Appearance
90天AI全栈特训营
欢迎来到90天AI全栈特训营，这里提供系统化的AI学习路径，从AI发展史到最新技术实战，帮助你全面掌握AI技术栈。
特训营概述
本特训营采用"总-分-总"的学习模式，总计90天，涵盖AI发展的前世今生、核心技术模块和综合实战项目。
学习模式
- 总（10天）：AI发展史，建立全局认知
- 分（70天）：核心技术模块，深入学习
- 总（20天）：综合实战项目，融会贯通
学习目标
- 理解AI技术发展历程和趋势
- 掌握AI核心技术（LLM、RAG、Agent、MCP、Skills）
- 能够独立开发AI应用
- 具备AI产品化能力
适用人群
- 零基础AI学习者
- 想转行AI的工程师
- AI应用开发者
- AI产品经理
- AI研究者
前置知识
- Python编程基础
- 基本的数学知识（线性代数、概率论）
- 了解基本的机器学习概念
特训营总览
第一阶段：AI发展史（10天）
了解AI从起源到2025年的发展历程，建立全局认知。
| 天数 | 主题 | 核心内容 |
|---|---|---|
| 第1天 | AI起源与早期发展（1950-1980） | 图灵测试、符号主义AI、专家系统 |
| 第2天 | 机器学习时代（1980-2010） | 统计学习方法、SVM、决策树 |
| 第3天 | 深度学习革命（2010-2017） | CNN、RNN、LSTM、AlphaGo |
| 第4天 | Transformer与大语言模型（2017-2022） | Transformer、BERT、GPT系列 |
| 第5天 | 生成式AI爆发（2022-2023） | ChatGPT、AIGC、Prompt Engineering |
| 第6天 | AI Agent兴起（2023-2024） | LangChain、AutoGPT、RAG |
| 第7天 | MCP协议发布（2024年底） | Model Context Protocol详解 |
| 第8天 | Skills标准发布（2025年） | Anthropic Skills标准 |
| 第9天 | AI Agent爆发元年（2025） | 从"助手"到"操盘手"的质变 |
| 第10天 | AI现状与未来（2025-2026） | 推理模型、新形态Agent、未来趋势 |
第二阶段：核心技术模块（70天）
深入学习AI核心技术，每个模块都有完整的实战项目。
模块1：大语言模型基础（8天）
| 天数 | 主题 | 核心内容 | 实践 |
|---|---|---|---|
| 第11天 | LLM原理与架构 | Transformer、Self-Attention、位置编码 | 从零实现Self-Attention |
| 第12天 | 主流LLM架构对比 | GPT、BERT、T5、LLaMA、PaLM、Gemini | 对比不同模型的输出 |
| 第13天 | 国内大模型详解 | 文心一言、通义千问、混元、豆包、GLM、Kimi、DeepSeek、Yi | 调用5个国内模型API对比 |
| 第14天 | 国外大模型详解 | GPT-4、Claude、Gemini、Llama、Mistral | 调用3个国外模型API对比 |
| 第15天 | LLM API开发实战 | API调用、流式输出、Function Calling | 开发LLM API封装库 |
| 第16天 | Prompt Engineering | Prompt设计、Few-shot、CoT | 优化Prompt提升任务效果 |
| 第17天 | LLM评估与选择 | 评估指标、基准测试、成本分析 | 评估3个模型在特定任务上的表现 |
| 第18天 | LLM模块总结与项目 | 知识点回顾、技术选型 | 实战项目：智能问答系统 |
模块2：MCP协议开发（8天）
| 天数 | 主题 | 核心内容 | 实践 |
|---|---|---|---|
| 第19天 | MCP协议深度解析 | MCP协议标准、架构设计 | 分析MCP协议规范 |
| 第20天 | MCP Server开发基础 | Server架构、资源定义、工具定义 | 开发简单MCP Server |
| 第21天 | MCP工具开发 | 工具定义、参数验证、错误处理 | 开发MCP工具集 |
| 第22天 | MCP资源管理 | 资源定义、资源访问、权限控制 | 实现MCP资源管理 |
| 第23天 | MCP Client开发 | Client架构、Server连接、工具调用 | 开发MCP Client |
| 第24天 | MCP与Claude Desktop集成 | Claude Desktop配置、MCP Server注册 | 将MCP Server集成到Claude Desktop |
| 第25天 | MCP生态与工具 | 主流MCP工具、MCP Server市场 | 调研5个主流MCP工具 |
| 第26天 | MCP模块总结与项目 | 知识点回顾、最佳实践 | 实战项目：文件操作MCP工具 |
