AI学习计划学习总览阶段时间核心目标关键技术栈产出项目第一阶段第 1 个月理解模型与提示词 Prompt

学习总览

阶段	时间	核心目标	关键技术栈	产出项目
第一阶段	第 1 个月	理解模型与提示词	Prompt Eng, OpenAI API, Python 基础	智能对话助手
第二阶段	第 2 个月	掌握 Agent 框架与记忆	LangChain, Vector DB, RAG	文档知识库问答
第三阶段	第 3 个月	全栈落地与多 Agent	Next.js, Vercel AI SDK, Deployment	企业级 AI 应用

目标：理解 LLM 工作原理，掌握 Prompt 技巧，能调用 API 实现基础对话。

学习内容：
- LLM 基本原理（Transformer 简介，Token 概念，Temperature 参数）。
- Python 基础语法（变量、函数、异步请求 async/await，包管理 pip/poetry）。
- 环境搭建（Anaconda 或 venv，VS Code Python 插件）。
前端优势转化：将 Python 脚本视为 Node.js 脚本，重点学习 requests 库（类似 axios）。
资料：
- Python for Everybody (Coursera) (只看前 2 门)
- LLM University (Cohere) (免费基础课)

学习内容：
- Zero-shot, Few-shot, Chain of Thought (CoT)。
- 结构化输出（强制模型输出 JSON）。
- 提示词优化技巧（角色设定、任务拆解、约束条件）。
实践：编写一套 Prompt，让模型从非结构化文本中提取 JSON 数据。
资料：
- Prompt Engineering Guide (DAIR.AI)
- DeepLearning.AI - Chat with Your Data

学习内容：
- OpenAI / Anthropic / 国内大模型 API 对接。
- Streaming（流式输出）：前端 SSE (Server-Sent Events) 处理。
- 错误处理与重试机制。
前端优势转化：利用你对 HTTP 和 Stream 的理解，实现打字机效果。
资料：
- OpenAI API Documentation
- Vercel AI SDK (Core Concepts)

目标：让 AI 拥有“记忆”和“工具”，能处理私有数据。

学习内容：
- LangChain 核心概念：Model, Prompt, Chain, Agent。
- 决策：前端推荐先用 LangChain.js (保持 TS 技术栈)，进阶学 LangChain Python (生态更全)。
- 构建简单的 Chain（顺序执行）。
资料：
- LangChain.js Documentation
- LangChain 官方教程 (YouTube)

学习内容：
- Embedding 原理（文本向量化）。
- 向量数据库使用（ChromaDB 本地 / Pinecone 云端 / Pgvector）。
- 相似度搜索（Similarity Search）。
前端优势转化：将向量库视为一种特殊的“数据库”，学习其 CRUD 操作。
资料：
- Pinecone Learning Center
- ChromaDB Docs

学习内容：
- 文档加载（PDF, Markdown, Text）。
- 文本切片（Chunking 策略）。
- RAG 完整流程：检索 -> 增强 -> 生成。
实践：上传一个 PDF，让 AI 基于 PDF 内容回答问题。
资料：
- DeepLearning.AI - RAG Short Course

目标：构建可部署的生产级应用，探索多 Agent 协作。

学习内容：
- Function Calling 原理（模型决定调用哪个 API）。
- 自定义工具（搜索、计算器、数据库查询）。
- ReAct 模式（Reasoning + Acting）。
实践：让 Agent 调用天气 API 或搜索 Google。
资料：
- OpenAI Function Calling Guide

学习内容：
- 多 Agent 架构（Manager-Worker 模式）。
- 框架：AutoGen, CrewAI (Python 为主), LangGraph。
- 工作流编排（DAG）。
前端优势转化：将多 Agent 视为“微前端”架构，每个 Agent 是一个独立服务。
资料：
- Microsoft AutoGen Docs
- CrewAI Docs

学习内容：
- Agent 评估指标（准确率、延迟、成本）。
- 日志与追踪（LangSmith, Arize Phoenix）。
- 缓存策略（减少 Token 消耗）。
资料：
- LangSmith Documentation

任务：构建一个能执行具体任务的 Agent。
功能：
- 用户输入自然语言指令（如“查询上周销售额并画图”）。
- Agent 自动调用数据库/API。
- 返回图表或执行结果。
- 部署到 Vercel 或 Docker。
技术栈：Next.js, LangGraph, ECharts/Recharts, Docker。

DeepLearning.AI: 吴恩达的短课程，质量极高，免费。
YouTube 频道:
- Greg Kamradt (Data Independent) - 实战性强。
- David Shapiro - 深度技术解析。
- Code with Antonio - 全栈 AI 项目构建。

不要陷入模型训练陷阱：
- 你的目标是 AI Application Engineer，不是 AI Researcher。
- 不要花时间去学 PyTorch 底层或数学推导，学会调用 API 和微调 Prompt 更重要。
发挥 UI/UX 优势：
- 大多数 AI 应用界面都很丑。你可以做出交互体验最好的 Agent。
- 思考：如何处理 AI 思考中的状态？如何展示引用来源？如何让用户修正 AI 的错误？这些都是前端的主场。
TypeScript 是你的武器：
- 优先使用 LangChain.js 和 Vercel AI SDK。
- 这能让你在熟悉的环境中学习新概念，降低认知负荷。
- 只有在 JS 生态无法满足时（如复杂的 RAG 管道），再考虑 Python 后端。
关注“边缘计算” (Edge AI)：
- 学习 WebLLM 或 Transformers.js，尝试在浏览器端直接运行小模型。
- 这是前端独有的 AI 赛道（隐私保护、零延迟）。
构建作品集：
- 将代码开源到 GitHub，并在 README 中详细写出 架构思考 和 Prompt 优化过程。