ROADMAP / 8 STAGES
每一阶段都有学习目标、工程产出和面试检查点。路线不是阅读顺序，而是一套能力验收协议。完全没有基础时，从第 0 阶段的零基础先导开始。
从后端内容库同步的 AI 应用工程入门路径，把知识文章按真实学习顺序串起来。
从 RAG、Agent/Workflow、质量评估到可观测性，把 AI 应用工程的首批知识文章组织成一条入门路径。
用最小闭环理解 RAG：文档处理、检索、上下文组装、生成和评测。
帮助初学者区分自由规划的 Agent 和固定流程的 Workflow。
从准确性、稳定性、引用、拒答、成本和延迟看 AI 应用质量。
AI 应用上线后，需要能回放问题、分析质量、定位成本。
从最小 RAG 系统出发，补上质量评估和可观测日志，形成能持续回归的知识库问答闭环。
用最小闭环理解 RAG：文档处理、检索、上下文组装、生成和评测。
从准确性、稳定性、引用、拒答、成本和延迟看 AI 应用质量。
AI 应用上线后，需要能回放问题、分析质量、定位成本。
先区分 Agent 和 Workflow，再补质量门禁与可观测性，避免把演示型 Agent 直接推到生产。
帮助初学者区分自由规划的 Agent 和固定流程的 Workflow。
从准确性、稳定性、引用、拒答、成本和延迟看 AI 应用质量。
AI 应用上线后，需要能回放问题、分析质量、定位成本。
不要求任何编程或 AI 背景，先建立共同语言：认识大模型、API 与密钥、一次调用的结构、Prompt、温度采样，在本地跑通第一个 AI 应用，再弄清 Agent 与 RAG 到底解决什么问题。
理解模型、Token、上下文和 AI 应用边界。
把大模型作为可观测、可校验的工程依赖调用。
用契约、上下文选择和安全边界提高稳定性。
建立可检索、可引用、可评估的外部知识链路。
掌握状态、工具、控制循环、终止和人工确认。
用标准协议连接受限工具和数据资源。
用 Eval、Trace、部署与项目表达形成可投递能力。