AI Native 学习路线。

理解大模型如何工作：从 Transformer 到采样参数，建立正确的直觉。

闭源与开源、能力与成本，为场景选对模型。

把意图准确传达给模型的艺术与工程。

上下文是新的提示词：构造、压缩与记忆设计。

LLM + 工具 + 记忆 + 规划，Agentic Loop 的最小闭环。

让 Agent 在动手之前先想清楚——任务分解、搜索与反思的策略工具箱。

从 Function Calling 到多工具编排，让模型真正动手。

用一套协议连接模型与外部世界。

让 Agent 记得住、想得起来。

从文档解析到检索评估，构建真正可用的知识增强。

任务分解、上下文隔离与协作协议。

没有 API 的软件也能自动化——让 Agent 学会看屏幕、点鼠标。

站在生态的肩膀上，也知道何时该裸写。

评估、观测、成本与安全——从 Demo 到生产。

从「加 AI 功能」到「为 AI 而设计」的范式转移。

对话式 UI、生成式 UI 与流式体验。

流式、沙箱与权限，支撑 AI 产品的工程骨架。

与幻觉共处：校验、降级与断点续跑。

Cursor、Claude Code、Manus、Devin 分别做对了什么。

用一个真实项目，把整条路线跑通一遍。

把 Prompt 当工程产物养：编号铁律、实测反例与规约治理。

什么时候该打断用户：一条不等式和门卡的完整协议设计。

让 AI 产对象，让脚本装契约——与不确定性共处的架构范式。

用 AI 的方式开发 AI：Spec 先行、门禁分级与自进化闭环。