🤖 AI 应用开发 · 学习路线总览¶
面向前端同学（以及任何会 TS/JS 的工程师）的 AI 应用 / AI Agent 开发完整学习资料。从"为什么前端要转 AI"到"能独立交付一个生产级 AI Agent"，按最佳学习路线分七个阶段组织。所有技术定义以官方文档为准（OpenAI / Anthropic / Vercel AI SDK / LangChain / Model Context Protocol），不编造、不堆概念、每篇带踩坑。
🗺️ 最佳学习路线（照这个顺序读）¶
flowchart TD
S1[阶段一 认知与术语] --> S2[阶段二 模型与接口基础]
S2 --> S3[阶段三 知识增强]
S3 --> S4[阶段四 框架与连接]
S4 --> S5[阶段五 Agent与编排]
S5 --> S6[阶段六 实战串联]
S6 --> S7[阶段七 工程化与就业]
| 阶段 | 目标 | 学完你能 |
|---|---|---|
| 一 · 认知与术语 | 搞懂背景、术语、提示工程 | 不被名词忽悠，会写有效提示词 |
| 二 · 模型与接口基础 | 调模型 / 流式 / 工具 / 轻量 SDK | 让 AI 说话、流式、调你的函数 |
| 三 · 知识增强 | RAG / 向量 / 记忆 | 做出基于私有知识的问答 |
| 四 · 框架与连接 | LangChain.js / MCP | 用框架编排、标准化接外部系统 |
| 五 · Agent 与编排 | Agent / 状态 / 多 Agent / 浏览器 | 让 AI 自主干复杂活 |
| 六 · 实战串联 | 做出可运行项目 | 交付 AI 聊天 + AI Agent |
| 七 · 工程化与就业 | Eval/可观测/成本/私有化/路线/JD | 生产级交付 + 对照招聘 |
建议路径
- 零基础转行：一 → 二 → 三 → 四 → 五 → 六 → 七，8-12 周可达"能交付 Agent"。
- 已有前端：直接一（背景对齐）→ 二，工程能力平移极快。
- 赶面试：一 + JD 映射 + Workflow vs Agent。
阶段一 · 认知与术语（为什么转 + 术语 + 提示）¶
- AI 专业术语速查（含前端转 AI 背景） ⭐ 起点：行业拐点、前端优势迁移、全套术语对照表。
- Prompt Engineering 提示工程 ⭐ 与模型沟通的基础功：清晰指令 / 分隔符 / XML / 思维链 / 少样本，10 个高频坑。
阶段二 · 模型与接口基础（调得通）¶
- 模型 API 与流式响应：三种调用形态、SSE/ReadableStream、错误重试、成本计算。
- 结构化输出与工具调用（Function Calling） ⭐ 核心：模型不执行函数、多步调用、JSON 强制、工具安全。
- Vercel AI SDK 轻量专题：TS 优先、框架无关、useChat 流式、模型路由。
阶段三 · 知识增强（让 AI 懂你的数据）¶
- RAG 检索增强生成：原理 + 落地 + 进阶（hybrid/rerank）+ Eval。
- 向量数据库与 Embedding：embedding 是什么、相似度、pgvector/Qdrant/Milvus 选型。
- 记忆与上下文窗口管理：短期/长期记忆、裁剪策略、窗口优化、越权隔离。
阶段四 · 框架与连接（工程化）¶
- LangChain.js 专题：统一抽象 Runnable/Chain/Agent、何时选、版本坑。
- MCP 模型上下文协议 ⭐ 官方标准：AI 的"USB-C 口"，Host/Client/Server，自己写 Server。
阶段五 · Agent 与编排（自主干活）¶
- AI Agent 与编排：Agents SDK（轻量）/ LangGraph（有状态图）选型。
- 智能体状态管理与可视化：状态隔离/持久化/Checkpointer/Human-in-loop/Tracing 可视化。
- 多 Agent 协作：Handoff / Orchestrator-Worker，可运行思路 + 死循环坑。
- 浏览器自动化与沙箱：Playwright/Puppeteer、视图喂模型、沙箱隔离铁律。
- Workflow vs Agent ⭐ 官方准则：多数情况不需要 Agent，逐级复杂度决策。
阶段六 · 实战串联（做出可运行项目）¶
- 实战：从 0 搭 AI 聊天应用：Next.js + AI SDK + useChat 流式闭环。
- 实战：从 0 搭 AI Agent：工具 + 记忆 + MCP + 护栏 + Tracing，交付 Agent。
阶段七 · 工程化与就业（生产级 + 路线 + JD）¶
- Eval 评估体系 ⭐ 资深硬门槛：测试集、Ragas、LLM-as-judge、回归。
- AI 可观测性：Tracing + Metrics + 日志，联动后端可观测。
- 成本优化：模型路由 / 缓存 / 批处理 / 裁剪，附代码。
- 模型私有化部署：Ollama / vLLM 最小落地、选型、显存坑。
- 学习路线（初级→资深）：五阶段递进，每阶段对应可交付能力。
- 招聘 JD 需求拆解与能力映射：JD 关键词拆解、能力矩阵、简历/面试考点。
- AI 应用开发最佳实践与避坑 ⭐ 安全/成本/质量/可观测上线自查清单。
一句话定位¶
本专题目标：让任意一个程序员学完都能直接开发一个 AI 应用 / AI Agent——有实战、有避坑、有对照招聘、有官方依据，覆盖初级→专家全层级。