课程目录结构
完整的学习路径，从基础到实战，系统性掌握 AI Agent
目录说明
教程采用模块化设计，每章独立且递进。你可以：
- 按顺序系统学习（推荐零基础学习者）
- 根据需要跳转到特定章节（适合有基础的学习者）
- 以实战项目为中心，反向学习所需知识（快速验证想法）
基础型路径（Basics）
目标：系统性掌握 AI 知识，建立完整的认知框架 预计时间：3-6 个月 适合人群：零基础学习者，希望从原理开始理解
第一模块：AI 概述与 Agent 概念（basics/01-ai-overview/）
01-ai-overview/
├── index.md # 模块介绍
├── 01-what-is-ai.md # 什么是 AI？
│ ├── AI 的定义与核心特征
│ ├── 弱 AI vs 强 AI
│ ├── AI 的三大要素：数据、算法、算力
│ └── 思考：AI 会取代人类吗？
│
├── 02-ai-history.md # AI 发展简史
│ ├── 图灵测试到专家系统（1950-1980s）
│ ├── 深度学习革命（2000s）
│ ├── Transformer 诞生（2017）
│ ├── GPT 系列的演进（2018-2024）
│ └── 重要里程碑时间轴
│
├── 03-ai-agent-concept.md # 什么是 AI Agent？
│ ├── Agent 的定义：能感知环境并采取行动的实体
│ ├── Agent vs 传统的 AI 助手
│ ├── Agent 的三要素：感知、决策、行动
│ ├── Agent 的应用场景
│ └── 案例分析：AutoGPT、BabyAGI
│
└── 04-why-agent-matters.md # 为什么 Agent 是未来？
├── 从 Copilot 到 Autopilot
├── 一个人就是一个团队
├── Agent 的商业价值
└── 学习 Agent 的意义学习目标：建立对 AI 和 Agent 的基本认知，理解为什么 Agent 是下一代 AI 的核心
检验标准：能用通俗语言向他人解释什么是 AI Agent
第二模块：大语言模型基础（basics/02-llm-fundamentals/）
02-llm-fundamentals/
├── index.md # 模块介绍
├── 01-what-is-llm.md # 什么是大语言模型？
│ ├── 从语言模型到 ChatGPT
│ ├── 什么是"大"？（参数量、数据量、算力）
│ ├── LLM 能做什么？（文本理解、生成、推理）
│ └── LLM 的局限性（幻觉、知识截止、上下文限制）
│
├── 02-how-llm-works.md # LLM 如何工作？
│ ├── Transformer 架构简介（无需数学推导）
│ ├── 注意力机制（Attention）的通俗解释
│ ├── 训练过程：预训练 + 微调 + RLHF
│ ├── Token：LLM 的基本单位
│ └── Temperature、Top-p 等参数的含义
│
├── 03-major-models.md # 主流大模型介绍
│ ├── GPT 系列（OpenAI）
│ ├── Claude 系列（Anthropic）
│ ├── Gemini 系列（Google）
│ ├── LLaMA 系列（Meta）
│ ├── 通义千问、文心一言等国产模型
│ └── 如何选择合适的模型？
│
├── 04-model-capabilities.md # LLM 的核心能力
│ ├── 文本理解与生成
│ ├── 逻辑推理
│ ├── 代码生成
│ ├── 多模态能力（文本、图像、音频、视频）
│ └── Function Calling（工具调用）
│
└── 05-limits-and-challenges.md # LLM 的挑战
├── 幻觉问题（Hallucination）
├── 知识截止与实时性问题
├── 上下文窗口限制
├── 计算与推理的边界
└── 伦理与安全学习目标：理解 LLM 的原理、能力和局限性，为后续学习打下基础
检验标准：能解释 Transformer、Token、Temperature 等核心概念
第三模块：提示词工程（basics/03-prompt-engineering/）
03-prompt-engineering/
├── index.md # 模块介绍
├── 01-prompt-basics.md # 提示词基础
│ ├── 什么是提示词？
│ ├── 好提示词的标准（清晰、具体、有上下文）
│ ├── 基本结构：角色 + 任务 + 约束 + 示例
│ └── 常见错误示例
│
├── 02-prompt-patterns.md # 提示词模式
│ ├── 角色扮演（Role-playing）
│ ├── 思维链（Chain of Thought）
