个人 AI 学习档案 · 持续更新

把 AI 的复杂，
整理成可走的路。

这里记录人工智能、智能体和工程实践中值得反复验证的问题。把零散的新知、运行过的方案与复盘后的判断，沉淀为下一次可以继续使用的经验。

阅读最新笔记查看学习路径

不追逐结论的速度，保留抵达结论的路径。

学习不是直线每一次实践都应该回到下一次判断

学习地图

从理解，到做出可验证的东西。

这里不把学习拆成固定关卡，而是保留三条会反复交汇的路径：先建立判断，再动手构建，最后把结果带回问题本身。

建立坐标

理解模型、提示工程、RAG 与 Agent 的边界，先知道什么值得相信，什么仍需验证。

让想法落地

从工具调用、工作流到部署与观测，把概念放进真实约束里，观察它如何工作。

保持开放

追踪模型能力、多智能体与人机协作的变化，让新的问题不断校正既有的理解。

技术笔记

关于可靠性、检索、工具边界和生产实践的阶段性整理。

从任务拆分、工具边界、记忆策略，到失败恢复与评估机制，整理一次从 Demo 到生产可用的实践框架。

RAG 评估

站点方法

个人AI学习是持续生长的个人学习站点。它的价值不在于堆积链接，而在于把每一次学习、实验和修正留下可回看的线索。