AI 应用全栈工程师在校生
以 Python 与 FastAPI 为后端主链路，专注 LLM、Agent、ReAct 与 RAG 应用，并用 Next.js 把能力交付成完整产品。
$ whoami。→ 陈嘉豪 / AI 应用全栈工程师。$ focus --current。→ LLM · Agent · ReAct · RAG · FastAPI。$ status。→ OPEN_TO_INTERNSHIP。$ build --latest。→ 开源发布版 v1 / BUILDING
一个正在持续构建的 AI 应用工程师档案。
三个案例全部来自真实源码、构建或真机证据；公开地址、测试结果与尚未完成的边界都明确写出。
把文档里的知识，整理成能审、能改、能导出的训练数据。
一个面向微调数据整理的全栈应用：把多格式文档拆成可处理的内容块，生成候选问答，经过人工审核后导出为 Alpaca 或 ShareGPT 数据集。
先把项目拆清楚，再让编码工具开工。
一个面向 AI 编程新手的项目规划 Skill：通过一问一答收拢范围、拆清模块与接口，再输出可以交给 Codex、Claude Code、Cursor 等工具分阶段执行的开发包。
15 门 Bilibili 网课和 9 个学习网站都附有真实来源、插图、推荐等级，以及下一步练习建议；先选一条主线，再用项目验证。
网课推荐
15 门课程 · 09 个资料站
已核验课程
按工程基础、服务交付、模型原理、检索增强和智能体系统分组；每一项都给出推荐等级、真实时长与下一步练习。
03 门
李勃老师 ·《AI 时代的全栈开发》系列
从前端、后端、运维的职责与关联出发，先建立全栈地图，再讨论 AI 编程时代为什么仍需要理解工程。系列按 8 个模块、23 节课组织，并提供文字课件与示例代码。
我的评价它先把完整产品链路摆在眼前，适合避免只会调用模型、却不清楚产品如何落地的学习误区。
建议先跟着这一节画出自己的技术地图，再按页面、接口、数据与部署四条线分别补强。
边界这是一条学习路线的开场，不应代替后续项目里的真实编码、排障和部署练习。
精选优课译站 · Scrimba / freeCodeCamp 课程译制
一条从 HTML、CSS、JavaScript 延伸到 React、Node.js、SQL、TypeScript 与 Next.js 的超长实践路线，视频分 6 P，并附 GitHub 挑战代码与交互式课程入口。
我的评价覆盖面很广，适合把缺失的 Web 基础补齐，而不是把每一节都当作必须从头顺序观看的任务。
建议先用目录定位自己不会的环节；每学完一个模块，就做一个可运行的小页面或接口来验证。
边界总时长接近 47.5 小时，拆分节奏比一次性刷完更重要。
高低肩真的难受 · Bilibili
公开页面将它定位为工作中的 Git 入门教程；官方接口记录时长为 29 分 40 秒，发布于 2023 年 3 月。
我的评价适合在进团队仓库或接入部署流程前快速建立操作地图，重点不只是记命令，而是理解提交、分支和远程协作。
建议建立一个可随时删除的练习仓库，亲手完成分支、合并、冲突解决和一次恢复操作。
边界短教程不能替代冲突、变基和误操作恢复的实战；这些一定要在隔离仓库里练过。
04 门
枫枫知道 · 24 P 系列课程
围绕 PostgreSQL 的基础使用、SQL 与数据库能力展开，共 24 个分节，并在视频简介中提供配套文字文档。
我的评价对准备做 AI 应用后端的人很实用：用户、任务、历史记录和检索元数据都离不开关系型数据建模。
建议用一个小项目建表、写约束、做查询，再把数据访问接到 FastAPI，不要只停在命令行练习。
边界入门课程不等于生产数据库设计；索引、迁移、事务边界与备份仍要在项目中继续练。
简单-编程 · 动画概念课
用短动画依次解释正向与反向代理、upstream、轮询与权重、故障转移、动静分离，以及 server / location / proxy_pass 等核心配置。
我的评价短时间建立“请求到底经过哪里”的直觉非常划算，能让后续部署配置不再只是复制粘贴。
建议先画出浏览器、Nginx、前端和 API 的请求路径，再用本地 Compose 环境复现一条反向代理。
边界概念动画不代替实际配置；HTTPS、缓存、安全头和线上故障排查要跟官方文档继续学习。
GeekHour · 8 P 入门系列
把 Nginx 入门拆成 8 个分节，适合在理解反向代理概念后继续熟悉安装、配置与常用操作；课程说明另提供配套笔记获取方式。
我的评价它正好补上短概念课没有展开的配置和操作，和上一门 Nginx 课程搭配会比单独观看更有效。
建议用自己的 Next.js 与 FastAPI 项目做一次静态资源与 API 反代配置，并记录可复用的最小配置。
边界配置能跑通不代表线上安全；不要直接把示例配置原样用于公网服务。