│ ├── 少样本学习（Few-shot Learning）
│ ├── 自我一致性（Self-consistency）
│ └── ReAct 推理（推理 + 行动）
│
├── 03-advanced-techniques.md # 进阶技巧
│ ├── 提示词链（Chaining）
│ ├── 提示词模板化
│ ├── 结构化输出（JSON、Markdown）
│ ├── 迭代优化方法
│ └── A/B 测试你的提示词
│
├── 04-prompt-for-different-tasks.md # 不同任务的提示词设计
│ ├── 文本创作（写作、翻译、润色）
│ ├── 代码相关（生成、解释、调试）
│ ├── 数据分析（解读、可视化）
│ ├── 问答系统（RAG 场景）
│ └── 创意生成（头脑风暴）
│
└── 05-tools-and-resources.md # 工具与资源
├── 提示词优化工具
├── 社区提示词库
├── 提示词框架（LangChain、DSPy）
└── 持续学习的资源学习目标：掌握提示词工程的核心方法，能设计高质量的提示词解决实际问题
检验标准：能设计出稳定输出高质量结果的提示词
实践项目：用提示词完成一个复杂任务（如生成结构化报告）
第四模块：Agent 基础与架构（basics/04-agent-fundamentals/）
04-agent-fundamentals/
├── index.md # 模块介绍
├── 01-agent-architecture.md # Agent 架构
│ ├── Agent 的核心组件
│ │ ├── 感知模块（Perception）
│ │ ├── 决策模块（Brain/Planner）
│ │ ├── 记忆模块（Memory）
│ │ ├── 工具模块（Tools）
│ │ └── 行动模块（Action）
│ ├── 单 Agent vs 多 Agent
│ └── Agent 工作流程
│
├── 02-agent-types.md # Agent 类型
│ ├── 反应式 Agent（Reactive）
│ ├── 基于目标的 Agent（Goal-based）
│ ├── 基于效用的 Agent（Utility-based）
│ └── 学习型 Agent（Learning）
│
├── 03-memory-system.md # 记忆系统
│ ├── 短期记忆 vs 长期记忆
│ ├── 向量数据库（Vector DB）
│ ├── RAG（检索增强生成）
│ └── 记忆检索策略
│
├── 04-tool-use.md # 工具使用
│ ├── Function Calling
│ ├── 工具定义与注册
│ ├── 工具选择与执行
│ └── 常用工具生态（搜索、计算、API 调用）
│
└── 05-planning-and-reasoning.md # 规划与推理
├── 任务分解（Task Decomposition）
├── 子任务规划
├── 反思与自我修正
└── 推理框架（ReAct、Reflexion）学习目标：理解 Agent 的核心组件和工作原理
检验标准：能画出 Agent 的架构图并解释各部分的作用
实践项目：手动设计一个简单 Agent 的流程（不写代码）
第五模块：RAG 与知识增强（basics/05-rag-knowledge/）
05-rag-knowledge/
├── index.md # 模块介绍
├── 01-what-is-rag.md # 什么是 RAG？
│ ├── RAG 的定义与价值
│ ├── RAG vs Fine-tuning
│ ├── RAG 的适用场景
│ └── RAG 的局限性
│
├── 02-rag-pipeline.md # RAG 流程
│ ├── 文档加载与处理
│ ├── 文本分块（Chunking）策略
│ ├── 向量化（Embedding）
│ ├── 向量数据库存储
│ ├── 相似度检索
│ └── 生成增强
│
├── 03-embedding.md # 向量化
│ ├── 什么是 Embedding？
│ ├── 主流 Embedding 模型
│ ├── 相似度计算（余弦、欧几里得）
│ └── Embedding 的应用
│
├── 04-vector-database.md # 向量数据库
│ ├── 什么是向量数据库？
│ ├── 主流向量数据库对比
│ │ ├── Chroma（轻量级）
│ │ ├── Pinecone（云服务）
│ │ ├── Weaviate（开源）
│ │ └── Milvus（分布式）
│ └── 选择建议
│
├── 05-advanced-rag.md # 进阶 RAG
│ ├── 混合检索（Hybrid Search）
│ ├── 重排序（Reranking）
│ ├── 查询扩展
