最近这几个月的时间，我一直在补 AI 应用开发、AI 编程实战和 AI 面试这几块内容。现在把它们整理成一份开源指南：AIGuide。

所有内容完全开源免费，你甚至能够克隆到本地在线阅读。

这份指南写给想系统学习 AI 应用开发和 AI 工程落地的同学。后端、前端、测试、架构师、技术管理者、产品技术同学都可以看。你不用先转算法岗，也不用一上来啃训练框架和论文公式；这里重点放在 LLM、Agent、RAG、MCP、Prompt、评测、系统设计、Claude Code、Codex 这些做应用时会真正碰到的东西。

如果你本来是 Java / Go 后端，高并发、缓存、数据库、消息队列、可观测性这些经验都能迁移过来；如果你是前端、测试或产品技术方向，也可以从 Prompt、RAG、Agent、AI Coding、评测和系统设计切入，先看清楚一个 AI 功能从 Demo 到上线，中间到底缺哪些环节。

• 项目地址：https://github.com/Snailclimb/AIGuide
• 在线阅读：https://javaguide.cn/ai/
• AI 编程专题：https://javaguide.cn/ai-coding/

目前每篇文章都会尽量配上真实工程场景、关键参数、踩坑点和图解。有帮助的话，欢迎 Star，也欢迎提 Issue 一起补内容。

AIGuide 内容概览，大量配图

发布之后，收到了不少读者朋友的反馈和推荐。感谢大家，我会继续维护。

AIGuide 收到了很多读者朋友的好评和推荐

怎么读

第一次系统学 AI 应用开发，可以按这个顺序走：

1. 先看 大模型基础：把 Token、上下文窗口、采样参数、API 调用、结构化输出和评测搞清楚。
2. 再看 RAG：企业知识库问答最常见，坑也最多，文档处理、向量检索、更新链路和评测都要补。
3. 接着看 AI Agent：重点理解 Tool Calling、Memory、MCP、Skills、Workflow / Graph / Loop。
4. 最后看 AI 系统设计：把 Demo 放进生产环境，处理网关、限流、fallback、成本、观测、安全和灰度。

AI Coding 可以跟着日常工作一起练。写业务代码、改前端页面、补测试、做重构、查线上问题，这些任务都能拿 Claude Code、Codex、Cursor、Trae 这类工具试起来。真正用顺之后，它会直接改变你写代码、查问题和做验证的节奏。

为什么还要做 AIGuide

JavaGuide 已经维护很多年了。大三准备秋招面试时，我创建了 JavaGuide，2018-05-07 提交了第 1 个 commit。

早期做 Java 的朋友，应该有不少人听过这个项目。

这两年有人问我：现在大家都直接问 AI，知识库类开源项目还有必要继续做吗？

这个问题我也想过。现在查技术问题，直接问 AI 确实很快，几秒钟就能给你一段看起来完整的答案。对知识库项目来说，这肯定有影响。

但快不等于准。

AI 解释一个概念时，可能夹着过时版本、不推荐的方案，甚至会编出不存在的 API。更麻烦的是，它未必知道真实招聘环境里现在问什么、项目里哪些方案能落地、哪些内容只适合写 Demo。

比如 RAG，你只知道“检索增强生成”还不够。文档怎么切，向量库怎么选，召回差怎么排查，Rerank 加在哪一层，评测集怎么做，这些问题最后都会落到代码、数据和指标上。

这些判断，需要有人长期跟着技术和招聘环境一起更新。

有意思的是，我从来没专门做过 GEO，也没刻意迎合 AI 搜索，但 JavaGuide 相关内容已经经常被各种 AI 推荐。

个人猜测的核心原因是：内容长期稳定，结构清楚，错误少，有真实开发场景。AI 也需要这样的资料当参考。

大模型首推

球友的反馈

AIGuide 做的也是这件事：把容易被讲虚、讲错、讲过时的内容，整理成开发者能读、能练、能放进项目和面试里的材料。

AIGuide 包含哪些内容

大模型基础

我见过不少开发者调 LLM 参数，基本靠试。

Temperature 设 0 不行，就换 0.7；上下文窗口塞满了，模型开始漏信息，就删几条历史消息；结构化输出崩了，再换个 Prompt 试试。

这很容易变成玄学。

AIGuide 会把 Token、上下文窗口、Temperature、Top-p、Max Tokens 这些概念当成工程参数来讲。

比如：

• 中文和英文的 Token 消耗差在哪？
• Temperature 已经设成 0，结构化输出为什么还可能崩？
• 上下文窗口满了之后，模型漏信息通常出在哪？
• LLM API 从 Hello World 到生产可用，中间要补哪些超时、重试、取消和幂等逻辑？
• Golden Set、LLM-as-Judge、Trace 回放和 CI 回归怎么配合做评测？

这些东西搞清楚之后，调参和排查才有依据。

AI Agent

Agent 很火，但系统一点的中文资料并不多。很多文章停在概念层，或者直接丢一堆框架代码，读完还是不知道自己的 Agent 该怎么设计。

AIGuide 会从 Agent Loop、Plan-and-Execute、A2A、Agentic Workflows、Tools 注册这些基础概念讲起，再往下拆 Memory、Prompt、Context Engineering、MCP、Skills 和 Harness Engineering。

一些容易被带过的问题，会单独展开：

• Agent Loop 怎么转，什么时候退出？
• Tool Calling 的参数怎么校验？
• 短期记忆和长期记忆分别放哪里？
• Context Engineering 和 Prompt Engineering 差在哪？
• Skills、MCP、Function Calling 各自解决什么问题？
• Workflow / Graph / Loop 怎么把 Agent 的不确定性关进可控边界里？

