主题
实战教程地图
这一页只收录能产生真实交付物的教程。先选项目，再按项目需要安装工具；不要先收集十个客户端，最后仍然没有做出可用的东西。
1. 先完成一个开发项目
| 项目 | 最终产物 | 练到的工程能力 |
|---|---|---|
| 代码变更风险扫描器 | 读取 Git 差异，输出带证据的风险与验证报告 | 模型调用、结构协议、证据校验、脱敏、离线测试 |
| 本地知识问答实战 | 委托 Agent 实现对自己的文档的带引用问答服务，本地优先云端兜底 | 工作委托、验收标准、降级链路、故障演练、评测 |
| AI 周报生成器 | Git 提交与任务清单自动汇总成周报草稿发邮箱，周五 40 分钟变 2 分钟 | 委托实现、事实清单、降级、定时任务、度量 |
| Browser Use 浏览器自动化 | 让 AI 操控真实浏览器完成导出报表、填表等例行操作 | 任务描述、CLI 调试、登录态安全、风险边界 |
| 变更影响雷达 | 把政策或需求变化映射到代码、配置、文档和负责人 | 资产目录、候选召回、规则与模型协作、人工闭环 |
| 证据化结构抽取 | 把合同或报告变成可入库、可追溯的数据 | 解析、抽取、引用对齐、业务校验、复核队列 |
| 可恢复的 AI 任务执行器 | 可暂停、重试、审批和重放的长任务运行时 | 状态机、检查点、幂等、预算、故障注入 |
| MCP Server 建设 | 把受控查询能力变成多个 AI 客户端可复用的工具 | 工具契约、权限、Inspector 验证 |
| 工单分流 Agent | 只读查询资料并给出可审核的分流建议 | 控制循环、停止条件、证据校验和转人工 |
如果第一次开发 AI 应用，先做代码变更风险扫描器。它不需要框架或数据库，用 Python 标准库即可跑通完整闭环，然后再进入更复杂的生产项目。
2. 再完成一条工作自动化
| 项目 | 最终产物 | 重点 |
|---|---|---|
| 第一个自动化工作流实战 | 定时采集、去重、摘要、推送和失败告警 | 触发、状态、分支与可观测性 |
| 扣子每日资讯推送 | 零代码搭建定时抓取并推送资讯的智能体 | 工作流节点、提示词纪律、定时触发、来源抽查 |
| n8n 邮件分类通知 | 新邮件自动判级、摘要并推送飞书群，回执只出草稿 | IMAP 触发、AI 判级、人机分工、降级 |
| 接入现成 MCP Server | 在客户端接通并验证已有工具 | 配置、权限范围和调用检查 |
| 发现第一条工作流 | 从真实工作记录中找出值得改造的流程 | 基线、风险、人工闸门与收益判断 |
不要为了“自动化率”直接做全自动。先影子运行，再半自动确认，只有低风险且稳定的步骤才进入自动执行。
3. 项目需要时再安装主力工具
| 教程 | 形态 | 适合谁 |
|---|---|---|
| Claude Code 全平台安装 | 终端 Agent | 会用终端、想读项目跑命令 |
| Claude Code 进阶玩法 | 终端 Agent | 已装好，想用出高级感 |
| Codex CLI 安装与使用 | 终端 Agent | OpenAI 生态用户 |
| Codex 桌面版 | 桌面应用 | 不想碰终端 |
| Gemini CLI 入门 | 终端 Agent | 想试 Google 生态 |
| Qwen Code 安装与使用 | 终端 Agent（国产） | 想要免费额度、国内直连 |
| Trae 安装与入门 | AI 原生 IDE（国产） | 图形界面 + 国内网络免折腾 |
| Cursor 接第三方接口 | AI 编辑器 | 喜欢图形界面改代码 |
| VS Code + Copilot 入门 | AI 编辑器 | 已是 VS Code 用户 |
| Ollama / LM Studio 本地 AI | 本地模型 | 在意隐私、要离线 |
| GPT Image 画布实战 | 创作工作台 | 想边比边改地生成和编辑图片 |
挑一个即可。安装完成后立即回到第 1 节继续项目；同类工具的切换不会代替需求、实现和验证。
4. AI 应用开发的实战顺序
- 从《七种高价值 AI 应用模式》选择一个真实工作单元；
- 写清输入、结构化交付物、下游动作、失败代价和验收方法；
- 做一个纵向切片：一个数据源、一个语义任务、一条校验、一个反馈动作；
- 用《生产级 AI 应用架构》补超时、权限、降级和可观测性；
- 用《AI 评测驱动开发》建立真实样本和发布门禁；
- 只有路径确实需要根据中间结果变化时，再进入《Agent 工程》。
5. 每个教程都必须留下六份产物
text
1. README：用户场景、运行方式、已知限制
2. fixtures：脱敏的固定输入样本
3. schema：模型输出或工具参数协议
4. tests：确定性规则和历史失败回归
5. evals：质量、成本、延迟与关键切片
6. runbook：上线、告警、降级和回滚步骤只有源代码而没有这些产物，AI 应用很难持续维护；只有提示词而没有测试和样本，更无法判断下一次修改是变好还是变坏。
6. 实战纪律
- 一次只做一条端到端链路，不并行收集工具；
- 模型只负责语义判断，权限、金额、状态和写入由程序控制；
- 每个重要结论必须有证据或明确标记为待确认；
- 每次失败都沉淀成固定样本、原因码或检查规则；
- 先影子运行，再人工确认，最后才讨论自治；
- 用成功任务成本和节省的人工时间判断价值，不用调用量判断进展。