AI 编程工具很多，但学习路线不能只靠收藏工具清单。本文按补全、对话、代理、工作流四个层次，梳理个人和团队学习 AI 编程的路线、工具选择和常见风险。

整理 AI 编程工具的学习层次、工具选择、个人路线和团队落地注意事项，覆盖 Cursor、Codex、Claude Code、Kiro、MCP 和 Agent 等主题。

Prompt 工程不只是背模板，更重要的是把目标、上下文、约束、输出格式和验证机制讲清楚。本文整理一个适合写作、产品、编程和知识库问答的 Prompt 方法框架。

从 Prompt、Agent Skills 与 MCP 的分工出发，给出 Claude Code 可复用工作流的 5 种设计模式、最小 SKILL.md 示例、退出条件和常见反模式，适合需要把 AI 编程流程工程化的开发者。

从局部补全、项目内协作、跨文件任务和团队治理四个层级，比较 Copilot、Cursor、Claude Code、Codex 等 AI 编程工具的适用边界。

Agent Memory 不只是保存聊天记录，而是围绕短期状态、长期记忆、证据链、反思和技能沉淀的工程系统。本文整理 Agent Memory 的分层设计、写入规则、与 MCP/RAG 的关系以及上线前检查清单。

从工程视角梳理 MCP、Tool Calling、RAG 和 AI Agent 的关系：MCP 是工具和数据源的连接协议，Agent 是围绕目标执行任务的闭环系统。

MCP 是连接模型与外部工具/数据的协议，AI Agent 是围绕目标规划、调用工具、观察结果并修正的任务执行系统。本文从工程化角度拆清 MCP、Tool Calling、RAG、Prompt 和 Agent 的边界。