│ ├── 多模态 RAG
│ └── Agentic RAG
│
└── 06-rag-practice.md # RAG 实践
├── 搭建第一个 RAG 系统
├── 优化检索质量
├── 处理大文档
└── 性能优化学习目标：掌握 RAG 技术的原理和实现方法
检验标准：能搭建一个基于文档的问答系统
实践项目：构建个人知识库问答 Agent
第六模块：AI 编程工具（basics/06-ai-coding-tools/）
06-ai-coding-tools/
├── index.md # 模块介绍
├── 01-cursor.md # Cursor 编辑器
│ ├── Cursor 是什么？
│ ├── 安装与配置
│ ├── 核心功能
│ │ ├── AI Chat（代码对话）
│ │ ├── Tab Autocomplete（自动补全）
│ │ ├── Codebase Understanding（代码理解）
│ │ └── Multi-file Editing（多文件编辑）
│ ├── 快捷键与技巧
│ └── 实战示例
│
├── 02-claude-code.md # Claude Code
│ ├── Claude Code 是什么？
│ ├── 安装与配置
│ ├── CLI 使用方法
│ ├── 核心能力
│ │ ├── 代码生成
│ │ ├── 代码解释
│ │ ├── Bug 修复
│ │ ├── 重构建议
│ │ └── 测试生成
│ ├── 与 GitHub 集成
│ └── 实战示例
│
├── 03-other-tools.md # 其他 AI 编程工具
│ ├── GitHub Copilot
│ ├── Codeium
│ ├── Tabnine
│ ├── Bolt.new
│ ├── v0.dev
│ └── 工具对比与选择
│
├── 04-best-practices.md # 最佳实践
│ ├── AI 编程的工作流程
│ ├── 提示词设计（编程场景）
│ ├── 代码审查策略
│ ├── 安全与隐私
│ └── 避免 AI 依赖
│
└── 05-environment-setup.md # 开发环境搭建
├── 基础环境（Node.js、Python）
├── IDE 配置
├── AI 工具集成
└── 项目模板学习目标：熟练使用 AI 编程工具提升开发效率
检验标准：能用 AI 工具独立完成一个中等复杂度的项目
实践项目：用 Cursor/Claude Code 从零开发一个 Web 应用
第七模块：Agent 生态与协议（basics/07-agent-ecosystem/）
07-agent-ecosystem/
├── index.md # 模块介绍
├── 01-agent-frameworks.md # Agent 框架
│ ├── LangChain
│ │ ├── 简介与安装
│ │ ├── Chains、Agents、Tools
│ │ ├── Memory 与 RAG
│ │ └── 实战示例
│ ├── LangGraph
│ │ ├── 什么是 LangGraph？
│ │ ├── 状态图（State Graph）
│ │ ├── 构建复杂 Agent
│ │ └── 与 LangChain 的关系
│ ├── AutoGen（微软）
│ ├── CrewAI
│ ├── AgentOps
│ └── 框架对比与选择
│
├── 02-agent-platforms.md # Agent 平台
│ ├── 低代码平台
│ │ ├── Coze（字节跳动）
│ │ ├── Dify
│ │ ├── FastGPT
│ │ └── GPTs
│ ├── 开源部署方案
│ │ ├── ChatGPT-Next-Web
│ │ ├── LobeChat
│ │ └── MaxKB
│ └── 平台选择建议
│
├── 03-mcp-protocol.md # MCP 协议
│ ├── 什么是 MCP？（Model Context Protocol）
│ ├── MCP 的价值
│ ├── MCP Server 开发
│ ├── MCP Client 集成
│ ├── MCP 生态
│ └── 实战：构建一个 MCP Server
│
├── 04-skills-system.md # Skills 系统
│ ├── Skills 的概念
│ ├── Claude Skills 详解
│ ├── 如何编写 Skill
│ ├── Skills 分发与共享
│ └── Skills 案例
│
├── 05-function-calling.md # Function Calling
│ ├── 什么是 Function Calling？
│ ├── 工具定义（Tool Definition）
│ ├── 参数提取
│ ├── 工具执行与结果反馈
│ └── 多工具调用
│