Prompt 注入攻击也会单独讲。这里会拆攻击方式、上下文隔离、权限收口、人工确认和输出过滤这些工程手段。

RAG

RAG 是企业落地里很常见的一条路，但不少人对它的理解还停留在三步：文档切块、转向量、检索。

Demo 阶段这么做可以跑起来。到了生产环境，麻烦会一层层冒出来。

PDF 解析顺序乱了怎么办？Chunk 大小怎么定？切大了召回不准，切小了上下文不够。HNSW、IVFFLAT、pgvector、Milvus、Elasticsearch 怎么选？文档更新后怎么去重、灰度、回滚？Hybrid Search、Query Rewrite、Rerank 到底该放在哪？

AIGuide 会围绕企业知识库问答，把文档处理、向量数据库、知识库更新、GraphRAG、检索优化和 RAG 评测分开讲。

RAG 最容易被低估。看起来只是“查一下资料再回答”，真正做起来全是细节。

AI 系统设计

很多 AI 功能在本地 Demo 里很好看，一上线就开始出问题：模型超时，Token 成本飙升，Prompt 改完效果变差，RAG 检索结果没权限过滤，Agent 调工具调到一半失败。

这部分内容会从后端系统角度看 AI 应用：

• AI 应用架构怎么拆？
• 模型网关怎么做多模型路由、fallback、限流和计费？
• Prompt、RAG、Memory、Tool、评测、安全怎么放进一条链路里？
• 成本、观测、审计和灰度怎么设计？
• 实时语音 Agent 里，ASR、TTS、VAD、打断处理和低延迟优化怎么配合？

这也是后端、架构师和技术管理者最容易迁移经验的部分。AI 应用最终还是要进业务系统，工程治理绕不开。

需要提前说明的是，这块内容目前还比较单薄，在持续优化完善中。

AI 编程实战

概念看懂是一回事，真正动手又是另一回事。

AIGuide 的 AI 编程实战会覆盖一些真实开发场景：

• IDEA + Qoder 做接口优化和代码重构
• Trae + MiniMax 排查 Redis 故障、做跨语言重构
• Claude Code 接 GLM-5.1 做 JVM 智能诊断和慢 SQL 治理
• DeepSeek V4 + Claude Code 做代码审计、数据库迁移和多模型协作
• MiniMax M3 + Claude Code 处理 Redis 故障排查、SCAN 算法复刻和监控面板搭建
• Claude Desktop 通过 CC Switch 接入第三方模型
• JetBrains 里接 Claude Code / Codex GUI，改善日常开发体验

这些内容不会只停在“模型给了个建议”。我更关心它能不能进入真实开发流程：能不能读懂项目上下文，能不能改对代码，能不能跑验证，出错后能不能定位原因。

AI 编程技巧

会用 AI 编程工具，和真正用好，是两件事。

这部分会聊 Claude Code、Codex、Cursor、Trae、Qoder 这类工具怎么选，也会拆一些实际工作流：

• Claude Code 的配置、Sub-Agent、多实例协作和上下文管理 -CLAUDE.md 怎么写，项目变大后怎么拆
• simplify、code-review、loop、batch、run、verify 这些命令适合哪些任务
• TDD、代码审查、网页自动化这类 Skills 怎么改善 AI 编程体验
• Codex 的配置、AGENTS.md、任务拆解、验证和安全边界
• Spec Coding 怎么把需求、约束、验收标准写清楚，再让 AI 动手

目标很直接：少靠感觉，多靠上下文、规则、验证和复盘。

学习路线与面试题

README 里也把学习路线和面试题入口单独拎出来了，方便按目标查。

学习路线这块包括：

• 学习路线合集（2026 最新版）[2]
• Java/Go 开发者 AI 应用开发与 Agent 学习路线（2026 最新版）[3]
• 后端开发者转型 AI Agent 学习建议（2026 最新版）[4]
• 后端开发者全栈学习路线（2026 最新版）[5]

面试题这块包括：

• AI 应用开发面试题专题[6]
• AI 应用开发面试指南[7]
• 大模型基础面试题总结[8]
• AI Agent 面试题总结[9]
• RAG 面试题总结[10]
• AI 系统设计面试题总结[11]

我不太建议把这些内容当成 AI 八股去背。更好的用法是：先用路线搭学习顺序，再用面试题查漏。能结合自己的项目讲清楚，才算真正学进去了。

为什么 AIGuide 会放在 JavaGuide 体系里

JavaGuide 服务 Java 和后端开发者，AIGuide 服务想系统学习 AI 应用开发的人。两个项目的标准是一致的。

现在 AIGuide 的受众会更宽一些。后端可以从工程化和系统设计切入，前端可以从 AI Coding 和交互场景切入，测试可以从评测、回归和自动化验证切入，产品技术同学可以先看 Prompt、RAG 和 Agent 的边界。

AI 应用开发变化很快，里面涉及模型、工具、框架版本的地方，后面肯定还会继续更新。这里先把主线搭起来，让大家不用在一堆零散资料里乱找。

总结

AIGuide 没有把 AI 相关概念简单堆在一起。它更像一份面向开发者的工程学习资料：先理解 LLM 的基本工作方式，再掌握 RAG、Agent、Prompt、评测和系统设计，最后把 AI Coding 放进日常开发流程里。

后面，我也会继续按 JavaGuide 的标准维护 AIGuide，一定要做好！

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】