Appearance
AI Wiki：学习与实践
这份知识库面向会基础编程、希望做出 AI 应用的读者。首次学习从系统教程开始；遇到具体问题时，再进入专题查阅原理和工程细节。
从这里开始
主线任务：做一个能引用资料、识别资料不足、调用只读检索工具的文档助手。
| 顺序 | 要解决的问题 | 动手产物 |
|---|---|---|
| 0. 概念与任务拆解 | 模型、应用、RAG 和 Agent 分别做什么 | 一份输入、证据、输出与边界约定 |
| 1. 模型调用 | 如何得到程序能检查的答案 | 请求预览、可选真实调用、输出校验 |
| 2. 检索与引用 | 资料太多时怎样选择证据 | 本地检索基线与无证据处理 |
| 3. 工具循环 | 怎样让模型提出动作，再由程序执行 | 一个只读工具与有上限的循环 |
| 4. 评测与迭代 | 怎样判断改动是否有效 | 固定样例、失败报告与回归测试 |
示例使用 Python 标准库，默认离线运行，不需要密钥。开启真实调用前，再按教程设置账号与模型。离线模拟只验证程序流程，不代表模型效果。
按当前问题选择阅读方向
| 当前问题 | 先做什么 | 再查什么 |
|---|---|---|
| 概念太多，不知道怎么联系起来 | 完成第 0、1 课 | 模型调用与消息结构 |
| 接口能调通，但答案格式不稳定 | 定义输出契约，检查拒答和截断 | 结构化输出与函数调用 |
| 问答找不到正确资料 | 打印检索结果，用固定问题复现 | RAG、混合检索 |
| Agent 总是乱用工具或不停重试 | 检查允许列表、参数和停止条件 | 工具设计、执行循环 |
| 修改提示词后不确定有没有变好 | 保存失败样例，比较同一套数据 | 评测体系 |
| 准备给多人或企业使用 | 先明确资料权限、执行身份与日志范围 | 安全治理、LLMOps |
专题参考库
专题用于深入某个问题，不要求按目录一次读完。原有文章地址保留；同一领域中的基础与实践资料在这里一起查找。
| 领域 | 主要内容 | 阅读入口 |
|---|---|---|
| 基础入门 | 消息、Prompt、Transformer、学习计划 | 基础导读 |
| LLM 核心能力 | Token、参数、Embedding、RAG、输出协议 | LLM 专题 |
| 模型专题 | 厂商路线与能力比较 | 模型目录 |
| RAG 与知识检索 | 文档处理、召回、重排、引用与知识维护 | 知识检索 · 向量数据库 |
| Agent 与工作流 | 核心循环、工具、MCP、状态与恢复 | Agent 主线 · 工作流实践 |
| 多模态与语音 | 图像、文档、音频、视频处理 | 基础专题 · 能力与实践 |
| 平台与运维 | 模型路由、观测、成本、发布与运行 | 平台工程 · LLMOps |
| 安全与治理 | 注入防护、工具权限、审计与隔离 | 安全基础 · 治理实践 |
| 评测与案例 | 基准、失败样例、指标和复盘 | 评测运营 |
| AI 发展史 | 技术范式与代表性进展 | 历史专题 |
一条可执行的学习节奏
下面的时间仅用于安排学习，完成标准比天数更重要：
| 阶段 | 建议投入 | 完成标准 |
|---|---|---|
| 建立主线 | 1 次学习 | 能解释一个问题从输入到答案的完整路径 |
| 单次调用 | 1～2 次练习 | 能区分 HTTP 成功、格式合规与事实正确 |
| 证据问答 | 2 次练习 | 能定位漏召回、错误上下文和生成错误 |
| 工具循环 | 2 次练习 | 未授权工具无法执行，任务有明确停止条件 |
| 小型项目 | 持续迭代 | 换成自己的资料，保留独立测试集和失败记录 |
还不熟悉 Python 的读者，可先掌握函数、字典、JSON、文件读取和异常处理，再运行示例。准备研究模型原理时，进入 Transformer 与数学基础；准备应用开发时，不必把所有历史和模型对比文章读完才开始实验。
如何判断一篇资料是否适合当前任务
先看适用对象、问题范围、最后核对时间和示例条件。模型价格、上下文上限、产品状态和 API 字段会变化，历史专题中的日期不代表当前仍然有效。涉及选型或接口修改时，应打开对应厂商的一手文档复查。
新版教程明确区分可运行代码、离线模拟和真实调用结果。阅读其他专题时也采用同样标准：能指出输入和输出、能复现步骤、能说明失败条件，才算掌握了这项能力。