AI 工程从零起步：先打通底层全链路，再谈 Agent 构建
最近在学 AI 的朋友，常常会陷入一种尴尬处境。你能调用模型、能搭建 RAG、也能把工具接入 Agent，可一旦输出走样、检索失灵、成本爆掉，排查就像在黑箱外面敲墙。这套开源教程 ai-engineering-from-scratch，正是为了补上这一短板。它不从“搭一个聊天机器人”切入，而是把学习路径拉回底层：数学、机器学习、神经网络、Transformer、LLM 工程、工具协议、Agent、生产环境。每一阶段都要求你亲手写出可运行的小实现，再去调用成熟框架。听上去很硬核，可它的意义并非让每个人都去训
AI入门课：懂原理才不迷路
开课啦开课啦。AI入门课，由我亲自讲解。翻遍了众多AI课程，发现多数只教工具怎么用，学了一堆操作，却不知为何如此。我的课程用通俗语言拆解AI底层逻辑，夯实基础。听完再学工具，效率翻倍。工具天天更新，今天是小龙虾，明天变爱马仕，追着学根本跟不上。不如先搞懂本质。扫码进群即视为报名。
揭秘AI核心运作机制
当下各类AI术语与技术创新层出不穷，诸如MCP、Skills、LLM wiki、Hermes乃至此前备受关注的龙虾等概念。究竟哪些底层逻辑能助我们真正理解AI产品或新兴技术？掌握这些核心概念，基本便能读懂绝大多数新发布的AI论文、产品及其包装概念，故此写下这篇笔记以供记录。它绝非数据库。也非传统搜索引擎。更非具备自我意识的生命体。AI本质上是一个基于海量数据训练而成的预测系统。其最擅长的本领仅有一项：依据已见内容，推测接下来最可能出现的状况。理解这一核心，便能读懂AI：假设你向AI提问：对你而言，这是一句
深入了解AI的工作原理
一、AI 标准作业流程（五步） 1.接收输入 接收文字、图片、语音、视频、指令、问题等各类信息。 2.理解解析 拆解你的需求：意图是什么、要做什么、有什么要求、关键词提取。 3.推理运算 调用模型知识库、算法、逻辑规则，做计算、匹配、梳理逻辑。 4.生成输出 组织语言、内容、画面、方案，形成答案/文案/作品/数据结果。 5.优化反馈 根据你的修改要求，迭代调整、纠错、润色，直到满足需求。二、AI 核心底层原理 1.模式匹配：学习海量数据里的规律、句式、逻辑、知识，不是真的“懂”，是精准模仿+规律复用。
AI 强大，程序员需掌握核心原理
如果 AI 已经能写 CRUD、补测试、改 Bug、做性能分析，那 .NET 程序员还剩什么价值？这段时间，我越来越强烈地感觉到：真正容易被替代的，不是不会用 AI 的人，而是只停留在框架表层、只能描述需求、不能解释原理的人。因此，AI 越强，程序员越要把价值建立在‘理解原理、做出判断’上。所以在 AI 狂飙的时代，我反而更想劝你向下扎根。这里说的‘向下扎根’，不是回到石器时代自己造轮子，不是手写 ORM、自己实现 GC、自己造 Web 框架。恰恰相反，今天的 .NET 生态已经足够强大：高性能运行时、成