跳到主要内容

AI技术学习路径指南

本指南为不同背景和水平的开发者提供了系统化的学习路径，帮助您高效掌握AI相关技术。

文档与探索页分类：左侧文档导航与首页「探索内容」均按以下类别组织，便于对应查找：

  • AI 协议/标准：openclaw、MHS 协议、agent_skills、AG-UI、A2A、MCP 等
  • AI 开发平台：n8n、BISHENG、Dify、MaxKB、Flowise、Langflow、Coze 等
  • AI 技术栈：多模态、RAG、微调、评测、提示词、向量数据库、LangChain、AI Agent、Ollama、LlamaIndex、Embedding、Transformer 等
  • AI学习网站：系统性开源教程与自学指南外链（hello-agents、d2l、hello-algo 等）
  • AI框架/工程实践：Agent 框架、工程工具与精选资源（deer-flow、crawl4ai、superpowers 等）

七天学会子站：多数主题在首页探索卡片上提供「七天学会」按钮，可跳转至对应实战子站（如 openclaw、mhs、a2a、mcp、flowise、coze、aiagent、ollama、llamaindex、embedding、langgraph、finetuning、loop-engineering、graph-engineering、memory 等），便于边学文档边练手。

🎯 选择您的学习路径​

初学者路径​

适合：编程基础薄弱或刚接触AI的开发者

第一阶段：基础准备（2-4周）​

  1. 编程基础

    • Python基础语法
    • 数据结构与算法
    • 面向对象编程
    • 推荐资源：Python官方教程、Codecademy

  2. 工具和环境

    • Git版本控制
    • 虚拟环境管理
    • 包管理器使用
    • 推荐资源：Git教程、conda/pip使用

第二阶段：AI基础概念（3-5周）​

  1. 机器学习基础

    • 监督学习、无监督学习
    • 模型训练流程
    • 评估指标
    • 推荐：吴恩达机器学习课程

  2. 深度学习入门

    • 神经网络基础
    • 反向传播算法
    • 常用激活函数
    • 推荐：fast.ai课程

第三阶段：实践项目（4-6周）​

  1. 第一个AI项目

    • 使用预训练模型
    • 简单的文本分类
    • 图像识别入门

  2. 推荐学习顺序

    提示词工程 → Embedding → RAG技术 → MCP协议 → Dify平台

中级开发者路径​

适合：有编程经验，想深入学习AI应用的开发者

第一阶段：核心技能（4-6周）​

  1. 大语言模型基础

    • Transformer架构原理
    • 预训练与微调
    • Prompt工程
    • 推荐：学习路径：transformer/intro → prompt/intro → prompt/development

  2. RAG技术

    • 向量数据库原理
    • Embedding 与语义检索
    • 检索策略与生成优化
    • 推荐：学习路径：embedding/intro → vector-database/intro → rag/intro → rag/development

第二阶段：应用开发（6-8周）​

  1. 平台使用

    • Dify平台开发
    • MaxKB知识库
    • n8n工作流
    • Flowise、Langflow、Coze（扣子）等低代码平台
    • 推荐：学习路径：dify/getting-started → maxkb/getting-started → n8n/getting-started；可选：flowise/intro、langflow/intro、coze/intro。配合首页「七天学会」跳转 Flowise / Coze 等子站实战。

  2. 协议开发

    • MCP协议开发
    • A2A协议
    • 推荐：学习路径：mcp/intro → mcp/server/python-implementation → a2a/intro

第三阶段：高级应用（6-8周）​

  1. 框架和工具

    • LangChain 与 LlamaIndex 框架
    • AI Agent 智能体
    • 本地推理（Ollama）
    • 多模态技术
    • 推荐：学习路径：langchain/intro → llamaindex/intro → agent/intro → local-inference/intro → multimodal/intro。可搭配「七天学会」子站：LangChain、LlamaIndex、AI Agent、Ollama、Embedding、LangGraph 等。

  2. 模型优化

    • 微调技术
    • 大模型评测
    • 推荐：学习路径：finetune/intro → evaluation/intro

高级开发者路径​

适合：有丰富AI经验，想深入研究和优化的开发者

第一阶段：深入理解（6-8周）​

  1. 架构深入

    • Transformer变体研究
    • 注意力机制优化
    • 推荐：学习路径：transformer/architecture → transformer/variants

  2. 性能优化

    • 模型压缩与量化
    • 推理加速
    • 分布式训练
    • 推荐：学习路径：finetune/development → quantization/intro → evaluation/methods

  3. 工程与运维

    • 模型部署与推理服务
    • AI 安全与可观测性
    • 推荐：学习路径：model-serving/intro → ai-safety/intro → ai-observability/intro

第二阶段：系统设计（8-10周）​

  1. 企业级应用

    • BISHENG平台深度开发
    • 大规模RAG系统
    • 模型部署与推理服务
    • 推荐：学习路径：bisheng/advanced-development → rag/development → model-serving/development

  2. 协议设计

    • MCP协议扩展
    • A2A协议实现
    • 推荐：学习路径：mcp/server/js-implementation → a2a/development

  3. 生产与安全

    • 模型量化与压缩
    • AI 安全与伦理
    • 模型监控与可观测性
    • 推荐：学习路径：quantization/development → ai-safety/development → ai-observability/development

第三阶段：创新研究（持续）​

  1. 前沿技术

    • 多模态融合
    • Agent 系统与多 Agent 协作
    • 本地推理与 RAG 闭环
    • 推荐：学习路径：agent/development → local-inference/development → multimodal/development → 最新研究论文

