开始之前
先找到自己当前的学习位置,弄清怎么学才真正过脑子,再进入正式课程。
- 我们在哪里
- 怎样学才有效
- 为什么要打基础
主线建议按顺序学习;独立篇章和课后加餐可以按兴趣选择。
先找到自己当前的学习位置,弄清怎么学才真正过脑子,再进入正式课程。
把 AI 当老师用:会提问、会验证、会整理,避免停留在看过,能把知识变成自己的判断。
从零建立 AI 直觉:它能做什么、为什么会错、怎样沟通、哪些任务可以交给它。
串起训练数据、Token、GPT 和幻觉,建立判断模型边界的底层框架。
学习上下文、Prompt、安全、Agent、工具调用和成本,让大模型从聊天变成可用系统。
沿真实 Agent 应用拆解从 Demo 到产品的关键环节:循环、记忆、协作、权限与 MCP。
拆生产级 Agent 的设计模式,重点看上下文、工具、评测、长运行和安全边界。
理解 Harness 如何让系统持续改进,从固定流程走向能优化自身协作方式的 Agent。
建立一套可复用的 AI 协作流程:目标、上下文、验收、安全闸门和文档沉淀。
训练判断好不好看的基本能力,把层级、留白、克制和一致性翻译成 AI 能执行的要求。
从状态、防错、流程和控件选择入手,让 AI 做出的界面不只是能跑,还能顺手使用。
理解用户为什么觉得 AI 产品好用或难用,把等待、信任、错误和付费感受设计进体验。
看懂 Token 成本和模型计费,再从语法、语义、架构、输出四层压缩浪费。
用 AI 场景理解数据结构:数组、缓存、检索、图和队列分别解决什么问题。
用大模型里的真实机制理解复杂度、排序、分治、图搜索和采样,补足工程直觉。
可选源码深潜:读 Grok Build 的工程结构,理解一个生产级 Coding Agent 怎么组织。
可选源码深潜:读 DeepSeek Harness 的插件内核、会话循环、沙箱和可重建日志。
可选源码深潜:读 OpenAI Codex 的类型约束、命令策略、沙箱审批和 diff 设计。
从权重、许可证、蒸馏到本地部署,看懂开源模型到底开放了什么,以及自己怎么跑起来。
用章节自测检查概念是否真的会了,发现薄弱点后回到对应课程补齐。
AI 产品进入真实世界前,先补确权与合规基础:商标、软著、专利、域名和股权。
产品做出来后,学习如何让搜索引擎和回答型 AI 看得懂、找得到、愿意引用。
正课后的创业方法补充:产品、口碑、融资、估值、股权和现金流。
五档路线按目标划好范围,选完后课程目录会自动精简;随时能改,进度不会丢。
跳过全部原理和工程内容,只学怎么把 AI 用对:它在干什么、为什么会编、怎么问才问得出东西、什么能放心交给它。除了零基础入门篇,Harness 核心篇的上下文工程、Prompt 工程、实用技巧也在里面;协作方法论篇挑三节讲怎么跟 AI 立规矩、长对话怎么不跑偏。
在会用的基础上补两块:大模型原理整篇,帮你知道它为什么会编、边界在哪;协作方法论整篇,讲四步流程、验收标准和环境安全。再带上编程基础篇讲词表与向量的两节,知识库检索为什么会漏,你会有直觉。
在用到专业的基础上补齐 Harness 全套、设计模式与评测,加上成本工程和自测中心。跟工程师对齐方案、判断可行性、算成本,靠的就是这几块;代码走查、长运行 Agent、安全容器化和硬核源码专题留给动手路线。
把全部正课吃下,包括动手实战篇的完整代码走查和自我改进篇。建议全程跟着实战主线走:每章末尾的任务做完,六个里程碑填满,学完手上就有一个真能干活的 Agent 和一份自己的协作规范。
在动手路线之外多三个专题:Grok Build 的 Rust 源码、DeepSeek Harness 的 TypeScript 插件内核,以及开源模型的蒸馏与本地部署。这三块难度最高,也最能拉开差距。
不确定选哪档也没关系,五档都从同一节起步。往下学两节,自然就知道自己想走多深。