AI 应用开发学习路线

这篇文章不追求把所有概念一次性讲全，而是想先帮零基础用户把学习顺序理顺，避免一上来就被 Agent、RAG、工作流这些词带偏。

如果你现在刚开始学 AI 应用开发，最需要的不是多，而是先知道先学什么、后学什么、每一步为什么不能跳。这篇路线就是按这个思路整理的。

一、这篇路线适合谁

这篇文章主要写给三类人：

  • 完全零基础，想系统学 AI 应用开发的人
  • 会一点工具使用，但还不会真正做 AI 应用项目的人
  • 已经接触过 Dify、Coze、ChatGPT，但知识点很散的人

如果你最后的目标是：

  • 看懂主流 AI 产品是怎么搭起来的
  • 自己做一个知识库问答、内容生成器或学习助手
  • 能把项目部署出来并持续迭代

那这条路线是合适的。

二、先给结论：零基础不要一上来就学 Agent

很多人一接触 AI，就被“智能体”“自动化”“多 Agent”这些词吸引住了，结果越学越乱。

更稳的顺序其实是：

  • 先补开发基础
  • 再建立大模型通识
  • 再学 API 调用和 Prompt
  • 再学 Embedding、向量数据库和 RAG
  • 再学 Dify、Coze 这类工作流平台
  • 最后再学 Agent 和完整项目

三、阶段 0：先把开发基础补齐

很多人以为自己学的是 AI，最后卡住的却是：

  • 不会创建项目
  • 不会装依赖
  • 不会看终端报错
  • 不会用 Git 保存过程
  • 不会用 Docker 跑数据库和服务

所以第一阶段的重点不是“炫技”，而是把最基本的开发能力补上。

3.1 这一阶段必须掌握什么

建议至少补下面 5 项：

*

Python 基础
变量、函数、条件、循环、列表、字典、文件读写、模块、虚拟环境

*

Git 基础
clone、add、commit、pull、push、branch、merge

*

终端和 Linux 常用命令
目录切换、文件操作、端口查看、进程查看、日志查看

*

HTTP / JSON 基础
要知道接口请求是什么、请求体是什么、JSON 长什么样

*

Docker 基础
镜像、容器、端口映射、数据卷、docker compose

3.2 为什么这一步不能跳

因为后面你无论学：

  • OpenAI API
  • Claude Code
  • Dify
  • RAG
  • 向量数据库

都会碰到这些场景：

  • 装依赖
  • 配环境变量
  • 看日志
  • 跑本地服务
  • 连数据库
  • 提交代码

开发基础不稳，后面的所有高级概念都只能停留在“看懂了几个名词”的层面。

3.3 推荐资料

3.4 可配合阅读的站内笔记

  • 《版本控制Git》
  • 《Linux 操作指南》
  • 《Docker操作指南》
  • 《Markdown语法教学》

四、阶段 1：建立大模型通识

这个阶段的目标不是调模型，而是先把一些基础问题想明白：

  • 大模型到底是什么
  • 它为什么能回答问题
  • 它擅长什么，不擅长什么
  • Prompt、RAG、Workflow、Agent 分别解决什么问题

如果这一层没打通，后面很容易出现一种情况：

工具会点，名词会说，但不知道为什么这么配

4.1 这一阶段重点理解什么

建议先搞清楚这些概念：

  • Token
  • 上下文窗口
  • Prompt
  • Transformer
  • 预训练
  • SFT
  • 对齐训练
  • 幻觉
  • RAG
  • Workflow
  • Agent

4.2 更适合入门的学习顺序

推荐顺序是：

  • 大模型是怎么“学会语言”的
  • Prompt 为什么能影响结果
  • 为什么模型会幻觉
  • 为什么很多业务场景需要外部知识
  • 为什么 Workflow 和 Agent 不是一回事

4.3 推荐资料

4.4 可配合阅读的站内笔记

  • 《大模型通识》
  • 《大模型原理》
  • 《Embeddings和向量数据库》

五、阶段 2：学会调用模型，而不是只会聊天

这一步是分水岭。

很多人会用现成 AI 工具，但不会自己调接口，不会控制输出格式，也不会把模型接进自己的程序。

如果你想做应用，这一步必须迈过去。

5.1 这一步要学什么

重点是这些能力：

  • 看懂官方 API 文档
  • 发送一次最基本的模型请求
  • 理解输入、输出、消息结构
  • 做结构化输出
  • 学会写第一版 Prompt
  • 会记录测试样例并比较效果

5.2 建议的练手顺序

建议从简单到复杂：

  • 文本问答
  • 文本总结
  • 结构化提取
  • 多轮对话
  • 图像生成或图像理解
  • 工具调用

5.3 为什么很多初学者总觉得“学不会”

常见原因不是模型太难，而是上来就做太大的东西。

更好的方式是每次只练一个能力，比如：

  • 只练“把一段文章提炼成 JSON”
  • 只练“把用户输入改写成更清楚的问题”
  • 只练“用一个模型接口完成单一任务”