└── 06-orchestration.md # Agent 编排
├── 单 Agent 编排
├── 多 Agent 协作
├── Agent 通信协议
└── 工作流引擎学习目标：了解 Agent 生态，掌握主流框架和协议
检验标准：能用 LangChain/LangGraph 构建一个多 Agent 系统
实践项目：
- 使用 Coze 平台搭建一个多 Agent 应用
- 开发一个自定义的 MCP Server
第八模块：模型训练与优化（basics/08-model-training/）
08-model-training/
├── index.md # 模块介绍
├── 01-fine-tuning-basics.md # 微调基础
│ ├── 什么是微调？
│ ├── 预训练 vs 微调 vs RAG
│ ├── 何时需要微调？
│ └── 微调的类型
│ ├── Full Fine-tuning
│ ├── LoRA（低秩适应）
│ ├── QLoRA
│ └── Prompt Tuning
│
├── 02-preparation.md # 微调准备
│ ├── 数据收集与清洗
│ ├── 数据格式（指令微调、对话数据）
│ ├── 数据质量评估
│ └── 硬件需求
│
├── 03-fine-tuning-practice.md # 微调实践
│ ├── 使用 Hugging Face
│ ├── 使用 PEFT（LoRA）
│ ├── 使用 OpenAI API 微调
│ ├── 本地微调（Ollama + LM Studio）
│ └── 评估微调效果
│
├── 04-model-optimization.md # 模型优化
│ ├── 量化（Quantization）
│ ├── 蒸馏（Distillation）
│ ├── 剪枝（Pruning）
│ └── 推理加速
│
├── 05-deployment.md # 模型部署
│ ├── 云部署
│ │ ├── OpenAI API
│ │ ├── Anthropic API
│ │ ├── 国内大模型 API
│ │ └── Hugging Face Inference
│ ├── 本地部署
│ │ ├── Ollama
│ │ ├── LM Studio
│ │ ├── LocalAI
│ │ └── vLLM
│ ├── 自托管方案
│ └── 成本优化
│
└── 06-evaluation.md # 模型评估
├── 评估指标
│ ├── 准确率、召回率、F1
│ ├── BLEU、ROUGE
│ └── 人工评估
├── 基准测试（Benchmark）
├── A/B 测试
└── 持续监控学习目标：了解模型训练、优化和部署的基本方法
检验标准：能对一个小模型进行微调并部署使用
实践项目：微调一个专门用于特定任务的模型
落地型路径（Practical）
目标：快速掌握 AI 应用技能，实现价值变现 预计时间：1-3 个月 适合人群：有一定基础，希望快速应用 AI 创造价值
第九模块：AI 助手的高效使用（practical/09-ai-assistant-usage/）
09-ai-assistant-usage/
├── index.md # 模块介绍
├── 01-free-ai-assistants.md # 免费 AI 助手
│ ├── 主流产品对比
│ │ ├── z.ai
│ │ ├── 通义千问（qwen）
│ │ ├── 豆包
│ │ ├── 文心一言
│ │ ├── Kimi
│ │ └── DeepSeek
│ ├── 产品定位与适用场景
│ ├── 如何选择合适的助手？
│ └── 免费资源汇总
│
├── 02-deep-research.md # 深度研究功能
│ ├── 什么是深度研究？
│ ├── 使用场景
│ │ ├── 学习未知领域
│ │ ├── 市场调研
│ │ ├── 竞品分析
│ │ └── 学术研究
│ ├── 深度研究的技巧
│ │ ├── 如何设计研究提示词
│ │ ├── 多轮验证策略
│ │ └── 信息整合方法
│ └── 实战案例
│
├── 03-content-creation.md # 内容创作
│ ├── 文章写作
│ │ ├── 大纲生成
│ │ ├── 内容扩展
│ │ ├── 润色与优化
│ │ └── SEO 优化
│ ├── PPT 制作
│ │ ├── Gamma + AI
│ │ ├── Tome
│ │ └── Beautiful.ai
│ ├── 多媒体内容
│ │ ├── 脚本生成（视频、播客）
│ │ ├── 图文设计（Canva AI）
│ │ └── 视频生成（Sora、Runway）
│ └── 内容工作流
│
├── 04-efficiency-boost.md # 效率提升
│ ├── 学习场景
│ │ ├── 快速理解新概念
