AI 时代硬核人才学习指南
告别碎片化碎片式自学。我们联合多位前沿算法科学家及大厂落地产品专家，深度归纳出针对多维度研发、落地 and 商业决策的四大模块路径，为您打通完整的核心通关卡片。
AI 应用与 Agent 开发专家
从零构建生成式 AI 应用，打通 RAG（检索增强生成）、LLM API、LangChain、LlamaIndex 框架，并最终落地多 Agent 协同系统。
Stage 1：提示词工程与基础 API 对接
夯实 LLM 基础能力与最少必要开发框架
高级 Prompt 工程与结构化输出
掌握 System Prompt、Few-Shot 提示、CoT（思维链）以及 JSON Schema 强类型约束输出，提升大模型回复的确定性。
结构化简历解析器
使用 OpenAI API / Google GenAI SDK，将 PDF 格式的不规则简历一键解析为高精度的规范 JSON 结构。
Python/TypeScript 与 LLM SDK 快速集成
掌握官方 SDK、多轮对话状态维护（Memory）、流式输出（Streaming）以及函数调用（Function Calling / Tool Use）机制。
实时天气与股票复合查询助理
对接外部天气和股票 API，通过大模型 Function Calling 机制，在对话中自动决策何时调用外部 API 并渲染图表。
Stage 2：知识库构建与高阶 RAG 架构
解决模型幻觉，使 LLM 具备私有专属外部知识
向量化与向量数据库基础
理解 Text Embedding 语义空间、文档分块策略（Chunking）以及向量相似度检索（Cosine/IP）。掌握主流向量数据库。
本地私有 Markdown 知识库问答器
利用 LangChain 对本地百篇 MD 笔记进行分块并向量化，实现基于语义检索的快速关联解答。
高级检索优化与 RAG 落地（Advanced RAG）
突破基础 RAG 瓶颈。引入 Hybrid Search（混合检索）、Query Rewriting（查询重写）、Rerank（重排）以及 Self-RAG 自适应检索。
企业级高精度智能客服系统
结合行业 FAQ 数据集，设计基于 Rerank 优化和 Prompt 守卫的高可用客服对话端，确保无幻觉不胡言乱语。
Stage 3：智能体（Agent）设计模式与多 Agent 协同
从“被动问答”进化到“主动规划与执行任务”
单智能体控制循环（ReAct / Plan-and-Solve）
深入探讨 Agent 底层行为机制。如何通过“思考-行动-观察（ReAct）”的控制流，让模型自主操作浏览器、运行代码沙盒或读写文件。
AI 数据分析师 (Code Interpreter)
构建一个接收 CSV 文件，能够自动编写 Python 脚本、在安全容器中运行并生成精美分析图表的智能终端。
多 Agent 协作系统（Multi-Agent System）
学习多智能体之间的层级分工、对等广播与通信机制。实现复杂任务的分而治之，如“策划-写作-校对”工作流的闭环自动化。
自动化技术白皮书撰写天团
设计一个包含“行业调研 Agent”、“内容大纲 Agent”、“高级撰写 Agent”、“事实核查 Agent”的多智能体系统，输入一个命题，自动生成万字无瑕疵白皮书。
当前路线学习进度
如何高效通关？
- 最少必要知识法：先将 Stage 1 标记为已掌握，然后立即开展 Stage 1 的实战项目。实践才是最快的学习。
- 交叉查阅：路线推荐的相关工具和模型已经完美收录。随时点击工具和模型名称，可秒级查阅它们的评测与实操细节。
- 学徒工作：每一个 Actionable Project 都是业界真实生产环境的黄金提效原型，支持作为毕业设计的绝佳素材。