模块3：Skills标准开发（8天）
| 天数 | 主题 | 核心内容 | 实践 |
|---|---|---|---|
| 第27天 | Skills标准深度解析 | skill.md规范、目录结构、能力发现 | 分析Skills标准规范 |
| 第28天：Skills vs MCP vs SubAgent | 三者区别、应用场景、协同使用 | 对比分析三者应用场景 | |
| 第29天 | Skills开发基础 | Skills目录结构、skill.md编写 | 开发简单Skill |
| 第30天 | Skills文档驱动开发 | 文档驱动开发理念、Markdown结构化 | 编写专业的skill.md |
| 第31天 | Skills能力发现 | 能力定义、动态加载、技能注册 | 实现Skills能力发现机制 |
| 第32天 | Skills最佳实践 | Skills设计原则、技能组合、技能复用 | 开发可复用的Skills库 |
| 第33天 | Skills生态与市场 | GitHub上的Skills项目、Skills市场 | 调研10个主流Skills |
| 第34天 | Skills模块总结与项目 | 知识点回顾、最佳实践 | 实战项目：Skills工具集 |
模块4：AI Agent开发（10天）
| 天数 | 主题 | 核心内容 | 实践 |
|---|---|---|---|
| 第35天 | Agent基础概念 | Agent定义、架构、核心组件 | 理解Agent架构 |
| 第36天 | Agent感知与规划 | 感知模块、规划模块、ReAct框架 | 实现Agent感知与规划 |
| 第37天 | Agent行动与记忆 | 行动模块、记忆模块、反思评估 | 实现Agent行动与记忆 |
| 第38天 | LangChain框架（上） | LangChain核心概念、Chains、Prompts | 使用LangChain构建简单Chain |
| 第39天 | LangChain框架（下） | 自定义Tool、自定义Agent、LangGraph | 开发自定义Tool |
| 第40天 | AutoGPT与BabyAGI | AutoGPT原理、任务分解与执行 | 使用AutoGPT框架 |
| 第41天 | SubAgent（子智能体） | SubAgent概念、多Agent架构、协作模式 | 实现SubAgent系统 |
| 第42天 | Agent记忆系统 | 记忆类型、记忆管理、向量记忆 | 实现Agent记忆 |
| 第43天 | Agent反思与评估 | 反思机制、自我评估、错误纠正 | 实现Agent反思机制 |
| 第44天 | Agent模块总结与项目 | 知识点回顾、设计模式 | 实战项目：个人助理Agent |
模块5：RAG技术（7天）
| 天数 | 主题 | 核心内容 | 实践 |
|---|---|---|---|
| 第45天 | RAG原理与架构 | RAG概念、检索增强生成流程 | 理解RAG工作流程 |
| 第46天 | 向量数据库基础 | 向量表示、相似度计算、向量索引 | 使用Chroma创建向量库 |
| 第47天 | 向量数据库对比 | Chroma、FAISS、Milvus、Pinecone | 对比3个向量数据库 |
| 第48天 | 文档处理与切片 | 文档解析、文本切片、元数据管理 | 实现文档处理流水线 |
| 第49天 | 检索优化 | 检索策略、查询扩展、上下文优化 | 优化检索准确率 |
| 第50天 | RAG高级技术 | 多轮对话RAG、多模态RAG、知识图谱RAG | 实现多轮对话RAG |
| 第51天 | RAG模块总结与项目 | 知识点回顾、最佳实践 | 实战项目：企业知识库问答系统 |
模块6：大模型微调（6天）
| 天数 | 主题 | 核心内容 | 实践 |
|---|---|---|---|
| 第52天 | 微调原理 | 微调vs预训练、PEFT、LoRA原理 | 理解微调流程 |
| 第53天 | LoRA与QLoRA | LoRA原理、QLoRA原理、量化技术 | 使用LoRA微调模型 |
| 第54天 | 微调数据准备 | 数据收集、清洗、标注、格式化 | 准备微调数据集 |
| 第55天 | 模型训练与评估 | 训练配置、超参数调优、训练监控 | 训练并评估模型 |
| 第56天 | 模型部署 | 模型导出、推理框架、API服务 | 部署微调模型 |
| 第57天 | 微调模块总结与项目 | 知识点回顾、最佳实践 | 实战项目：垂直领域问答模型 |
模块7：AI应用部署（6天）
| 天数 | 主题 | 核心内容 | 实践 |
|---|---|---|---|
| 第58天 | 模型量化 | 量化原理、GPTQ、AWQ、GGUF | 量化模型 |
| 第59天 | 推理加速 | vLLM、TGI、TensorRT-LLM | 使用vLLM部署模型 |