GeekHour · 19 P 入门系列
公开接口记录该教程共 19 P、时长 57 分 51 秒；简介提到 Redis 命令、安装笔记和 RedisInsight 配套资料。
我的评价Redis 是 AI 应用里缓存、会话、限流和短任务状态的常见支点，先学清基础会少很多后端盲区。
建议同时启动本地 Redis，在 FastAPI 中亲手做缓存、TTL、失效策略和服务不可用时的降级路径。
边界入门不涵盖生产环境的持久化选择、内存策略、监控、集群与安全；需要时应查 Redis 官方文档。
04 门
堂吉诃德拉曼查的英豪 · Bilibili
公开接口记录它是一门 52 分 32 秒的 Transformer 论文解读课程；视频简介还提供了 PPT 与论文笔记链接。
我的评价它是从“会调用模型”走向“理解模型为什么这样工作”的好桥梁，尤其适合补足注意力与编码器—解码器的结构直觉。
建议边看边手绘多头注意力的数据流；遇到矩阵、softmax 或损失函数再针对性补基础。
边界论文解读无法替代线性代数与深度学习前置知识，公式看不懂时应停下来补，而不是硬记结论。
farfar的AI4S日记 · Bilibili
公开视频标题写“60 分钟”，但官方公开接口当前返回时长为 4 分 27 秒；简介说明创作者使用动画分享机器学习知识。
我的评价更适合作为 PyTorch 的快速热身或概念入口，而不应被误当成完整的训练框架课程。
建议观看后立刻完成张量、数据集、训练循环、验证和检查点保存五个 Notebook 小练习。
边界页面按官方接口展示 4 分 27 秒，不会把标题中的“60 分钟”误写成真实课程长度。
费曼学徒冬瓜 · Bilibili
公开简介提到 LlamaFactory，并覆盖理论、环境、数据准备、模型选择、数据蒸馏、调参与评估；官方接口时长为 1 小时 35 分 27 秒。
我的评价优点在于把微调看成数据、配置和评估共同决定的工程过程，而不是“跑一次训练命令”。
建议先复现实验规模很小的样例，记录基座模型、数据、配置和对照基线，再看指标变化。
边界应先判断提示词、检索或产品交互能否解决问题，不能因为“会微调”就过早上训练。
吴恩达机器学习_StanFord · Bilibili 整理合集
公开接口显示该合集有 23 P、共 27 小时 32 分 39 秒；简介说明上传者整理了课件、代码与参考资料。
我的评价它适合做长期的 NLP 理论主线，帮助理解模型结构为何出现、带来什么代价，而不是只学库函数。
建议按周推进：一讲、一篇阅读、一段小实验，并写下每种架构选择解决了什么问题。
边界页面核验的是 Bilibili 整理合集，课件与代码的最终来源仍应和 Stanford 官方课程页交叉确认。
02 门
code秘密花园 · Bilibili
公开视频简介从 Prompt 与 Context Engineering 的演进讲到 Harness 的构成、实践以及 OpenAI / Anthropic 案例；官方接口时长为 18 分 31 秒。
我的评价适合作为近期 AI 工程概念的导航图，帮助把工具、上下文、评测、可观测性与失败处理看成同一个系统。
建议选自己的一个项目，写下工具边界、上下文来源、评测方法、日志和失败恢复五项清单。
边界这是短概览；涉及具体框架和产品的结论，开始实现前仍应回到一手文档核验。
木乔_Mokio · Bilibili
公开接口显示课程为 20 P、共 2 小时 50 分 54 秒；简介给出了代码仓库、理论分支、Notion 笔记与 PPT 资料。
我的评价它把理论和代码放在一起，对已经会写 Python、准备搭第一个 Agent 的人特别有帮助。
建议按分 P 拆成学习单元，只实现一个最小 Tool Call 循环，再逐步加状态、评测与恢复。
边界覆盖范围很广，不适合把它当作零编程基础的唯一入口。
02 门
AI敲代码的阿Q · Bilibili
公开接口记录时长为 25 分 35 秒；视频将自身定位为为学习者梳理大模型与 RAG 方案的资源。
我的评价适合已经搭过基础 RAG 后拓展实验假设，例如切分、召回、重排和查询路由该从哪里开始比较。
建议先固定一小组问题、参考答案和成本预算，再一次只替换一个环节，记录变化。
边界不存在脱离语料、质量目标、延迟和成本的“最佳 RAG 方案”；不要把方案清单当成答案。
费曼学徒冬瓜 · Bilibili
官方接口记录时长为 1 小时 10 分 03 秒；简介将知识库描述为典型的大模型应用，并以 RAG 为主题展开。
我的评价适合作为 RAG 的起点，先建立文档、分块、检索与回答之间的完整因果关系。
建议同步实现一条最小链路，并维护一张包含问题、命中文档、回答和错误原因的评测表。
边界标题中的“全集”不等于生产级覆盖；框架选择与检索效果仍需用真实资料集验证。
