Calendar's Blog

AI 应用层学习记录

9 min read

第一阶段：思维转型（基础篇）

目标：确立“模型即程序”的认知。

  1. 第一篇：重新定义模型——那个巨大的 predict(input) -> output 函数

    • 抛弃权重、梯度、Transformer 架构。
    • 重点讲：Context Window（内存）、Token（计费单位/信息量）、Temperature（随机性）。
    • 核心观点：AI 应用开发本质上是在做 “确定性逻辑”与“概率性输出”的边界管理。

  2. 第二篇：Prompt Engineering 的本质是“强类型约束”

    • 为什么需要 JSON Mode？
    • 如何通过 Prompt 让模型输出稳定的数据结构。
    • 介绍 Few-shot（给例子）比单纯描述（Zero-shot）更有效的程序员逻辑。

第二阶段：给模型装上手脚（进阶篇）

目标：理解如何让模型与现实世界交互。

  1. 第三篇：Function Calling —— 模型的“打工仔”模式

    • 原理：模型不运行代码，模型只是决定“该调哪个函数”。
    • 流程：模型回复参数 → 你的程序执行函数 → 将结果喂回模型。
    • 这是所有 Agent 的物理基础。

  2. 第四篇：MCP (Model Context Protocol) 深度拆解

    • 重点推： 这是最近最火的东西（Anthropic 推出）。
    • 解决什么问题：不用再为每个 AI 工具写重复的插件。
    • 实战：如何给 Cursor 或 Claude Desktop 接入一个搜索或数据库 MCP。

第三阶段：从单兵到协同（Agent 篇）

目标：理解多步骤、自动化的逻辑架构。

  1. 第五篇：从 Chain 到 Agent —— 让 AI 学会自我纠错

    • 什么是思维链（CoT）。
    • ReAct 模式：思考 → 行动 → 观察 → 再思考。
    • 常用框架简介：LangGraph, CrewAI, 或者干脆用原生代码怎么写。

  2. 第六篇：RAG 的本质——给模型带上一本参考书

    • 不再讲复杂的向量数据库原理。
    • 讲清楚：搜索 → 提取相关片段 → 塞进 Context。
    • 为什么有时候 RAG 比 Long Context 更好用？

第四阶段：实战与方法论（Vibe Coding 篇）

目标：如何高效地“撸”出产品。

  1. 第七篇：Vibe Coding 最佳实践——以 Cursor/Windsurf 为例

    • 什么是 Vibe Coding：直觉驱动、AI 执行、人类 Review。
    • 实战技巧：如何跟 AI 对齐需求？如何处理 AI 写的 Bug？
    • 核心逻辑： 快速失败，快速迭代，重构而非重写。

  2. 第八篇：实战案例——从零搭建一个解决具体问题的 Agent

    • 例如：一个自动帮你分析 Linux.do 热门贴并总结发到微信的 Bot。
    • 串联前面的所有知识点：MCP + Function Calling + Vibe Coding。

给你的写作建议（针对 Linux.do 调性）：

  1. 多贴代码和配置： 那个社区的人喜欢直接看 json 配置、docker-compose 或 python 脚本。
  2. 大方承认“我不专业”： 在开头写“我也是在摸索中，这是我的心路历程”，这种真诚会换来社区大佬的指点，评论区往往比正文更有价值。
  3. 多用图示： 用 Mermaid 或简单的流程图画出数据流向。
  4. 提供“即插即用”的价值： 比如分享一个好用的 MCP Server 地址，或者一个调教好的 System Prompt。

写“序言”非常关键，它决定了读者对你这个系列的第一印象和预期。在 Linux.do 这种极客和务实主义者聚集的社区，一份好的序言应该具备：真诚的态度、清晰的边界、以及“带货”般的吸引力。

序

为什么要写这个系列？

过去一年 AI 领域日新月异，L 站各式各样的新项目，各家厂商五花八门的模型，还有 skill/mcp/agents/api 等等一堆概念……

但是，作为一个普普通通，想用 AI 来写点东西的开发者（或者说，一个想用 AI 解决一些实际问题的人），我其实并不关心 Transformer、注意力、微调 之类的东西。

楼主只关心一件事：这个 「AI」要怎么用，才能让它帮我写代码、改文档、最好自动把活儿干了。

我的视角：模型就是一个函数/CPU

这个系列的本意就是把概念还原（或者说简化）到应用层，之抓取我们需要的东西。所以，何必关心这个函数是如何运作的呢？何必关心 CPU 的指令集/架构呢？当然，每位佬友需求也许都不一样，这些学习笔记只能说大家各取所需:)。

重点关注的是：怎么给模型传参（Prompt）、怎么让它连上网（MCP）、怎么让它学会用工具（Function Calling）、以及怎么在各种工具里把代码写出来（Vibe Coding）。当然，名词方面主要是讲解一些基础原理，不然用起来也有些心慌~

关于「不专业」的声明

先叠个甲：楼主不是 AI 科学家，也不是大厂的算法工程师。我只是一个边做边学的实践者、刚加入 L 站没多久、想跟大家分享一些心得的「佬友」。

在这个系列中，你可能会看到：

  • 我踩过的坑
  • 各种大佬的优秀项目
  • 以及不可避免的错误理解。

之所以发出来，是想在 L 站 记录我的学习链条。如果能帮到刚入坑的、在观望的佬友最好；如果被路过的大佬指正了，那我也赚到了 :joy:

大致内容

目前计划按照以下逻辑，一点点把 AI 应用层讲清楚（当然，我也还在学习中~，希望能完成）：

  • 初识： 把 AI 当成一个配合有限内存的 CPU，输出什么取决于输入什么。
  • 连接： Function Calling 和最近的 MCP (Model Context Protocol) 是什么？
  • 进化： 从简单的对话到能自动干活的 Agent，中间差了什么？
  • 实战尝试： 拥抱 Vibe Coding，分享我的舒服姿势（和最佳实践相对）。

5. 最后

楼主觉得 AI 不应该是少数人的玩具，也不应该是论文里的数学公式。它应该是我们手里的扳手、电钻甚至玩具。虽然模型被各大厂垄断，但是使用权、知情权还在我们身上。

如果你也曾经迷惑于各种名词，想聊点实实在在的应用逻辑，欢迎读一读这个系列，也督促我写下去 :joy:

如果有哪里写得有问题，恳请斧正！

Graph View