│ │ ├── 论文阅读与总结
│ │ ├── 语言学习
│ │ └── 技能学习（编程、设计）
│ ├── 工作场景
│ │ ├── 会议记录与总结
│ │ ├── 邮件自动化
│ │ ├── 任务拆解与规划
│ │ ├── 数据分析
│ │ └── 报告生成
│ ├── 个人管理
│ │ ├── 知识管理（Obsidian + AI）
│ │ ├── 时间管理
│ │ └── 决策辅助
│ └── 自动化工作流
│
└── 05-prompt-optimization.md # 提示词优化（实用版）
├── 通用提示词模板
├── 场景化提示词库
│ ├── 写作类
│ ├── 分析类
│ ├── 创意类
│ └── 编程类
├── 提示词调试技巧
└── 我的提示词库（持续积累）学习目标：熟练使用 AI 助手提升工作学习效率
检验标准：能用 AI 助手完成一个复杂的内容创作或研究任务
实践项目：
- 用 AI 深度研究一个行业并生成报告
- 建立个人提示词库
第十模块：AI 编程实战（practical/10-coding-practice/）
10-coding-practice/
├── index.md # 模块介绍
├── 01-quick-start.md # 快速上手
│ ├── 环境搭建（10 分钟）
│ ├── 第一个 AI 辅助项目
│ ├── 常见问题解决
│ └── 学习资源
│
├── 02-project-types.md # 项目类型
│ ├── 静态网页（HTML/CSS/JS）
│ ├── 前端应用（React、Vue）
│ ├── 后端服务（Node.js、Python）
│ ├── 全栈应用
│ ├── 浏览器插件
│ ├── 微信小程序
│ └── 数据脚本
│
├── 03-development-workflow.md # 开发流程
│ ├── 需求分析与设计（AI 辅助）
│ ├── 技术选型（AI 建议）
│ ├── 代码生成（AI 主导）
│ ├── 代码审查（AI 检查）
│ ├── 调试与修复（AI 辅助）
│ ├── 测试与部署（AI 自动化）
│ └── 迭代优化（AI 分析）
│
├── 04-practical-projects.md # 实战项目
│ ├── 项目 1：个人博客网站
│ │ ├── 技术栈：Next.js + Tailwind
│ │ ├── 功能：文章展示、评论、搜索
│ │ ├── AI 参与度：80%
│ │ └── 预计时间：1 周
│ ├── 项目 2：待办事项应用
│ │ ├── 技术栈：React + LocalStorage
│ │ ├── 功能：任务管理、分类、提醒
│ │ ├── AI 参与度：70%
│ │ └── 预计时间：3 天
│ ├── 项目 3：浏览器插件
│ │ ├── 技术栈：Vanilla JS + Manifest V3
│ │ ├── 功能：网页内容摘要、翻译
│ │ ├── AI 参与度：60%
│ │ └── 预计时间：1 周
│ ├── 项目 4：API 服务
│ │ ├── 技术栈：Node.js + Express
│ │ ├── 功能：RESTful API、数据库
│ │ ├── AI 参与度：50%
│ │ └── 预计时间：1 周
│ └── 项目 5：数据可视化看板
│ ├── 技术栈：Vue + ECharts
│ ├── 功能：数据图表、实时更新
│ ├── AI 参与度：70%
│ └── 预计时间：1 周
│
├── 05-best-practices.md # 最佳实践
│ ├── AI 编程的工作习惯
│ ├── 代码质量控制
│ ├── 安全注意事项
│ ├── 性能优化
│ └── 避免 AI 依赖陷阱
│
└── 06-troubleshooting.md # 问题排查
├── 常见错误与解决
├── AI 生成代码的调试方法
├── 如何向 AI 描述问题
└── 获取帮助的渠道学习目标：能用 AI 编程工具独立完成中小型项目
检验标准：在 1 周内完成一个功能完整的 Web 应用
实践项目：从上面的项目列表中选择 2-3 个完成
第十一模块：需求发现与产品化（practical/11-demand-discovery/）
11-demand-discovery/
├── index.md # 模块介绍
├── 01-demand-research.md # 需求挖掘
│ ├── 利用 AI 进行市场调研
│ │ ├── Reddit 痛点挖掘
│ │ ├── Product Hunt 趋势分析
│ │ ├── 竞品评论分析
│ │ └── 关键词研究
│ ├── 传统行业的机会
│ │ ├── 低效环节识别
│ │ ├── 人工流程自动化
│ │ └── AI 赋能改造
│ ├── 用户访谈与问卷（AI 辅助）
│ ├── 数据分析与洞察
│ └── 实战：发现 10 个潜在需求