已核验网站
把适合长期阅读、即时查阅、源码协作和项目实作的网站放在一起，避免收藏之后再也找不到。
廖雪峰 · Git 文字教程
教程从安装、版本库、工作区和暂存区开始，继续覆盖远程仓库、分支、冲突、多人协作、Rebase、标签与 GitHub。
我的评价它的章节顺序很适合把 Git 的概念串起来，特别是当只会输入命令、却分不清工作区和暂存区时。
建议按章节在本地练习仓库复现；遇到冲突、撤销和 Rebase 时暂停阅读，亲手制造一次再解决。
边界教程明确面向 Git 使用者而非专家；复杂历史重写和团队规范仍要结合项目约定学习。
Datawhale · 开源智能体系统教程
Datawhale 的系统性智能体教程，从 LLM 与经典 Agent 范式出发，延伸至记忆、RAG、上下文工程、MCP、评测、Agentic RL 和综合项目。
我的评价这是一条从概念到做项目的完整智能体学习主线，内容广但仍把实践放在中心，和 AI 应用工程方向高度贴合。
建议先完成基础与经典范式，再按顺序做最小 Agent、检索/记忆、上下文工程和一个综合案例。
边界内容跨度很大，需要 Python 和基本 LLM 概念；不要跳过前面基础后直接拼多智能体。
科大讯飞 · AI Agent Skill Registry
站点公开标题为“AI Agent Skill Registry”，可作为观察、检索和比较 Agent Skill 生态与技能封装方式的入口。
我的评价适合在理解 Skill、工具和提示词边界之后查看真实技能包的组织方式，帮助把抽象概念落到可安装、可复用的单元。
建议挑一个与当前项目有关的 Skill，先读清它的输入、输出、依赖和失败边界，再决定是否引入。
边界任何第三方 Skill 在安装或执行前都应查看权限、脚本、网络行为与维护状态。
roadmap.sh · 社区开发者路线图
社区维护的路线图、指南和学习内容平台，覆盖 AI Engineer、全栈、后端、机器学习、PostgreSQL、Docker、Redis、Git 等角色与技能路线。
我的评价它最适合回答“下一步学什么”，避免被零散教程牵着走；本项目的技术路线也可以用它做阶段检查。
建议选一条主线，例如 AI Engineer 或 Full Stack，把已掌握、正在学和暂缓的内容标记出来，每月只补一个缺口。
边界路线图是导航而不是待办清单；不要为了点亮节点而在没有项目需求时堆技术名词。
Hugging Face · 官方学习中心
官方学习中心提供 LLM、上下文工程、AI Agent、后训练、深度强化学习、视觉、音频、扩散模型等课程；Agent Course 还包含框架、RAG 用例、评测和最终项目。
我的评价对于希望从调用 API 继续理解模型、工具和智能体构建的人，这是资料质量与动手路径都很好的官方入口。
建议先选一门主课，例如 Agent Course；按单元完成测验或作业，把作品发布到 Hub 或项目仓库中。
边界课程多且更新快，先按当前项目目标选一条，不要同时打开所有方向导致没有产出。
内容数据src/data/learning-resources.ts · 来源与插图核验于 2026-09-08
9 篇真实 Markdown 学习笔记已进入静态内容系统；首页负责索引，每篇都有完整阅读页，原始桌面文件保持不动。
个人学习笔记
09 篇 Markdown
从 Agent 基础架构、ReAct、Planning、Memory 与 Context Engineering，一直整理到 MCP、Tool Engineering 和 Skill Engineering 的长期学习笔记。
从浏览器、React、Next.js、FastAPI 与数据库，一直串到 LLM、RAG、Agent、微调和系统设计的完整速查地图。
105 道高频问题，按“结论、原理、取舍、项目落点”组织，用来训练能解释工程决策的回答，而不是背诵术语。
围绕 Model、Instructions、Tools、Context 和 Runtime 建立 Agent 基础框架，并继续整理路由、记忆与上下文工程。
从生产确认、队列持久化、消费者 ACK 到 RabbitMQ 与 Kafka 的场景差异，整理消息可靠性完整链路。
从 Server、Database、Schema、Table 的层级开始，整理 CRUD、约束、查询与 PostgreSQL 基础操作。
一份短小的本地运行手册：确认 Docker、查找镜像和容器、启动 Redis，并进入 redis-cli 验证状态。
记录模型配置、工作区审查、分支对比、提交审查、预览模式和 delegate 模式等常用命令与注意事项。
内容来源content/notes/*.md · src/data/notes.ts
13 个项目都来自实际使用、阅读或持续关注；推荐理由、适用场景、个人判断与明确缺点同时展示，收藏和分支数据均标出核验日期。
