EN

AI 应用开发路线

从调用第一行 API 到上线一个完整的 RAG 应用

需要基础 Python 约 2–3 个月（每天 1–2 小时） 8 个步骤

路线目标

学完后能够独立调用主流大模型 API，熟练编写提示词，使用 LangChain / LlamaIndex 等框架或 Dify 等低代码平台，搭建带知识库的 RAG 应用，做出可分享的演示界面并完成部署。

适合人群：会基础 Python、想把 AI 能力做成真实产品的开发者

  1. 第 1 步：巩固 Python 与 API 基础

    确保能熟练使用 requests、字典列表推导式等基础语法，理解 HTTP 请求与 JSON 数据结构。

    💡 如果已经会 Python，这一步可以跳过，直接进入 API 调用。

  2. 第 2 步：跑通第一个大模型调用

    注册一个国内平台（无需特殊网络）或海外平台，用 20 行代码完成第一次对话调用，理解 temperature、system prompt 等核心参数。

    💡 DeepSeek、通义、智谱、Kimi 都有新用户免费额度；Google AI Studio 与 OpenRouter 注册即可试用多家模型。

  3. 第 3 步：系统学习提示工程

    掌握角色设定、少样本示例、思维链等核心技巧，学会用结构化提示稳定输出 JSON。

    💡 Prompt Engineering Guide 中文版是主教材；Instructor 库可以让结构化输出更稳。

  4. 第 4 步：掌握主流开发框架

    学习 LangChain 的链式调用与 LlamaIndex 的数据框架，理解何时用框架、何时直接写 HTTP 请求。

    💡 框架迭代快，重点理解抽象概念，API 细节随用随查。

  5. 第 5 步：搭建 RAG 知识库应用

    学习文档解析、向量化、检索与重排，为自己的文档搭建一个可问答的知识库助手，并用评测指标衡量效果。

    💡 想快速见效先用 RAGFlow / FastGPT 开箱即用；想深入原理再读 LangChain RAG 教程与 Pinecone 学习中心。

  6. 第 6 步：用低代码平台快速验证

    用 Dify 或扣子以可视化方式搭建一个 AI 应用，验证产品想法，再决定是否投入工程化开发。

    💡 低代码适合 MVP 验证，复杂逻辑仍需代码方案。

  7. 第 7 步：本地部署与私有化

    使用 Ollama 或 LM Studio 在本地运行开源模型，了解 vLLM 推理服务的基本用法，为数据敏感场景做准备。

    💡 7B 级别模型在 16G 内存的电脑上就能跑起来体验。

  8. 第 8 步：做出可分享的应用界面

    用 Gradio 或 Streamlit 把模型包装成网页应用，加上多模态能力，把项目发给朋友真实使用。

    💡 先让真实用户用起来，再迭代，比闭门打磨更有价值。

浏览全部资源 →