│
├── 02-demand-validation.md # 需求验证
│ ├── 快速验证方法
│ ├── MVP 设计原则
│ ├── 用 AI 制作原型
│ │ ├── 需求文档生成
│ │ ├── 产品原型（Figma + AI）
│ │ ├── 交互设计
│ │ └── PRD 文档
│ ├── 用户测试（AI 辅导）
│ ├── 数据收集与分析
│ └── 实战：验证一个需求的可行性
│
├── 03-productization.md # 产品化
│ ├── 从需求到产品
│ ├── 功能优先级排序
│ ├── 技术可行性分析
│ ├── 成本预估
│ ├── 商业模式设计
│ │ ├── 免费 + 增值
│ │ ├── 订阅制
│ │ ├── 按量付费
│ │ └── 企业定制
│ └── 实战：完成产品规划
│
├── 04-mvp-development.md # MVP 开发
│ ├── MVP 的范围界定
│ ├── 技术选型（AI 建议）
│ ├── 快速开发策略
│ ├── 利用 AI 加速开发
│ ├── 测试与迭代
│ └── 实战：2 周内完成 MVP
│
├── 05-launch-and-promote.md # 上线与推广
│ ├── 部署方案选择
│ │ ├── Vercel（前端）
│ │ ├── Railway（后端）
│ │ ├── 阿里云、腾讯云
│ │ └── 自建服务器
│ ├── 上线检查清单
│ ├── 推广渠道
│ │ ├── Product Hunt
│ │ ├── Hacker News
│ │ ├── Reddit
│ │ ├── Twitter/X
│ │ ├── 小红书、知乎
│ │ └── SEO 优化
│ ├── 用户反馈收集
│ └── 数据分析与迭代
│
└── 06-monetization.md # 变现策略
├── 盈利模式
│ ├── SaaS 订阅
│ ├── 一次性购买
│ ├── 按使用量计费
│ ├── 广告收入
│ └── 企业定制
├── 定价策略
├── 支付集成
├── 法律合规
└── 案例分析学习目标：掌握从需求发现到产品变现的完整流程
检验标准：完成一个从需求到上线到变现的完整项目
实践项目：从零到一做一个产品并获取前 100 个用户
第十二模块：商业化案例（practical/12-business-cases/）
12-business-cases/
├── index.md # 模块介绍
├── 01-success-stories.md # 成功案例
│ ├── 案例 1：AI 写作助手
│ │ ├── 需求发现
│ │ ├── 产品设计
│ │ ├── 技术实现
│ │ ├── 推广策略
│ │ └── 收益分析
│ ├── 案例 2：AI 客服系统
│ ├── 案例 3：AI 数据分析工具
│ ├── 案例 4：AI 教育应用
│ └── 案例 5：AI 插件生态
│
├── 02-vertical-agents.md # 垂直领域 Agent
│ ├── 法律 Agent
│ │ ├── 应用场景
│ │ ├── 技术方案
│ │ ├── 数据来源
│ │ └── 市场机会
│ ├── 医疗 Agent
│ ├── 教育 Agent
│ ├── 金融 Agent
│ ├── 电商 Agent
│ └── 其他垂直领域
│
├── 03-tools-ecosystem.md # 工具类应用
│ ├── 浏览器插件
│ │ ├── 网页摘要
│ │ ├── 翻译助手
│ │ ├── 屏幕截图分析
│ │ └── 开发者工具
│ ├── 办公效率工具
│ │ ├── PPT 生成
│ │ ├── 表格处理
│ │ ├── 文档转换
│ │ └── 邮件自动化
│ ├── 创意工具
│ │ ├── 图像生成
│ │ ├── 视频编辑
│ │ ├── 音频处理
│ │ └── 设计辅助
│ └── 工具开发实践
│
├── 04-ai-wrapper.md # AI 套壳应用
│ ├── 什么是套壳应用？
│ ├── 可行性分析
│ ├── 如何避免"伪需求"？
│ ├── 增值点设计
│ ├── 成本控制
│ └── 风险与挑战
│
├── 05-solo-preneur.md # 超级个体
│ ├── 一个人就是一个团队
│ ├── 能力模型
│ ├── 工具链
│ ├── 时间管理
│ ├── 收入多元化
│ └── 案例故事
│
└── 06-future-opportunities.md # 未来机会
├── AI + Web3
├── AI + IoT
├── AI + 机器人
├── AI + 生物科技
├── 个人 AI 助手市场
└── 持续学习的方法学习目标：通过案例学习，找到适合自己的商业机会
检验标准：制定出个人的商业计划书
实践项目：选择一个方向，完成可行性分析和 MVP 规划
实战项目（Projects）