先把“小能力”练稳，再去做大系统。

5.4 推荐资料

5.5 可配合阅读的站内笔记

  • 《AI工具安装使用教程》
  • 《AIGC图像生成》

六、阶段 3：学 RAG，把知识接进应用

很多“看起来挺聪明”的 AI Demo，一旦离开通用知识就不行了。

比如：

  • 企业知识库问答
  • 产品文档问答
  • 课程资料检索
  • 私有资料总结

这时就不能只靠模型脑子里的旧知识，而要把你的资料接进来，这就是 RAG 最重要的价值。

6.1 学 RAG 时要理解的完整链路

一套最基本的 RAG 系统，通常至少包含：

  • 文档读取
  • 文档清洗
  • 文档切分
  • Embedding 向量化
  • 向量存储
  • 检索召回
  • 必要时重排
  • 把检索结果拼进 Prompt
  • 生成最终回答
  • 评估回答质量

6.2 初学者最容易踩的坑

  • 不切块，整篇直接喂模型
  • 只存文本，不存元数据
  • 检索不到也硬答
  • 只看生成效果，不测召回效果
  • 混淆关键词搜索和语义检索

6.3 推荐资料

6.4 可配合阅读的站内笔记

  • 《Embeddings和向量数据库》
  • 《RAG技术》

七、阶段 4：学 Dify 和 Coze，开始做工作流

当你已经知道模型接口怎么调，也知道 RAG 是怎么回事后，就可以开始学平台了。

7.1 为什么建议先学 Dify，再学 Coze

我更建议零基础先学 Dify，原因很简单：

  • 工作流节点更清楚
  • 知识库能力更直观
  • 更适合理解“一个 AI 应用是怎么编排起来的”

Coze 也很好上手，但更偏“快速把一个 Bot 或轻应用搭起来”。
如果底层概念还不牢，容易变成只会点界面。

7.2 这一阶段重点学什么

在平台里重点练这些能力：

  • 输入设计
  • Prompt 设计
  • 参数提取
  • 分支判断
  • 知识检索
  • 工具调用
  • 发布与调试

7.3 推荐资料

7.4 可配合阅读的站内笔记

  • 《Dify部署与应用》
  • 《Coze应用教程》

八、阶段 5：最后再学 Agent

Agent 很重要，但不适合作为零基础第一站。

因为 Agent 不是“一个更厉害的聊天框”，而是把：

  • 模型
  • 工具
  • 状态
  • 决策
  • 失败兜底

这些东西都放到一起考虑。

8.1 什么情况下再学 Agent 最合适

当你已经会这些东西时，再学 Agent 会顺很多：

  • 会写 Prompt
  • 会调模型 API
  • 会搭 RAG
  • 会做工作流
  • 知道什么叫输入、输出、状态、工具

8.2 这一阶段重点理解什么

  • Agent 和 Workflow 的区别
  • 什么时候该让模型“自己决定下一步”
  • 工具调用怎么设计才稳
  • 多步任务怎么拆
  • 怎么做失败重试和人工接管
  • 怎么评估 Agent 是否真的有效

8.3 推荐资料

九、阶段 6：开始做完整项目

知识只有放进项目里，才会真正变成能力。

对零基础来说，我更建议先做下面这 3 类项目。

9.1 项目 1：个人知识库问答助手

覆盖能力：

  • 文档处理
  • Embedding
  • 向量检索
  • RAG

适合练：

  • 文档切分
  • 检索质量
  • 回答可追溯

9.2 项目 2：内容生成工作流

比如：

  • 小红书文案生成
  • 公众号提纲整理
  • 多平台内容改写

覆盖能力：

  • Prompt
  • 结构化输出
  • Workflow

9.3 项目 3：学习助手或资料整理 Agent

比如：

  • 自动搜索资料并整理摘要
  • 根据课程资料生成学习清单
  • 从多份文档中提炼知识点

覆盖能力：

  • Agent
  • 工具调用
  • 多步任务编排

十、给零基础学习者的一份 12 周计划

如果你希望有更具体的时间安排，可以按这个节奏来：

第 1-2 周：开发基础

  • Python 基础语法
  • Git 基础
  • 终端基础
  • Docker 入门

输出成果：

  • 跑通一个本地 Python 小脚本
  • 用 Git 提交一次代码
  • 用 Docker 跑起一个服务

第 3-4 周：大模型通识 + Prompt

  • 理解大模型基础概念
  • 学 Prompt 设计
  • 知道上下文、幻觉、输出格式控制

输出成果：

  • 写出 3 组不同目标的 Prompt
  • 比较不同 Prompt 的效果差异

第 5-6 周：模型 API 调用

  • 跑通至少一个模型接口
  • 做文本总结、结构化提取、问答

输出成果：

  • 做一个可以运行的小工具

第 7-8 周：Embeddings + RAG

  • 学文档切分
  • 学向量化
  • 学向量数据库
  • 学检索与回答拼接

输出成果：

  • 做一个最小知识库问答 Demo

第 9-10 周：Dify / Coze 工作流

  • 用可视化平台做一个可分享应用
  • 练调试、分支、知识库接入

输出成果：

  • 发布一个工作流应用

第 11-12 周：完整项目 + 部署

  • 选一个方向做成完整项目
  • 补日志、评估、错误处理、部署

输出成果：

  • 一个能真正演示和复用的项目

参考资料