# AI 应用开发者学习路径

面向正在构建 AI 应用、Agent、自动化工作流或内部工具的开发者。

核心目标：从 Prompt demo 走向可运行、可评测、可上线的 AI 应用系统。

## 推荐路线

| 阶段 | 学什么 | 产出 |
| --- | --- | --- |
| 1 | 提示词 / 上下文 | 可复用 prompt 模板和失败案例记录 |
| 2 | 结构化输出 | 稳定输出 JSON、表格或任务计划 |
| 3 | 工具调用 | 调用搜索、数据库、文件、HTTP API |
| 4 | 工作流 | 固定流程、人工确认、状态管理 |
| 5 | Agent 循环 | observe -> plan -> act -> evaluate |
| 6 | 记忆 / RAG | 区分上下文、记忆、知识库和工作状态 |
| 7 | 评测 | 任务成功率、工具调用质量、成本和失败恢复 |
| 8 | 安全 | 权限表、高风险操作确认、审计日志 |

## 先看这些专题

- [Agent 学习路径](../agent/)
- [项目收藏](../project-collections/)
- [工作流与自动化](../project-collections/workflow.md)
- [集成与 MCP](../project-collections/integrations.md)

## 第一个项目

做一个 **GitHub Issue 分诊 Agent**。

它应该能：

- 读取 issue 标题和正文。
- 判断类型：bug、feature、question、docs。
- 检索项目文档。
- 给出建议标签。
- 判断是否需要人工确认。
- 输出结构化 JSON。
- 记录失败案例。

## 推荐工具方向

| 方向 | 工具类型 |
| --- | --- |
| 应用框架 | Next.js、FastAPI、Express、Workers |
| Agent SDK | OpenAI Agents SDK、LangGraph、LlamaIndex、CrewAI |
| 工具协议 | MCP、OpenAPI、HTTP tools |
| 评测 | Promptfoo、DeepEval、trace grading |
| 生产化 | tracing、replay、human-in-the-loop |

## 避坑

- 不要一开始就做多 Agent。
- 不要把 prompt 当成唯一控制手段。
- 不要忽略工具失败、重试和幂等性。
- 不要没有评测就把 demo 改成生产功能。