目标：从零到一构建完整应用，深度体验 AI 在每个环节的作用 适合人群：所有学习者（尤其是零基础）
项目一：个人问答机器人（projects/01-qa-bot/）
难度：⭐ | 时间：1-2 周
项目描述：
构建一个基于个人知识库的问答机器人，能够回答你上传的文档内容
学习目标：
- 理解 RAG 的基本原理
- 掌握向量数据库的使用
- 学会调用大模型 API
- 完成一个完整的应用
涉及技术：
- Python/JavaScript（选一个）
- OpenAI API 或其他大模型 API
- Chroma（向量数据库）
- Streamlit/Gradio（前端界面）
实施步骤：
1. 需求分析与设计（AI 辅助）
- 确定功能范围
- 绘制原型图（用 AI 工具）
2. 环境搭建（AI 指导）
- 安装依赖
- 配置 API Key
3. 核心功能开发（AI 主导）
- 文档加载与分块
- 向量化与存储
- 相似度检索
- 问答生成
4. 前端界面（AI 生成）
- 上传组件
- 对话界面
- 结果展示
5. 测试与优化（AI 辅助）
- 测试不同文档类型
- 优化回答质量
- 性能优化
6. 部署上线（AI 协助）
- 选择部署平台
- 配置环境变量
- 发布应用
7. 迭代改进
- 收集反馈
- 功能增强
- 用户体验优化
AI 在各环节的作用：
- 需求分析：AI 帮助梳理需求和设计原型
- 代码生成：AI 生成 80% 的代码
- 代码解释：AI 解释代码逻辑
- Bug 修复：AI 协助调试
- 测试用例：AI 生成测试场景
- 部署：AI 提供部署指导和问题解决
验收标准：
- [ ] 能上传 PDF/Word/TXT 文档
- [ ] 能针对文档内容进行问答
- [ ] 回答准确率 > 70%
- [ ] 有友好的用户界面
- [ ] 已部署并可访问
- [ ] 能解释清楚 AI 在每个环节的作用
扩展功能（可选）：
- 支持多文档
- 添加来源引用
- 支持多轮对话
- 添加用户认证
- 支持多语言项目二：多 Agent 研究助手（projects/02-research-agent/）
难度：⭐⭐⭐ | 时间：3-4 周
项目描述：
构建一个由多个 Agent 协作的研究助手，能够自动完成：搜索、阅读、分析、总结
学习目标：
- 理解多 Agent 协作机制
- 掌握 Agent 编排方法
- 学会设计 Agent 工作流
- 深入理解 LangChain/LangGraph
涉及技术：
- Python
- LangChain 或 LangGraph
- Tavily API（搜索）
- OpenAI API
- Serper API（可选）
Agent 架构：
1. 搜索 Agent（Search Agent）
- 负责搜索相关信息
- 工具：Tavily、Google Search
2. 阅读 Agent（Reader Agent）
- 负责阅读网页内容
- 提取关键信息
- 工具：Web 浏览器、RAG
3. 分析 Agent（Analyst Agent）
- 负责分析信息
- 识别趋势和模式
- 工具：数据分析、统计
4. 总结 Agent（Summarizer Agent）
- 负责整合信息
- 生成结构化报告
- 工具：LLM
5. 协调器（Orchestrator）
- 负责任务分配
- 协调各 Agent
- 整合最终结果
实施步骤：
1. 需求调研（AI 深度研究）
- 研究现有研究助手产品
- 分析用户痛点
- 确定功能范围
2. 架构设计（AI 辅助）
- 设计 Agent 交互流程
- 定义各 Agent 职责
- 选择技术方案
3. 单 Agent 开发（AI 主导）
- 逐个实现各 Agent
- 单元测试
- 功能验证
4. Agent 编排（AI 协助）
- 实现协调器
- 定义通信协议
- 处理异常情况
5. 前端界面（AI 生成）
- 任务输入
- 进度展示
- 结果呈现
6. 集成测试
- 端到端测试
- 性能测试
- 用户体验测试
7. 部署与监控
- 部署到生产环境
- 添加日志和监控
- 持续优化
AI 在各环节的作用：
- 需求调研：AI 完成市场研究
- 架构设计：AI 提供架构建议
- 代码生成：AI 生成 70% 的代码
- Agent 设计：AI 帮助定义 Agent 行为
- 测试：AI 生成测试用例
- 部署：AI 解决部署问题
验收标准：
- [ ] 能自动完成完整的研究流程
- [ ] 各 Agent 协作顺畅
- [ ] 生成的研究报告质量高
- [ ] 用户界面友好
- [ ] 处理时间合理（< 5 分钟）
- [ ] 已部署并可访问
- [ ] 能详细说明 Agent 协作机制
扩展功能（可选）：
- 支持文件上传
- 添加可视化
- 支持多种研究类型
- 添加历史记录
