wiki LLM Wiki 的第三个核心操作：检查孤岛页面、重复概念、缺引用、过时结论、冲突说法和 index/log 漏更新，让知识库越长越清楚。
  7. Obsidian 实战：把 LLM Wiki 变成可浏览的第二大脑 如何用 Obsidian 承载 LLM Wiki：双链、Graph View、Web Clipper、附件、本地图片、Dataview 和 Marp，重点是让人能浏览，让 Agent 能维护。
  8. Git 工作流：把你的 LLM Wiki 当代码库维护 LLM Wiki 是一堆 Markdown 文件，天然适合 Git。本文讲 commit、diff、branch、rollback、review 和 Agent 修改报告，让知识库可回滚、可审查、可长期维护。
  9. 搜索层：当 index.md 不够用时，怎么给 LLM Wiki 加检索 LLM Wiki 一开始不需要向量数据库。本文讲从 index.md、ripgrep、Obsidian 搜索到 BM25 / vector / qmd 的渐进路线，以及什么时候该加搜索。
  10. 完整项目：用 LLM Wiki 从 0 到 1 学一个新领域 LLM Wiki 系列收官项目：选一个主题，收集 20 篇资料，完成 ingest、query、lint、Obsidian 浏览、Git 管理和搜索升级，最终形成一个可长期维护的知识库。
  11. AI 原生创业：别急着做产品，先重写公司的做事方式 基于 The founder's playbook: Building an AI-native startup 的读后整理。AI 原生创业不是给产品加一个模型，而是把问题验证、产品构建、销售交付和组织协作都按新杠杆重新设计。