| 第60天 | 边缘部署 | ONNX Runtime、OpenVINO、移动端部署 | 边缘部署模型 |
| 第61天 | 云服务部署 | AWS、Azure、阿里云、腾讯云 | 云服务部署 |
| 第62天 | 监控与优化 | 性能监控、成本优化、负载均衡 | 实现监控系统 |
| 第63天 | 部署模块总结与项目 | 知识点回顾、最佳实践 | 实战项目：高并发LLM服务 |
模块8：AI安全与伦理（4天）
| 天数 | 主题 | 核心内容 | 实践 |
|---|---|---|---|
| 第64天 | AI安全基础 | Prompt注入、对抗样本、数据泄露 | 测试Prompt注入 |
| 第65天 | AI防护技术 | 输入过滤、输出过滤、对抗训练 | 实现安全过滤 |
| 第66天 | AI伦理 | AI偏见、公平性、透明性、可解释性 | 评估模型偏见 |
| 第67天 | 合规与治理 | AI法规、数据隐私、AI治理框架 | 设计AI治理方案 |
模块9：国内外平台深度对比（5天）
| 天数 | 主题 | 核心内容 | 实践 |
|---|---|---|---|
| 第68天 | 国内平台深度对比（上） | 文心一言、通义千问、混元、豆包 | 深度测试4个平台 |
| 第69天 | 国内平台深度对比（下） | GLM、Kimi、DeepSeek、Yi | 深度测试4个平台 |
| 第70天 | 国外平台深度对比 | GPT、Claude、Gemini、Llama | 深度测试4个平台 |
| 第71天 | 多维度对比分析 | 性能、价格、功能、易用性对比 | 生成对比报告 |
| 第72天 | 平台选型指南 | 应用场景、技术需求、成本预算分析 | 为特定场景选择平台 |
第三阶段：综合实战项目（20天）
通过5个完整项目，将所学知识融会贯通。
项目1：智能客服系统（5天）
| 天数 | 主题 | 核心内容 | 技术栈 |
|---|---|---|---|
| 第73天 | 需求分析与架构设计 | 需求分析、技术选型、架构设计 | LLM + RAG + Agent |
| 第74天 | 后端开发（上） | API设计、LLM集成、RAG实现 | Python + FastAPI |
| 第75天 | 后端开发（下） | Agent集成、记忆系统、工具调用 | LangChain |
| 第76天 | 前端开发 | 界面设计、对话组件、管理后台 | React + Ant Design |
| 第77天 | 部署与优化 | Docker部署、性能优化、监控告警 | Docker + Nginx |
项目2：个人助理Agent（4天）
| 天数 | 主题 | 核心内容 | 技术栈 |
|---|---|---|---|
| 第78天 | 需求分析与架构设计 | 功能需求、技术选型、架构设计 | Agent + Skills + MCP |
| 第79天 | 核心功能开发 | 日程管理、邮件处理、信息查询 | LangChain + MCP |
| 第80天 | 高级功能开发 | 任务提醒、智能推荐、SubAgent协作 | Skills |
| 第81天 | 集成与部署 | 第三方集成、微信小程序、部署上线 | 微信小程序 |
项目3：企业知识库（4天）
| 天数 | 主题 | 核心内容 | 技术栈 |
|---|---|---|---|
| 第82天 | 需求分析与架构设计 | 需求分析、技术选型、架构设计 | RAG + 向量数据库 |
| 第83天 | 文档处理系统 | 文档上传、文档解析、向量化存储 | Chroma + Unstructured |
| 第84天 | 问答系统 | 检索系统、问答生成、引用展示 | LangChain |
| 第85天 | 管理后台与部署 | 文档管理、数据统计、部署上线 | React + Ant Design |
项目4：代码助手系统（3天）
| 天数 | 主题 | 核心内容 | 技术栈 |
|---|---|---|---|
| 第86天 | 需求分析与架构设计 | 功能需求、技术选型、架构设计 | LLM + MCP + Code Interpreter |
| 第87天 | 核心功能开发 | 代码生成、代码审查、Bug修复 | LangChain + MCP |
| 第88天 | 插件开发与部署 | IDE插件、MCP集成、部署发布 | VS Code Extension |
项目5：智能文档分析（3天）
| 天数 | 主题 | 核心内容 | 技术栈 |
|---|---|---|---|
| 第89天 | 需求分析与架构设计 | 功能需求、技术选型、架构设计 | LLM + OCR + RAG |
| 第90天 | 核心功能开发与部署 | 文档解析、信息提取、摘要生成 | Python + FastAPI + React |
核心技术栈
大语言模型
- 开源模型：Llama、Qwen、GLM、DeepSeek、Yi
- 国外平台：OpenAI GPT、Anthropic Claude、Google Gemini