- 支持导出（PDF、Markdown）项目三：自动化财报分析 Agent（projects/03-financial-agent/）
难度：⭐⭐⭐⭐ | 时间：4-6 周
项目描述：
构建一个能自动下载财报、分析数据、生成洞察的 AI Agent
学习目标：
- 理解复杂 Agent 的设计
- 掌握数据处理与分析
- 学会集成外部 API
- 理解金融领域知识
涉及技术：
- Python
- Pandas（数据处理）
- Matplotlib/Plotly（可视化）
- LangChain
- 财报 API（如 SEC EDGAR）
- OpenAI API
实施步骤：
1. 需求分析（AI 深度研究）
- 研究财报分析流程
- 确定分析维度
- 设计产品功能
2. 数据获取（AI 辅助）
- 接入财报 API
- 自动下载数据
- 数据清洗
3. 数据分析（AI 主导）
- 财务指标计算
- 趋势分析
- 同比环比分析
4. AI 分析（AI 核心）
- 用 LLM 理解财报
- 生成文字分析
- 识别风险和机会
5. 可视化（AI 辅助）
- 生成图表
- 交互式界面
- 报告生成
6. 部署上线（AI 协助）
验收标准：
- [ ] 能自动获取财报
- [ ] 分析准确度高
- [ ] 报告专业
- [ ] 用户界面友好
- [ ] 已部署
扩展功能：
- 支持多公司对比
- 添加预警功能
- 支持自定义指标
- 添加邮件通知项目四：跨平台内容分发工具（projects/04-content-distributor/）
难度：⭐⭐⭐ | 时间：3-4 周
项目描述：
一键将内容发布到多个平台（微信公众号、知乎、小红书等）
学习目标：
- 掌握 API 集成
- 理解平台适配
- 学会内容格式化
- 理解用户认证
涉及技术：
- Node.js/Python
- 各平台 API
- 数据库
- 定时任务
实施步骤：
1. 平台调研（AI 深度研究）
2. API 集成（AI 主导）
3. 内容格式化（AI 辅助）
4. 用户界面（AI 生成）
5. 测试与部署
验收标准：
- [ ] 支持 3+ 平台
- [ ] 格式适配正确
- [ ] 发布成功率高
- [ ] 用户体验好
扩展功能：
- 定时发布
- 数据统计
- 多账号管理项目五：端到端 SaaS 应用（projects/05-saas-app/）
难度：⭐⭐⭐⭐⭐ | 时间：6-8 周
项目描述：
从零到一构建一个完整的 SaaS 应用，实现商业闭环
学习目标：
- 完整的产品开发流程
- 用户系统设计
- 支付集成
- 数据分析与运营
涉及技术：
- Next.js（全栈）
- 数据库（PostgreSQL）
- 认证（NextAuth）
- 支付（Stripe）
- 部署（Vercel + Railway）
实施步骤：
完整的 AI 辅助产品开发流程（7 个阶段）
验收标准：
- [ ] 完整的功能
- [ ] 用户可以注册付费
- [ ] 已上线运营
- [ ] 获取真实用户
- [ ] 产生收入
扩展功能：
- 用户分析
- A/B 测试
- 推荐系统附录（Appendix）
附录 A：术语表（appendix/glossary.md）
- AI 核心术语
- Agent 相关术语
- 工具与框架
- 缩写对照表
附录 B：工具清单（appendix/tools-list.md）
- AI 助手产品
- 编程工具
- Agent 框架
- 部署平台
- 学习资源
附录 C：提示词模板库（appendix/prompts-library.md）
- 通用提示词
- 场景化提示词
- 高级技巧
附录 D：常见问题（appendix/faq.md）
- 学习相关
- 技术相关
- 商业相关
附录 E：资源推荐（appendix/resources.md）
- 在线课程
- 书籍推荐
- 博客与网站
- 社区与论坛
- 开源项目
附录 F：更新日志（appendix/changelog.md）
- 版本历史
- 重要更新
- 计划路线图
学习路径建议
零基础学习者（推荐）
基础型路径（第一至八模块）
↓
落地型路径（第九至十二模块）
↓
实战项目（从项目一到项目五，逐步进阶）有基础的学习者
落地型路径（第九至十二模块）
↓
实战项目（选择 2-3 个项目）
↓
根据需要回顾基础型路径的特定章节快速验证想法
实战项目（选择一个项目）
↓
边做边学，遇到问题回溯相关章节
↓
完成项目后再系统学习使用说明
每章结构：
- 学习目标
- 核心内容
- 实践案例
- 检验标准
- 扩展阅读
章节关系：
- 每章相对独立
- 有依赖关系会明确标注
- 可灵活选择学习顺序
更新频率：
- 核心概念：每季度更新
- 工具框架：每月更新
- 实战案例：持续更新
- 标注最后更新时间
社区参与：
- 每章有讨论区
- 欢迎贡献案例
- 问题反馈渠道
现在开始
选择你的学习路径，开启 AI Agent 之旅！
"最好的学习方式就是立即开始"