第一阶段：把 AI 当工具用稳
熟悉主流 AI 编程工具、Prompt 结构、上下文组织和任务拆分，先把日常开发效率稳定提起来。
Writing Workspace
AI 知识域工作台
8 个写作板块，57 个文章槽位。先补齐核心工作流，再逐步写 RAG、Agent、工程治理和业务落地。
Roadmap
学习路线
AI 知识图谱先按能力层级走：工具使用、模型认知、RAG 和 Agent、工程化治理、业务落地判断。
第二阶段：理解模型能力边界
理解大模型的上下文窗口、幻觉、推理、检索增强和评测方式，知道什么时候该信、什么时候必须验证。
第三阶段：能做知识库和工作流
围绕 RAG、工具调用、Agent 编排和业务流程，把 AI 能力嵌入真实系统，而不是停留在聊天窗口。
第四阶段：做生产级 AI 应用
补齐监控、成本、延迟、安全、权限、数据闭环和灰度发布，让 AI 功能可以被持续运营。
第五阶段：形成业务判断力
能判断哪些场景适合 AI、哪些场景不值得做，能在效果、成本、风险和用户体验之间做取舍。
Knowledge Area
模型基础与能力边界
先把大模型能做什么、为什么会错、错在哪里讲清楚，避免把所有问题都扔给模型碰运气。
AI 基础概念
- 机器学习基础 训练、推理、特征、过拟合、泛化能力已写
- 深度学习基础 神经网络、反向传播、表示学习、参数规模已写
- Transformer Attention、位置编码、上下文建模、长文本限制已写
- 大模型工作方式 Token、上下文窗口、采样参数、指令遵循已写
- Embedding 向量表示、语义相似度、向量空间的边界已写
模型能力边界
Knowledge Area
Prompt 与上下文工程
Prompt 不是话术模板，而是把目标、约束、上下文和验证标准组织成模型可执行的任务说明。
Knowledge Area
AI 编程与工程效率
围绕真实开发工作流使用 AI：拆任务、读代码、改代码、写测试、做评审，而不是只让它生成一段代码。
AI 编程工具
- Codex 使用技巧 任务拆分、上下文提供、结果验收和日常开发配合已写
- Codex 工作流 把 Codex 当成结对工程师使用，而不是一次性代码生成器已写
- Cursor / IDE 助手 局部补全、项目问答、重构和测试生成已写
- Claude Code / CLI 工具 命令行 Agent、仓库级修改、长任务上下文保持已写
研发流程嵌入
- 需求澄清 从口头需求拆成边界、验收和风险点已写
- 代码阅读 快速建立模块地图、调用链和变更影响面已写
- 测试生成 单测、集成测试、边界用例和回归清单已写
- Code Review 风险扫描、性能隐患、安全问题和可维护性建议已写
Knowledge Area
RAG 与知识库系统
RAG 的核心不是接一个向量库，而是让知识能被正确切分、检索、过滤、重排、引用和持续更新。
Knowledge Area
Agent 与自动化工作流
Agent 适合处理有步骤、有工具、有状态的任务，但必须设计好权限、回滚、人工确认和失败恢复。
Knowledge Area
AI 应用工程化
生产级 AI 应用要同时盯住效果、成本、延迟、稳定性、安全和可观测性，不能只看一次回答好不好。
Knowledge Area
AI 产品与业务落地
AI 功能能不能上线，最终看的是业务价值、交互体验、风险边界和持续运营能力。
Cheatsheet
AI 技术速查
后续写文章时，这些关键词可以用来定位文章主题，也可以作为标签池的候选来源。
PromptRAGAgentEmbeddingVector DBLLMFunction CallingAI CodingCodexCursorClaude CodeLangChainLlamaIndexOpenAI APIEvaluationObservabilitySafetyCost
Overview
能力侧重
AI 方向的文章会更强调工程落地：上下文怎么组织、知识怎么检索、Agent 怎么控风险、上线后怎么评测和迭代。
AI Builder
模型PromptRAGAgent工程安全 核心能力概览
这组能力不是学习顺序，而是写文章时需要反复覆盖的几个判断维度。
技术栈分布
把 AI 文章拆成四类：模型理解、应用构建、工程治理和业务落地，避免所有内容都写成工具教程。
模型认知 应用构建 工程治理 业务落地