大模型应用开发：学习 Dashboard
为 xdx 定制 · 2026-05-13 · v5 · 12 周计划 48h 学习法驱动：每个阶段先建知识地图 → 动手实践 → 关 AI 自测 → 费曼输出 核心理念：每个阶段都有真实用户、可交付产品、工程化要求 v5 变更：阶段一扩至 3 周 + Prompt 独立练习、GraphRAG 移至综合项目、总时长 12 周、Fine-tuning 加云 GPU 方案
前置诊断：你的起点
你已经在大模型应用开发这件事上了：
- MemMachine → 完整语义记忆系统（Embedding + 向量检索 + Neo4j 知识图谱）
- OpenClaw → 多 Agent 平台（心跳、记忆、子代理、多通道）
- Humanizer → Cloudflare 上的 LLM SaaS 产品
- mcporter → MCP 工具桥接
- SBTI 小程序 → 已有基础人格测试功能
- 选题调研 SOP → 已有选品方法论
知识缺口：Agent 编排模式（用过但没看过理论）、Prompt Engineering（缺系统化方法）、RAG 高级技术（做过但不系统，GraphRAG 没深入）、评估体系（大概率没建过）、MCP 协议完整规范、Fine-tuning（还没碰）、Multi-Modal（未接触）、LLM 可观测性（生产运维盲区）。
v5 核心变化（相比 v4）：
- 阶段一扩至 3 周 — 任务量最大的阶段，给足时间；前 3 天加独立 Prompt Engineering 练习
- 研发助手移至综合项目 — 阶段一专注 Humanizer Agent + ClawHub Skill
- GraphRAG 移至综合项目 — 阶段二专注纯向量 RAG + Hybrid Search + Reranker，跑通基线后再上 GraphRAG
- 总时长 10 → 12 周 — 每阶段加 buffer，避免赶工
- Fine-tuning 加云 GPU 方案 — MacBook 训练太慢，用 AutoDL 等云 GPU 训练
v4 继承：MCP 并入 Agent、Fine-tuning 前移、可观测性前移、Multi-Modal 选做
阶段总览
| 阶段 | 主题 | 时间 | 状态 | 核心交付物 | 用户 | |------|------|------|------|-----------|------| | 01 | Agent 编排 + Prompt 工程 + MCP | 第 1-3 周 | ⬜ 未开始 | Humanizer 对话式改写 Agent + ClawHub Skill | Humanizer 用户 | | 02 | RAG + 评估体系 | 第 4-5 周 | ⬜ 未开始 | SBTI 人格深度分析（RAG + 付费功能） | SBTI 小程序用户 | | 03 | Fine-tuning 实战 | 第 6-7 周 | ⬜ 未开始 | Humanizer 专属改写模型 | Humanizer 用户（降成本） | | 04 | LLM 可观测性与生产运维 | 第 8 周 | ⬜ 未开始 | Humanizer 监控大盘上线 | 自己（运维效率） | | 05 | 综合项目：副业 AI 中台（Multi-Agent + GraphRAG + Multi-Modal 选做） | 第 9-12 周 | ⬜ 未开始 | 全链路自动化系统 | 自己（效率翻倍） |
技能依赖图
Agent + Prompt + MCP（阶段一，3 周）
↓
RAG + 评估体系（阶段二，纯向量 + Hybrid + Reranker，2 周）
↓
Fine-tuning（阶段三，云 GPU 训练，2 周）
↓
LLM 可观测性（阶段四，1 周）
↓
综合项目（阶段五，3-4 周）— Multi-Agent + GraphRAG + Multi-Modal 选做
关键依赖关系：
- Agent 是 RAG 的前提（Agentic RAG 需要先理解 Agent 编排）
- 评估体系是 Fine-tuning 的前提（微调前后需要 A/B 对比）
- 可观测性应该从阶段一就开始埋点（Langfuse trace 从第一行代码就接上）
时间规划
| 周次 | 主题 | 每日投入 | 关键产出 | |------|------|----------|----------| | 1-3 | Agent 编排 + Prompt + MCP | 2-3h | Humanizer Agent 原型上线 + ClawHub Skill | | 4-5 | RAG + 评估体系 | 2-3h | SBTI 深度分析功能上线 | | 6-7 | Fine-tuning | 2-3h | 微调模型替换 API（云 GPU 训练） | | 8 | LLM 可观测性 | 2-3h | 监控大盘 + 告警上线 | | 9-12 | 综合项目 | 3-4h | 副业 AI 中台上线（含 GraphRAG 升级） |