- 国内平台：文心一言、通义千问、混元、豆包、Kimi
AI框架
- LangChain（80k+ stars）：AI应用开发框架
- LlamaIndex（35k+ stars）：数据框架
- AutoGPT（160k+ stars）：自主Agent框架
- Microsoft AutoGen（30k+ stars）：多Agent框架
MCP生态
- MCP SDK（Anthropic官方）：MCP开发工具包
- MCP Servers：丰富的MCP服务器生态
- Claude Desktop：支持MCP的AI助手
Skills生态
- Anthropic Skills：官方Skills标准
- Skills Marketplace：Skills市场
- GitHub Skills：开源Skills项目
向量数据库
- Chroma（12k+ stars）：轻量级向量数据库
- FAISS（30k+ stars）：Meta开源向量搜索
- Milvus（27k+ stars）：云原生向量数据库
- Pinecone：托管向量数据库服务
推理框架
- vLLM（20k+ stars）：高性能LLM推理
- TGI（8k+ stars）：Text Generation Inference
- Ollama（80k+ stars）：本地LLM运行
开发工具
- Hugging Face（130k+ stars）：模型和数据集平台
- Gradio（30k+ stars）：机器学习应用快速开发
- Streamlit（30k+ stars）：数据应用快速开发
学习路径推荐
路径1：AI应用开发者（快速上手）
第1-10天：AI发展史
第11-18天：大语言模型基础
第45-51天：RAG技术
第35-44天：AI Agent开发
第73-77天：智能客服系统项目路径2：AI工程师（深入技术）
第1-10天：AI发展史
第35-44天：AI Agent开发
第19-26天：MCP协议开发
第27-34天：Skills标准开发
第45-51天：RAG技术
第78-81天：个人助理Agent项目路径3：AI产品经理（产品导向）
第1-10天：AI发展史
第11-18天：大语言模型基础
第68-72天：国内外平台对比
第73-77天：智能客服系统项目
第64-67天：AI安全与伦理路径4：AI研究者（前沿探索）
第1-10天：AI发展史
第52-57天：大模型微调
第45-51天：RAG技术
第35-44天：AI Agent开发
第86-88天：代码助手系统项目学习建议
学习节奏
- 每天3-5小时：理论1-2小时 + 实践2-3小时
- 每周复习：周末复习本周内容
- 项目实践：每个模块完成至少1个项目
学习顺序
- 按天数顺序学习：循序渐进，打好基础
- 模块完整学习：每个模块完整学习后再进入下一个
- 项目阶段选学：根据兴趣选择1-2个完整项目
实践要求
- 每天实践必须完成：理论+实践结合
- 每个模块项目必须完成：巩固所学知识
- 最终项目至少完成2个：融会贯通
工具选择原则
- 优先开源：选择开源工具，便于学习和定制
- 关注star数：选择star数多的工具，社区活跃
- 查看维护状态：选择还在维护的工具，持续更新
- 考虑文档质量：选择文档完善的工具，降低学习成本
特训营特色
1. 总-分-总模式
- 总：AI发展史，建立全局认知
- 分：核心技术模块，深入学习
- 总：综合实战项目，融会贯通
2. 紧跟时代潮流
- MCP协议：Anthropic 2024年底推出的标准化协议
- Skills标准：Anthropic 2025年10月发布的开放标准
- SubAgent：子智能体，拆解复杂任务
- AI Agent爆发元年：2025年的技术趋势
- 推理模型：o1、DeepSeek R1等最新模型
- 新形态Agent：Manus类产品
3. 开源优先
- 所有工具优先选择开源项目
- 关注GitHub star数和活跃度
- 选择还在维护的项目
4. 实用性导向
- 每天都有实践任务
- 每个模块都有实战项目
- 最终阶段有5个完整项目
5. 国内外对比
- 深度对比国内外平台
- 多维度分析
- 提供选型指南
常见问题
Q1：零基础可以学习吗？
A：可以。特训营从AI发展史开始，循序渐进，适合零基础学习者。
Q2：需要什么前置知识？
A：需要Python编程基础、基本的数学知识（线性代数、概率论）、了解基本的机器学习概念。
Q3：每天需要多长时间？
A：建议每天3-5小时，理论1-2小时，实践2-3小时。
Q4：必须按顺序学习吗？
A：建议按顺序学习，但可以根据自己的基础和兴趣调整。
Q5：项目必须全部完成吗？
A：每个模块的项目建议完成，最终阶段至少完成2个完整项目。
Q6：工具必须用特训营推荐的吗？
A：不一定。特训营推荐的是主流、开源、活跃的工具，你可以根据实际情况选择。
开始学习
点击上方链接开始学习90天AI全栈特训营！建议从第1天开始，循序渐进地学习。
祝你学习愉快！