开源推荐
13 个已核验项目
“一切皆插件”不是一句口号：Cordis 驱动的插件架构、会话缓存命中率可视化，以及为压缩请求复用前缀 KV Cache 的设计，让长会话的成本与行为都更可解释。
确定性审查流水线与可调用工具的 LLM Agent 组合，比一段普通 review Skill 更能稳定覆盖改动文件，并给出精确到行的缺陷与安全问题。
开源、成熟度高，并保留了接近 Claude Code 的终端 Agent 工作节奏；内置 build、只读 plan 与通用子 Agent，适合真实代码库任务。
一组小而可组合的软件工程 Skill，从需求拷问、领域建模与决策记录，到 TDD、疑难排障和代码审查，覆盖真实开发的完整反馈回路。
把截图、Figma、Mockup 甚至屏幕录制直接转换成 HTML、React、Vue 等可运行前端，是从视觉参考进入代码实现的黑科技入口。
用一个终端区域管理多个 AI 编程助手，并把每个 pane 标记为 working、blocked 或 idle；支持 Claude Code、Codex、Cursor、OpenCode 等现有工具。
官方仓库收录 Model Context Protocol Servers，是理解 Agent 如何把外部工具和数据能力以统一协议接入的重要入口。
内容数据src/data/recommendations.ts · GitHub API 核验于 2026-09-08
把当前、下一步和长期方向放在同一条路线里，学习目标始终服务于可交付产品。
从需求、架构到前后端交付，持续沉淀可复用的工程方法。
让模型效果、服务稳定性与产品反馈都能够被验证。
在真实需求出现时，继续学习微调与 ComfyUI 等方向。
这是基于目前实践范围和可说明证据的自我评估，不是证书式评分；正在学习的内容会单独标记。
1 为正在建立基础，2 为可跟随文档完成，3 为可在明确范围内独立交付，4 为能处理多步骤与排障，5 为可复用并指导他人。当前不把任何能力写成 5 分。
能在明确需求下设计模型调用、结构化输出与人工复核环节。
当前依据Doc2Alpaca 将候选问答生成、审核与导出分开，避免把模型输出直接当最终数据。
能把复杂任务拆成可观察、可恢复的工具调用与步骤边界。
当前依据ArchPilot 把需求澄清、模块契约和分阶段执行串成可检查的工作流；相关原理也持续沉淀在学习笔记中。
正在系统练习检索、引用、重排与评测，不把概念学习误写成生产能力。
当前依据已整理 RAG 课程与 Agent / Context 笔记；下一步需要用真实语料、问题集和指标做一条完整验证链路。
已理解数据准备的重要性，正在补齐训练、对照实验与评估实践。
当前依据Doc2Alpaca 已能把文档整理为可审核的 Alpaca / ShareGPT 数据；尚未把训练系统包装成已交付能力。
用于 AI 应用逻辑、数据处理与验证脚本，能在明确范围内独立完成后端任务。
当前依据ArchPilot 公开仓库包含 Python 校验脚本；个人知识系统也围绕 Python 后端与 AI 工具持续整理。
能组织输入校验、错误契约、异步写入与面向页面的服务接口。
当前依据当前作品集包含可运行的 FastAPI 联系接口、测试与部署链路；下一步继续补强更复杂的业务与鉴权场景。
能为业务记录、任务历史与元数据设计基础表结构、查询和事务边界。
当前依据Doc2Alpaca 的架构把历史记录放在 PostgreSQL；个人网站后端也以关系数据与迁移作为可验证的工程基础。
理解缓存、会话、限流和短期任务状态的常见场景，正在继续补齐失效与故障处理。
当前依据Doc2Alpaca 用 Redis 保存短期任务进度；已有 Redis 原理和 Docker 启动流程笔记。
能做响应式页面、静态内容路由、元数据和面向真实内容的数据驱动组件。
当前依据当前作品集与 Doc2Alpaca 都有可运行的 Next.js 产品界面；本项目完整覆盖主页、详情、笔记和 404。
能以设计 token 和响应式约束组织界面，持续加强复杂组件与设计系统的复用能力。
当前依据当前网站的视觉系统由 token、断点、无障碍状态和多套配色驱动；项目中也保留 Tailwind 的工程基础。
能用统一配置编排多服务本地环境，并理解 Web、Worker 与基础服务的职责边界。
当前依据Doc2Alpaca 通过 Compose 编排 Web、Worker、PostgreSQL、Redis 与 RabbitMQ 五类服务。
已能维护当前项目从 main 推送到服务器更新的实际流水线，仍在系统补齐通用发布策略。
当前依据此作品集已使用私有 GitHub 仓库、GitHub Actions 与 Windows 服务完成自动更新部署。
