引子#
这两年很多人说要“转 AI”，但真正落到学习动作上，常常会变成另一种形式的焦虑：模型要不要学、RAG 要不要学、Agent 要不要学、要不要补机器学习、要不要刷论文、要不要做训练。问题不在于资料不够，而在于目标不清。AI 不是一个单点技能，而是一整套新的工程栈；如果不先判断自己想进入什么岗位、想解决什么问题，学习就很容易变成对热点词汇的机械追赶。
对大多数软件专业、前端或全栈背景的人来说，现阶段最有价值的方向并不是从零转算法研究，而是先进入 AI 应用工程这条线：理解大模型能力边界，掌握 API 调用、Prompt 设计、RAG、Agent、工具调用、评估、后端集成和产品落地。重点不是“会聊模型”，而是能把模型接进真实业务，做出一个可用、可测、可迭代的系统。行业真正稀缺的，也不是纯粹会调用接口的人，而是能把 AI 能力稳定嵌入产品和工作流的工程师。
所以这份索引不是一份“AI 全知识地图”，而是一个更现实的入口：帮你区分哪些内容是打开视野必须知道的，哪些内容值得深入，哪些内容适合立刻动手，哪些开源项目值得长期跟踪。你不需要一开始就把所有概念学完，而是要先建立一条清晰路径：从理解行业方向，到形成技术判断，再到做出作品和项目沉淀。学习 AI 本身不会自动带来竞争力，能用 AI 解决问题、交付结果、形成自己的工程方法，才会。
视野#
- https://www.anthropic.com/engineering ↗ — Anthropic 工程博客，汇集关于构建可靠 AI 系统、Claude Code、智能代理和评估等方面的技术文章。
- https://www.nowcoder.com/discuss/847995166416703488?sourceSSR=users ↗ — 牛客网上的 AI 应用开发全景路线图，从应用层到 infra 层系统介绍 AI 工程化全链路的知识体系和技术栈。
深度#
- https://mariozechner.at/posts/2025-11-30-pi-coding-agent/ ↗ — 作者构建了一套极简编码代理工具链”pi”，核心理念是”若不需要就不构建”，用最精简的提示词和工具集达到复杂工具的基准表现。
- https://lintsinghua.github.io/#ch01 ↗ — 对 Claude Code 中 Agent Harness 架构的深度分析，标题”御舆”，提供中英文内容及 GitHub 项目链接。
- https://arxiv.org/abs/2210.03629 ↗ — ReAct 论文，让 LLM 交错生成推理轨迹和任务动作，在问答、事实验证和交互决策等任务上超越当时基线。
- https://linux.do/t/topic/1865600 ↗ — LinuxDO 上关于策划 AI Agent 实践教程的讨论帖。
- https://linux.do/t/topic/1537257 ↗ — LinuxDO 上关于如何系统学习 AI 开发和智能体开发的讨论帖。
实践#
- https://learn.shareai.run/zh/ ↗ — 系统化学习构建 AI Agent 的教程，分 19 个章节、4 个阶段，从 Agent 循环逐步深入到多 Agent 平台与外部能力集成。
- https://github.com/datawhalechina/hello-agents ↗ — Datawhale 社区推出的智能体学习教程，从基础理论到动手构建多智能体应用，面向零基础读者。
开源#
- https://github.com/infiniflow/ragflow ↗ — 开源 RAG 引擎，结合先进 RAG 技术与智能体能力，为大模型构建高质量上下文。
- https://github.com/bytedance/deer-flow ↗ — 字节跳动的开源超级智能体框架，协调子智能体、内存和沙箱来执行研究、编程等复杂任务。
- https://github.com/bubbuild/bub ↗ — 基于 hook 机制的 Python 运行时，专为与人类共存的智能体构建，支持 CLI、Telegram 等多渠道。
- https://docs.agno.com/ ↗ — 开源三层架构智能体平台，提供从 SDK 开发到生产级部署的完整解决方案。
待补充#
- AI SDK 相关