如果你也想从零开始系统掌握AI应用开发，这30天我替你走了一遍。以下是按周拆解的学习路径、踩过的坑和最终沉淀下来的可复用方法。

第一周：先把“用工具”和“造模型”分清楚

很多人学AI开发第一件事就是去读Transformer论文。我也这么干过，结果第三天就想放弃。后来一个前辈告诉我：你做AI应用开发，第一优先级不是懂Attention机制，是懂怎么把现成模型调出你想要的效果。方向调整之后节奏就顺了。

第一个关键是Prompt工程，从“问问题”升级成“写指令”。我用了两天把OpenAI的Prompt engineering指南完整过了一遍，做了三件事：结构化提示词（角色、任务、格式约束、边界条件）、学会写few-shot示例、给模型设定输出格式（JSON/XML/纯文本）。Prompt写清楚的模型输出质量提升的幅度远大于换模型。

第二个关键是Function Calling，这是LLM连接外部世界的接口。我花了一天跑通了天气查询、数据库查询、发送邮件三个工具调用，理解了工具描述怎么写模型才知道什么时候该调、怎么填参数。

第二周：RAG——让模型“带着资料答题”

通用大模型不知道你的业务数据。RAG是让AI“先看资料再答题”的标准方案。

我按最小可行路径搭了一个PDF问答系统：加载本地PDF，用文本分割器切成合适块，调用嵌入模型生成向量存入向量库，用户提问时先召回相关片段再调用LLM生成答案。跑通之后做了三个优化：调整chunk大小（512 token上下）、加入HyDE——先用LLM生成假设性答案再用假设答案去检索，能大幅提升召回率、接入重排序模型对召回结果二次排序，相关性提升明显。

这块是纯工程活，没有算法门槛，但效果立竿见影。

第三周：Agent——让AI自己决定下一步

如果说RAG是给AI配“资料库”，Agent就是给AI配“工具箱”——让它自己判断什么时候该查什么、调什么、停什么。

我用三款主流框架各搭了一个Agent：LangChain实现ReAct模式——Thought→Action→Observation循环，理解“反思-行动-观察”的核心机制；CrewAI实现多Agent协作，一个研究员、一个写手、一个审核，模拟了一个简化的内容工作流；自己手写了一个轻量Agent循环（调用LLM→解析工具调用→执行→结果回填→再次调用LLM），理解了Agent底层原理。

核心收获是：Agent稳定性的关键不在于模型，而在于工具设计的清晰度。工具描述写得越清楚，模型调用越准确。

第四周：上生产——成本、速度、可观测性

前两周跑通demo之后，第三周开始解决“真能上线”的问题。

成本控制：大模型调用费钱。我在RAG场景加入缓存机制，相同的query直接返回缓存结果，缓存命中率约35%，成本直接砍掉三分之一。在Agent场景，用轻量模型做意图识别路由到不同模型处理，简单查询用快模型，复杂任务用强模型。

流式输出：SSE流式响应把首字延迟从2-3秒降到300-500毫秒。

可观测性：接入LangSmith记录每一次LLM调用的输入输出、延迟、Token消耗。没有观测体系的AI应用是在黑箱里修bug。

一些体会

1. 先跑通再优化。第一周写出来的RAG代码可能很糙，但不要停在原地看文档，先跑通整条链路再逐段优化。

2. 用现成的，别造轮子。 技术选型上，Embedding用OpenAI text-embedding-3-small，RAG用LangChain/LlamaIndex，Agent用CrewAI，向量库用Chroma/Pinecone，前端对接用FastAPI。

3. Prompt写到位，效果立竿见影。 很多问题不是模型不行，是prompt写得太糙。

4. 成本要提前算。 一个RAG问答每次调用约500-1000 tokens，加上embedding成本，单次约0.01-0.02元。看起来便宜，日活一万就是每天200元。

5. 找个人带比自己磕快十倍。 遇到问题别死磕，去GitHub找示例代码，去Discord问社区，去翻官方文档——大概率有人已经踩过你的坑。