学习地图
把 LLM 基础、Prompt、RAG、Agent 和部署实践组织成一条路线。
模型排名
按场景整理主流模型、API 能力、接入方式和中文开发注意事项。
实验室
用可交互工具观察 token、流程、提示词和模型行为。
Prompt 配方
沉淀可复用模板、输入格式、输出样例和失败案例。
实战案例
沉淀 RAG、Agent、模型调用和部署上线的可复现项目样板。
正在构建
Token 成本估算器
已上线
估算输入、输出和调用成本。
Prompt 对比器
下一步
比较不同提示词结构的效果。
RAG 流程演示
计划中
拆解切块、召回、重排和生成。
Agent 工作流
计划中
展示规划、工具调用和反思修正。
推荐学习路径
1
理解 LLM
从概念理解走向可运行的工程实践。
2
选择模型
从概念理解走向可运行的工程实践。
3
写好 Prompt
从概念理解走向可运行的工程实践。
4
构建 RAG
从概念理解走向可运行的工程实践。
5
设计 Agent
从概念理解走向可运行的工程实践。
6
部署应用
从概念理解走向可运行的工程实践。
最新更新
查看全部文章2026/3/16
大模型系列——从VM隔离到多Agent协作：Claude Cowork与WorkBuddy技术架构深度解析
深度拆解Claude Cowork和WorkBuddy的技术架构，对比VM隔离与端侧执行、MCP协议与多Agent通信，探讨AI Agent系统的技术演进路径。
2026/3/16
OpenClaw 系列（三）——进阶玩法：Skills 扩展、多模型配置与安全加固
深入 OpenClaw 的 Skills 扩展生态、多模型灵活配置策略、上下文管理机制，以及让 Agent 安全运行的关键配置实践。
2026/3/15
OpenClaw 系列（二）——手把手部署，从零到第一个自动化任务
详细的 OpenClaw 安装部署教程，覆盖 Windows / macOS / Linux 三平台，从环境准备、模型配置到跑通第一个自动化任务，全程图文说明。