AI应用开发

第一阶段：基础概念与提示工程 (Prompt Engineering)

目标：理解 AI 是如何“思考”的，学会写出高质量的指令。

  • 核心知识点：
    • LLM 基础：Token、Temperature、Context Window（上下文窗口）、Hallucination（幻觉）。
    • 提示词技巧：Zero-shot/Few-shot、Chain of Thought (CoT)、角色扮演、结构化输出（JSON）。
  • 推荐资料：

第二阶段：AI 开发框架 (LangChain / LlamaIndex)

目标：学会使用“胶水框架”将 AI 模型与你的代码、数据库、API 连接起来。

  • 核心知识点：
    • LangChain: 目前最主流的 AI 开发框架，掌握 Chains、Memory、Tools。
    • LlamaIndex: 专注于数据索引和检索，适合处理私有文档。
  • 推荐资料：

第三阶段：RAG (检索增强生成) 与 向量数据库

目标：让 AI 能够基于你提供的私有数据（如公司文档、个人笔记）回答问题。

  • 核心知识点：
    • Embeddings (嵌入)：将文本转化为数学向量。
    • Vector Databases: 学习使用 Pinecone, Milvus, Weaviate 或轻量级的 Chroma。
    • RAG 流程：文档切分 -> 向量化 -> 检索 -> 增强生成。
  • 推荐资料：

第四阶段：前端集成与 AI UI/UX

目标：在前端实现流畅的 AI 交互体验。

  • 核心知识点：
    • Streaming (流式传输)：实现像 ChatGPT 那样逐字蹦出来的效果（SSE/WebSockets）。
    • Vercel AI SDK: 前端开发者接入 AI 的神器，支持 React/Next.js。
    • 交互设计：如何处理 AI 的延迟、错误反馈、会话管理。
  • 推荐资料：
    • Vercel AI SDK 文档: sdk.vercel.ai (前端必看)。
    • Build an AI Chatbot (Next.js): 搜索 Vercel 官方的聊天机器人模板。

第五阶段：Agent (智能体) 与 LLMOps

目标：构建能够自主决策、调用外部工具（如搜索、运行代码）的 AI。

  • 核心知识点：
    • Function Calling (函数调用)：让 AI 决定何时调用你的 API。
    • Evaluation (评估)：如何判断 AI 的回答好不好（使用 Ragas 或 LangSmith）。
    • CI/CD for AI: 自动化测试提示词的效果。
  • 推荐资料：
    • LangSmith: docs.smith.langchain.com (用于调试和监控 AI 流水线)。
    • AutoGPT / BabyAGI: 研究这些开源项目的思路。

针对您的背景（前端 + CI/CD）的进阶建议：

  1. 利用 Node.js 生态：虽然 AI 界 Python 是主流，但 LangChain.js 和 Vercel AI SDK 已经非常成熟，你可以直接用 TypeScript 开发。
  2. AI + CI/CD 实践：
    • 尝试写一个 GitHub Action，当有 PR 提交时，自动调用 OpenAI API 进行 Code Review。
    • 写一个脚本，自动将 Linux 报错日志发送给 AI 并返回修复建议。
  3. 本地部署实验：
    • 下载 Ollama。它能让你在本地（甚至你的 WSL 环境下）一键运行 Llama 3 或 Mistral 模型，无需支付 API 费用，非常适合练习。

建议起手项目： 构建一个“个人技术文档助手”。

  • 功能：你可以把你的 Linux 笔记、前端代码片段喂给它。
  • 技术栈：Next.js + Vercel AI SDK + Ollama (本地) 或 OpenAI API。

 

国内

1. 模型与 API 平替（解决“引擎”问题）

不需要 OpenAI，国内现在的模型 API 性能已经非常强劲，且对开发者极其友好。

  • DeepSeek (深度求索)：强烈推荐。目前国内口碑最好的模型之一，API 接口与 OpenAI 完全兼容，价格极低甚至有大量免费额度，文档清晰。
  • 智谱 AI (BigModel)：源自清华，提供功能强大的 GLM 系列模型，有非常完善的开发者中心。
  • 通义千问 (阿里)：通过“积木办”或“百炼”平台接入，文档非常适合中文开发者。

2. 提示工程 (Prompt Engineering) 平替

  • Learning Prompt (中文版)：这是一套完全免费、由国内开发者编写的提示工程教程，内容非常系统。
  • 提示工程指南 (中文镜像)：很多社区（如 GitHub 镜像站）都有 Prompt Engineering Guide 的中文翻译版。

3. 开发框架与工具平替

  • Dify (强烈推荐)：这是一个国产开源的 LLM 应用开发平台。它把 LangChain、RAG、工作流等复杂概念可视化了。
    • 特点：你可以直接在本地用 Docker 部署，或者使用其云端版。它非常适合前端开发者快速构建 AI 应用。
    • 官网/文档：dify.ai (国内访问流畅)。
  • LangChain Chatchat：国内最火的基于 LangChain 的开源 RAG 项目，中文文档极其丰富，适合研究如何处理本地知识库。
    • 搜索关键词：在 Gitee 或 GitHub 镜像站搜索 chatchat-space/Langchain-Chatchat。

4. 视频与社区资源（解决“教程”问题）

  • Bilibili (B站)：搜索以下关键词，质量不输 YouTube：
    • “秋叶aaaki”：虽然偏绘图，但对 AI 基础环境讲解极好。
    • “跟李沐学 AI”：前亚马逊首席科学家，中文讲解深度学习和模型原理。
    • 搜索“LangChain 实战”或“RAG 应用开发”，有很多国内大厂工程师的分享。
  • 稀土掘金 (Juejin)：国内前端开发者最集中的地方，搜索“AI 助手”、“LLM 应用”，有大量高质量的技术专栏。

5. 本地运行环境（解决“成本”问题）

  • Ollama (国内镜像安装)：Ollama 是本地运行 AI 模型的最佳工具。
    • 技巧：虽然官网在国外，但你可以通过国内的 ModelScope (魔搭社区) 下载模型权重，或者使用国内开发者提供的 Docker 镜像安装。
  • ModelScope (魔搭社区)：阿里的开源模型平台，可以看作是国内的 Hugging Face。

重新规划的“国内环境”学习路径：

  1. 第一周：玩转 DeepSeek API
    • 注册 DeepSeek 开发者平台，用 Node.js 写一个简单的脚本调用其 API。
    • 学习如何通过 API 实现“流式输出”（Streaming）。
  2. 第二周：本地部署 Dify
    • 在你的 WSL (Ubuntu) 环境下，用 Docker Compose 启动 Dify。
    • 尝试在 Dify 里接入 DeepSeek 的 API，做一个简单的“代码 Review 助手”。
  3. 第三周：掌握 RAG (知识库)
    • 在 Dify 或 LangChain Chatchat 中上传一份你的前端项目文档。
    • 学习什么是“向量化”，尝试让 AI 根据你的文档回答问题。
  4. 第四周：前端集成
    • 学习使用国内云厂商（如字节跳动的 Coze 扣子国内版）提供的插件或 SDK，将 AI 功能集成到你的前端页面中。

给您的特别建议： 既然您有 Linux (WSL) 基础，建议先安装 Docker。有了 Docker，你可以在本地一键运行 Dify、向量数据库和各种国产大模型，这会极大地降低你的学习门槛。

posted @ 2026-03-23 22:34  Summer_ee  阅读(1)  评论(0)    收藏  举报