🗺️ 系统化学习路线

从 AI 工具使用
到工程实践

这是一份基于实际工具使用经验整理的 AI 进阶路线。核心思路：根据原型图，结合Skill，调用知识库，生成可用的产品。我们要做的就是调整 MCP、提示词、向量里面的一些内容。同时采用 "用 AI 学习 AI" 的学习方法，让 AI 成为你的学习助手。

🚀 从第一阶段开始 查看路线总览
7
学习阶段
35+
核心知识点
50+
推荐资源
∞
持续扩展
Learning Path
四阶段学习路线

每个阶段聚焦一个核心能力，循序渐进，每阶段均有配套资源与实践建议。

阶段 01
🧱
工具入门
API Key Docker Dify
→
阶段 02
✍️
提示词工程
CoT Few-shot 结构化输出
→
阶段 03
🔍
RAG 与幻觉
向量检索 知识库 Rerank
→
阶段 04
🤖
Agent 进阶
ReAct MCP 评估体系
→
阶段 05
🎯
工作提效
技能训练 效率工具 工作流
→
阶段 06
🔌
MCP与工具集成
MCP协议 Hermes 工具链
→
阶段 07
🏢
企业级应用开发
RAG实战 代码生成 生产部署
Stage 01
🧱
工具入门与环境搭建
理解 API Key、Token 计费机制，掌握 Docker 私有部署 Dify，熟悉 Cherry Studio、千问、Trae、Qoder 等主流 AI 工具的使用场景与最佳实践。
API Key Token Docker Dify Cherry Studio
深入阅读 →
 Stage 02
✍️
提示词工程
掌握提示词的核心框架与技巧，从基础结构到 Chain of Thought、Few-shot、结构化输出，学会系统性优化提示词，最大化模型能力。
CoT Few-shot RTCFC 框架 结构化输出
深入阅读 →
 Stage 03
🔍
RAG 检索增强与幻觉消减
理解幻觉的本质与高发场景，学会通过 RAG 知识接地、精确约束、多模型交叉验证等手段提升 AI 输出的可靠性。
向量数据库 分块策略 Rerank 幻觉消减
深入阅读 →
 Stage 04
🤖
Agent 设计与进阶工程化
深入 ReAct 推理循环，构建多工具调用的 Agent 工作流，掌握 MCP 协议、AI 安全防护、评估体系建设与 LLMOps 工程化实践。
ReAct MCP Fine-tuning LLMOps
深入阅读 →
 Stage 05
🎯
AI 技能训练与工作提效
将 AI 技能系统化应用到日常工作中，通过刻意练习提升技能水平，整合效率工具，建立个人 AI 工作流，实现真正的效率提升。
刻意练习 效率工具 工作流 提效技巧
深入阅读 →
 Stage 06
🔌
MCP协议与工具链集成
掌握 Model Context Protocol 标准协议，学会开发自定义 MCP 服务器，集成 Hermes Agent 与 Dify MCP 适配器，构建多工具协同的智能化工作流。
MCP协议 Hermes Dify适配器 工具集成
深入阅读 →
 Stage 07
🏢
企业级AI应用开发实战
基于真实业务场景，构建BPM报表代码生成器等企业级应用。掌握知识库设计、RAG系统调优、ExtJS前端规范、C#后端开发，以及生产环境部署运维全流程。
RAG实战 代码生成器 ExtJS规范 生产部署
深入阅读 →
Core Methodology
🎯 核心方法论
🔧 产品生成路径
原型图 + Skill + 知识库 → 可用产品
操作方式：我们要做的就是调整三个核心要素：
  1. MCP（模型上下文协议）：配置模型路由规则，优化工具调用能力
  2. 提示词：标准化提示词模板，优化输出格式要求
  3. 向量：调整文档分块策略，优化检索精度
🎨 原型图
提取功能点和业务逻辑
🧩 Skill
选择和组合可复用工具
📚 知识库
调用相关知识文档
🤖 用 AI 学习 AI
让 AI 成为你的学习助手
学习路径：
  1. 输入层面：喂给 AI 大量 AI 相关的文档、代码、案例
  2. 处理层面：让 AI 分析、总结、提炼关键知识
  3. 输出层面：AI 生成可执行的代码、配置、方案
  4. 反馈层面：用实际运行结果反向优化 AI 模型
💡 实践技巧：遇到问题时，先问 AI "这个概念是什么？"、"如何实现？"、"有什么最佳实践？"，让 AI 成为你的私人导师。
Philosophy
学习建议
🔨
实践优先
每个概念都配有在 Dify、Cherry Studio 或代码中可以直接操作的实践建议，先动手再深究原理。
📖
中文资源优先
每阶段均优先推荐中文官方文档和社区资源，降低语言障碍，提高学习效率。
🔗
工具串联
以本地 Dify 为核心实践平台，将提示词、RAG、Agent 能力串联成完整的应用开发闭环。
📝
笔记沉淀
每个阶段页面都预留了"个人笔记"扩展区，可以将自己整理的 Markdown 内容嵌入进来。
🔄
迭代更新
AI 领域发展极快，本路线以模块化结构组织，方便随时添加新工具、新技术、新资源。
🎯
聚焦应用
路线聚焦"能用起来"的工程实践，不深究数学推导，适合希望快速构建 AI 应用的开发者。
📌 关于个人笔记扩展：每个阶段页面底部均设有"我的笔记"区块，你可以在对应 HTML 文件中找到 <!-- NOTES: 在此处插入你整理的 Markdown 内容 --> 注释，将转换后的 HTML 内容粘贴进去即可完成扩展。
Toolstack
推荐工具概览

本路线围绕以下工具展开讲解，均为国内可访问的主流 AI 工具。

🐳
Docker + Dify
本地 LLMOps 平台
私有化部署的 AI 应用开发平台，支持知识库、工作流、Agent 编排，是贯穿本路线的核心实践环境。
开源免费 中文文档 可视化
🤖
Qoder / Trae
AI 原生编程 IDE
AI 辅助编程工具，内置代码补全、重构、Agent 任务自动化执行，是学习 AI 工程化的最佳实践场景。
代码补全 Agent 模式
🍒
Cherry Studio
多模型 AI 桌面客户端
支持接入多家 AI 服务商的桌面应用，适合日常对话、提示词调试与多模型对比，是提示词学习的最佳实验场。
多模型 桌面端
🌟
通义千问 (Qwen)
阿里云大模型
阿里云推出的大模型，中文理解能力强，代码生成表现优异，API 价格亲民，国内访问稳定，适合作为主力模型。
国内可用 中文优化
🔌
各类大模型 API
API Key 接入
通过 API Key 接入 OpenAI、DeepSeek、Moonshot、智谱等模型，理解统一的 OpenAI 兼容格式，是工程化的基础能力。
OpenAI 兼容 多服务商
🧩
MCP 生态
Model Context Protocol
Anthropic 主导的标准化工具调用协议，让 AI 能够标准化调用外部工具与服务，是 Agent 阶段的重要扩展方向。
标准协议 阶段 4