01章节
先建立什么认知
AI 基础不是记术语，而是先分清模型、数据、训练、推理各自扮演什么角色。模型负责模式表达，数据决定学习素材，训练改变参数，推理负责实际使用。
只要这四层没有分开，后面讨论成本、效果、时延和部署时就容易全部混在一起。
AI 编程文档
这里整理 AI 编程、工具使用、自动化和开发流程里的高频实战说明，按主题持续沉淀。
左侧选择目录。
中间查看正文。
右侧使用本页导航。
正文
AI（人工智能）
从模型、数据、训练、推理和系统边界建立 AI 基础框架，避免只会调接口却不理解约束条件。
02章节
AI 系统不等于模型
真实项目里的 AI 系统，除了模型本身，还包括输入处理、上下文装配、权限控制、缓存、日志、兜底策略和人工回退。
很多人只盯着模型效果，忽略系统工程，最后结果是 Demo 好看，线上体验却不稳定。
03章节
评估到底看什么
评估不只看“像不像”，还要看稳定性、可重复性、时延、成本和出错后的影响范围。不同业务里，这几个指标的重要性顺序并不一样。
所以做 AI 评估时，最好先明确目标，不要只看单次样例表现。
04章节
怎么开始做第一个系统
对开发者来说，最高效的入门方式通常不是先看一堆大教程，而是边学边做一个小系统，例如问答、分类、摘要或简单自动化助手。
只要能把输入、处理、输出和验证链路跑通，你对 AI 的理解就会比只会调用接口深很多。
05章节
常见坑
常见问题包括只记模型名，不理解使用边界；只看生成效果，不看系统稳定性；只会调接口，不会设计验证方法。
这些问题会让项目在概念上看似先进，但在工程上很难真正落地。
06章节
第一个例子怎么做
第一个例子最好选一个最小 AI 应用，例如文本分类、固定格式摘要或简单问答，不要一开始就做复杂助手。
关键不是模型多先进，而是你能清楚描述输入是什么、输出应该长什么样、结果怎么验证。
07章节
推荐学习顺序
建议先学输入输出，再学模型，再学系统。具体可以按“任务定义 -> 数据准备 -> 模型调用 -> 结果验证 -> 系统接入”的顺序走。
这样学的好处是，每往下一步，你都知道前一层为什么存在，而不是只在记概念。
08章节
和其他主题怎么组合
AI 基础认知是后面所有内容的底层：机器学习帮助你理解训练和泛化，NLP 帮你理解文本任务，Agent 帮你理解执行系统。
如果这层不稳，后面看 Codex、LangChain 或本地模型时，容易只会用，不知道为什么这样用。