大模型应用开发学习计划 · v2 修改方案
2026-05-05 · 待确认后执行
修改背景
v1 的问题
- 实操项目都是"练习型"——升级 MemMachine、写评估脚本、搭 MCP Server，没有面向外部用户的可交付产品
- Agent 编排排在第 3 位——AI Agent 是 2026 年最热方向，应该前置
- 缺少工程化内容——成本控制、可靠性、可观测性等生产级问题没覆盖
- 学完没有综合产出——五个独立阶段，缺少串联的最终项目
- 没有和副业结合——学习过程和赚钱/产品脱节
v2 的核心改动
- Agent 前置，作为第一阶段
- 每个阶段都有真实用户和可量化验证
- 工程化要求贯穿全程
- 最终综合项目 = 副业 AI 中台（学习+副业+工作全部串联）
最终方案
阶段总览
| 阶段 | 主题 | 时间 | 状态 | 核心交付物 | 用户 | |------|------|------|------|-----------|------| | 01 | Agent 编排模式 | 第 1-2 周 | ⬜ 未开始 | Humanizer 对话式改写 Agent | Humanizer 用户 | | 02 | RAG + 评估体系 | 第 3-4 周 | ⬜ 未开始 | SBTI 人格深度分析（RAG + 付费功能） | SBTI 小程序用户 | | 03 | MCP 协议深度 | 第 5 周 | ⬜ 未开始 | OpenClaw Skill 发布到 ClawHub | OpenClaw 开发者社区 | | 04 | Fine-tuning 实战 | 第 6-7 周 | ⬜ 未开始 | Humanizer 专属改写模型 | Humanizer 用户（降成本） | | 05 | 综合项目：副业 AI 中台 | 第 8-10 周 | ⬜ 未开始 | 全链路自动化系统 | 自己（效率翻倍） |
时间规划
| 周次 | 主题 | 每日投入 | 关键产出 | |------|------|----------|----------| | 1-2 | Agent 编排 | 2-3h | Humanizer Agent 原型上线 | | 3-4 | RAG + 评估 | 2-3h | SBTI 深度分析功能上线 | | 5 | MCP 协议 | 2-3h | ClawHub Skill 发布 | | 6-7 | Fine-tuning | 2-3h | 微调模型替换 API | | 8-10 | 综合项目 | 3-4h | 副业 AI 中台上线 |
总投入：约 120-130 小时（10 周 × 12-15h/周，综合项目投入更多）
各阶段详情
阶段 1：Agent 编排模式（第 1-2 周）
学什么：
- Agent 核心模式：ReAct、Plan-Execute、ReWOO、Reflexion
- LangGraph 状态机模型（节点、边、checkpoint、human-in-the-loop）
- 多 Agent 通信模式（Orchestrator-Worker、Hierarchical）
- Step cap、Tool budget、错误恢复
做什么：Humanizer 升级为对话式改写 Agent
- 当前：输入文本 → 单次改写 → 输出
- 升级后：理解用户意图 → 选择改写策略 → 多轮优化 → 输出最佳结果
- 支持用户反馈："再自然一点"、"保持专业感"、"太长了缩短"
工程化要求：
- 每轮对话的 token 消耗追踪
- 对话轮次上限 + 超限降级策略
- 日志记录（用户输入 → Agent 决策 → 最终输出）
验证指标：
- 改写满意度（用户反馈/对比 A/B 测试）
- 平均对话轮次
- 单次改写成本变化
资料：
- LangGraph 官方文档和 Academy
- Anthropic Tool Use + Multi-Agent Patterns
- 吴恩达 Agent 短课系列
- OpenClaw 源码（作为参照系）
阶段 2：RAG + 评估体系（第 3-4 周）
学什么：
- RAG 演进：Naive → Advanced → Modular → Agentic
- Chunking 策略（语义分块 vs 固定长度）
- Hybrid Search + RRF 融合
- Reranker（BGE Reranker）
- Query Rewriting
- RAGAS 评估框架（Faithfulness、Answer Relevancy、Context Precision、Context Recall）
做什么：SBTI 人格深度分析（付费功能）
- 用 RAG 检索 16 型人格理论库，生成个性化深度报告
- 包含：人格优势分析、职业建议、人际关系指南、成长方向
- 用户看完基础结果后，看激励视频解锁深度报告
- 这是 SBTI 小程序的核心变现功能
工程化要求：
- 检索质量评估（Golden dataset + RAGAS 四指标）
- 每次优化后跑评估，量化提升
- 缓存策略（热门人格类型缓存）
验证指标：
- 深度报告解锁率（目标 > 30%）
- 用户分享率
- RAGAS 指标基线（Faithfulness ≥ 0.85）
资料：
- 吴恩达 RAG 短课
- 《Advanced RAG Pipeline Complete Guide 2025》
- RAGAS 官方文档
- LlamaIndex RAG 文档（看理论，不用框架）
阶段 3：MCP 协议深度（第 5 周）
学什么：
- MCP 三原语：Tools、Resources、Prompts
- 传输层：stdio vs Streamable HTTP
- 认证：OAuth 2.1 + PKCE vs API Key
- MCP Inspector 调试
- TypeScript/Python SDK
做什么：OpenClaw Skill 发布到 ClawHub
- 写一个通用"技术调研 Agent Skill"
- 输入技术方向 → 自动搜索资料 → 生成调研报告
- 符合 OpenClaw Skill 规范，发布到 ClawHub
- 面向 OpenClaw 中文社区的开发者用户
工程化要求：
- 输入验证 + 错误处理