  2. 开源贡献

    • 参与开源项目
    • 贡献代码和文档
    • 推荐：查看各主题的 github-projects 文档

📚 按角色分类的学习路径​

前端开发者​

目标：将AI能力集成到Web应用

推荐路径：

  1. Prompt工程基础（1周）
  2. MCP客户端开发（2周）
  3. Dify平台集成（2周）
  4. 前端AI应用开发（3周）

重点文档：

  • prompt/getting-started
  • mcp/client/javascript
  • dify/development

后端开发者​

目标：构建AI服务和API

推荐路径：

  1. Embedding 与 RAG 技术（3周）
  2. 本地推理（Ollama）（1周）
  3. MCP 服务器开发（2周）
  4. LangChain / LlamaIndex 框架（2周）
  5. AI Agent 开发（2周）
  6. 模型部署与推理服务（2周）
  7. AI 安全与可观测性（1周）
  8. 微服务架构（3周）

重点文档：

  • embedding/intro、rag/development
  • local-inference/getting-started
  • mcp/server/python-implementation
  • langchain/development、llamaindex/development
  • agent/development
  • model-serving/getting-started、ai-safety/getting-started、ai-observability/getting-started

数据科学家​

目标：模型训练和优化

推荐路径：

  1. Transformer架构（2周）
  2. 微调技术（3周）
  3. 大模型评测（2周）
  4. 模型量化与压缩（2周）
  5. 模型优化（3周）

重点文档：

  • transformer/architecture
  • finetune/development
  • evaluation/methods
  • quantization/intro、quantization/development

产品经理/业务人员​

目标：理解AI能力，规划产品

推荐路径：

  1. AI基础概念（1周）
  2. 平台使用（Dify、MaxKB）（2周）
  3. 工作流设计（n8n）（1周）
  4. 应用案例学习（2周）

重点文档：

  • dify/intro
  • maxkb/intro
  • n8n/workflow-cases
  • bisheng/classic-cases

🗺️ 技术栈学习地图​

以下图表展示了AI技术栈之间的关联关系和学习路径：

基础层​

编程基础 → Python/JavaScript → Git → 环境管理

理论层​

机器学习基础 → 深度学习 → Transformer → 大语言模型

应用层​

Embedding → Prompt工程 → RAG技术 → 向量数据库 → 多模态技术
框架：LangChain / LlamaIndex | 本地推理：Ollama | 智能体：AI Agent

平台层​

Dify → MaxKB → n8n → BISHENG

协议层​

MCP协议 → A2A协议 → LangChain

优化层​

微调技术 → 模型评测 → 模型量化 → 模型部署 → 性能优化
AI 安全与伦理 → 模型监控与可观测性

📖 学习资源推荐​

官方文档​

  • 各主题的 intro 和 getting-started 文档
  • GitHub项目文档（github-projects）

实践项目​

  • 各主题的 examples 和 cases 文档
  • 实际应用案例

进阶学习​

  • development 和 advanced-development 文档
  • best-practices 文档

问题解决​

  • faq 文档
  • GitHub Issues

🎓 学习建议​

1. 循序渐进​

  • 不要跳过基础内容
  • 每个阶段都要有实际项目练习
  • 遇到问题及时查阅FAQ

2. 实践为主​

  • 理论学习后立即实践
  • 完成每个主题的示例项目
  • 尝试改造和扩展示例

3. 持续学习​

  • AI技术更新快，保持学习
  • 关注更新日志
  • 参与社区讨论

4. 建立知识体系​

  • 理解技术之间的关联
  • 绘制自己的知识地图
  • 定期复习和总结

🚀 快速开始​

如果您是初学者​

  1. 阅读 prompt/intro 了解AI基础
  2. 完成 dify/getting-started 创建第一个AI应用
  3. 学习 rag/intro 了解检索增强生成

如果您有编程经验​

  1. 学习 embedding/intro 与 agent/intro 理解 RAG 与 Agent 闭环
  2. 完成 local-inference/getting-started 搭建本地 Ollama
  3. 完成 rag/development 构建 RAG 系统
  4. 探索 langchain/development 或 llamaindex/development 使用框架

如果您想深入研究​

  1. 学习 transformer/architecture 理解原理
  2. 完成 finetune/development 进行模型优化
  3. 研究 evaluation/methods 评估模型性能
  4. 学习 quantization/intro 与 model-serving/intro 掌握模型部署与量化
  5. 学习 ai-safety/intro 与 ai-observability/intro 建立生产级安全与监控能力

🗺️ 技术栈关联图谱​

下方图表展示了AI技术栈之间的关联关系和学习路径：

图例说明​

  • 基础层（蓝色）：编程基础和工具
  • 理论层（紫色）：AI理论基础
  • 应用层（绿色）：实际应用技术
  • 平台层（橙色）：开发平台
  • 协议层（粉色）：通信协议和框架
  • 优化层（黄色）：模型优化和评测

📝 学习计划模板​

周计划示例​

第1周：基础准备

  • 完成Python基础复习
  • 设置开发环境
  • 阅读 prompt/intro

第2周：Prompt工程

  • 完成 prompt/getting-started
  • 实践Prompt优化
  • 阅读 prompt/development

第3周：RAG技术

  • 学习 rag/intro
  • 完成 rag/getting-started
  • 构建简单RAG系统

第4周：平台使用

  • 学习 dify/getting-started
  • 创建Dify应用
  • 学习 maxkb/intro

💡 学习技巧​

  1. 做笔记：记录关键概念和代码示例
  2. 建项目：每个主题都要有实际项目
  3. 教别人：通过教学加深理解
  4. 参与社区：加入讨论，提问和回答
  5. 定期回顾：复习之前学过的内容

开始您的AI学习之旅吧！ 🎉

如有问题，请查阅各主题的FAQ文档或提交Issue。