- 超时控制 + 降级策略
- MCP Inspector 测试通过
验证指标：
- ClawHub 下载量
- 用户反馈
资料：
- MCP 官方规范（modelcontextprotocol.io）
- Anthropic MCP 入门教程
- OpenClaw Skill 开发文档
阶段 4：Fine-tuning 实战（第 6-7 周）
学什么：
- RAG vs Fine-tuning 选择决策
- LoRA/QLoRA 原理
- 训练数据准备（质量 > 数量）
- 训练监控（loss 曲线、过拟合检测）
- DPO 偏好优化
- 模型部署（Ollama 加载微调模型）
做什么：Humanizer 专属改写模型
- 准备 500-1000 条高质量改写训练数据
- 用 LLaMA-Factory 或 Unsloth 对 Qwen2.5-7B 做 LoRA 微调
- 微调目标：学会 Humanizer 的改写风格，减少对大模型 API 的依赖
- Ollama 加载微调模型做推理
- A/B 测试：微调模型 vs API 调用的效果对比
工程化要求：
- 训练日志和指标记录
- A/B 测试框架
- 模型版本管理
- 降级策略（微调模型挂了自动切回 API）
验证指标：
- 改写质量对比（人工评分 + 自动评估）
- API 成本下降比例
- 推理延迟变化
资料：
- 吴恩达 Generative AI with Large Language Models
- LLaMA-Factory 官方文档
- Unsloth 教程
- HuggingFace PEFT 文档
阶段 5：综合项目 · 副业 AI 中台（第 8-10 周）
这是最终交付物，把前 4 个阶段的技能全部串联起来。
覆盖的副业线：
┌─────────────────────────────────────────────┐
│ 副业 AI 中台 │
├──────────┬──────────┬───────────────────────┤
│ 小程序矩阵 │ AI 产品 │ 量化交易 │
├──────────┼──────────┼───────────────────────┤
│ 自动选品 │ Humanizer │ 行情监控 + 信号推送 │
│ 自动开发 │ Agent │ 策略回测 │
│ 自动推广 │ 成本优化 │ 执行辅助 │
│ 数据监控 │ 用户分析 │ 收益追踪 │
└──────────┴──────────┴───────────────────────┘
底层：RAG + MCP + Agent + FT + 工程化
各模块详情：
1. 自动选品 Agent
- 定期扫描微信指数 + 搜索竞品
- 参考已有的选题调研 SOP（
选题调研SOP.md），让 Agent 自动执行 - 输出：选题报告（竞品分析 + 蓝海评分 + 开发量估算）
- 验证：每周自动产出 3-5 个选题建议
2. 自动开发 Agent
- 需求 → 技术方案 → 代码生成 → 测试 → 部署
- 基于 OpenClaw + Claude Code/Crush
- human-in-the-loop：关键节点需要人工审批
- 验证：用新小程序开发测试全流程
3. 自动推广 Agent
- 自动生成小红书种草文案（标题 + 正文 + 标签）
- 批量生成，人工审核后发布
- 验证：文案质量和发布效率
4. 数据监控 Agent
- 统一拉取所有小程序/产品数据
- 异常告警（DAU 暴跌、错误率飙升）
- 定期生成数据报告
- 验证：异常发现及时性
5. 量化交易 Agent
- 实时监控行情，触发信号推送（已有监控逻辑，Agent 化管理）
- 策略自动回测
- 验证：信号准确率
工程化要求（综合项目核心）：
- 全链路日志追踪
- 成本监控（所有 AI 调用的 token 消耗）
- 降级策略（Agent 失败时人工接管）
- 评估体系（每个 Agent 模块的输出质量度量）
- 配置管理（数据库/配置文件，不用环境变量）
验证指标：
- 每周节省的时间（估算）
- 各 Agent 模块的成功率
- 系统稳定性
贯穿全程的原则
1. 每个阶段都有真实用户
不是练习项目，是真实产品功能。学完就能看到用户反馈。
2. 工程化贯穿全程
成本控制、可靠性、可观测性、数据管理、部署运维——每个阶段都有工程化要求清单。
3. 评估驱动
学 RAG 要建评估体系，学 Agent 要量成功率，学 Fine-tuning 要 A/B 测试。不度量就不优化。
4. 深度利用已有项目
- Humanizer → Agent 升级 + Fine-tuning
- SBTI 小程序 → RAG 深度分析
- OpenClaw → MCP Skill
- MemMachine → RAG 实验场
- 选题调研 SOP → 自动选品 Agent
- 心跳监控 → 量化交易 Agent
5. 不学什么
- 数学推导
- GPU 分布式训练
- LangChain 全套抽象层
- Transformer 从零实现
- 纯学术研究
完成标志
- Humanizer 从单次工具升级为对话式 Agent 产品了吗？
- SBTI 有付费深度分析功能了吗？有真实收入吗？
- ClawHub 上有你的 Skill 了吗？
- Humanizer API 成本降了吗？降了多少？
- 副业 AI 中台跑起来了吗？每周能自动产出什么？
五个都肯定 → 学习闭环完成，副业效率系统化。
与 v1 的对比
| 维度 | v1 | v2 | |------|-----|-----| | 阶段数 | 5 个独立阶段 | 4 个技能阶段 + 1 个综合项目 | | Agent 位置 | 第 3 阶段 | 第 1 阶段（前置） | | 评估体系 | 独立阶段 | 合并进 RAG 阶段 | | 实操项目 | 练习型（升级内部系统） | 产品型（面向外部用户） | | 工程化 | 无 | 贯穿全程 | | 综合项目 | 无 | 副业 AI 中台 | | 副业结合 | 无 | 每个阶段都有 | | 用户验证 | 无 | 每个阶段都有 | | 时间 | 6 周 / 90-100h | 10 周 / 120-130h |