总投入：约 160-180 小时（12 周 × 12-15h/周，综合项目投入更多）
v4 模块说明
Agent + Prompt + MCP（阶段一，3 周）
Agent 编排和工具调用是一个整体——Agent 天然需要调用工具，MCP 是工具调用的标准。Prompt Engineering 是 Agent 质量的根基。三者合并学习，逻辑自然。
第 1-3 天：Prompt Engineering 独立练习
- Prompt 四层体系实战：指令/上下文/推理/约束，每种策略在 Humanizer 上做 A/B 对比
- Few-shot、CoT、Structured Output 的实际差异实验
- 建立个人 Prompt 模板库（Obsidian 笔记）
第 4-14 天：Agent 编排 + MCP + 项目
- 重点：ReAct/Plan-Execute 模式、LangGraph 状态机、MCP 三原语（Tools/Resources/Prompts）
- 项目：Humanizer Agent 化 + ClawHub Skill 发布
RAG + 评估体系（阶段二，2 周）
专注纯向量 RAG + Hybrid Search + Reranker，跑通基线。评估体系（RAGAS 四指标）是后续 Fine-tuning 的前提。GraphRAG 移至综合项目阶段（先有基线才能量化升级效果）。
Fine-tuning（阶段三，2 周）
第 6-7 周。学完 Agent/RAG 后已有"改写质量"的判断力，此时做训练数据筛选最精准。云 GPU 训练（AutoDL / Google Colab），MacBook 训练 7B 模型太慢。微调完成后用 Ollama（本地推理）部署。
LLM 可观测性（阶段四，1 周）
第 8 周。但从阶段一就应该开始埋点——每写一行 LLM 调用代码就接上 Langfuse trace。到第 8 周时已有大量调用数据，可以做有意义的成本分析和质量回归检测。
综合项目 + Multi-Agent + GraphRAG + Multi-Modal（阶段五，4 周）
把全部技能串联。Multi-Agent 是核心（至少 2 个 Agent 协作）。GraphRAG 在纯向量 RAG 基线上升级（复用阶段二的评估体系量化对比）。Multi-Modal 作为选做子模块（SBTI 报告配图）。
⚠️ LangGraph 使用原则
- 以 Agent 开发为目标：LangGraph 要学透，能从零搭生产级 Agent workflow（checkpoint、human-in-the-loop、子图、错误恢复）
- 自建项目灵活选择：Humanizer/OpenClaw 等自己的项目不强制绑定 langchain-core，按需选用
- LangChain-core 适度了解：不主动依赖，但别人代码里出现要能看懂
- LlamaIndex RAG 管道：阶段二至少跑通一次，知道它封装了什么，面试用得上
贯穿全程的实践原则
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 + 监控大盘
- SBTI 小程序 → RAG 深度分析 + Multi-Modal 可视化
- OpenClaw → MCP Skill + Multi-Agent 实战
- MemMachine → RAG 实验场（GraphRAG 选做升级）
- 选题调研 SOP → 自动选品 Agent
- 心跳监控 → 量化交易 Agent
5. 不学什么（自学阶段）
- 数学推导
- GPU 分布式训练
- Transformer 从零实现
- 纯学术研究
6. 适度了解（不深入，但要能看懂）
- LangChain-core 抽象层 — 自建项目不依赖，但行业代码大量使用
- LlamaIndex 全套 — 至少跑通一次 RAG pipeline，知道它封装了什么
7. 阶段一项目矩阵
| 项目 | 定位 | 核心能力展示 | 数据 | |------|------|-------------|------| | Humanizer Agent | ⭐ 核心项目：对话式改写 Agent | Agent 编排 + Prompt 工程 + LangGraph | 真实数据 | | ClawHub Skill | MCP 协议实践 | Tools/Resources/Prompts 三原语 + 发布流程 | 真实场景 |
8. 副业 Agent 提效全景
阶段一的项目不是孤立的学习项目，直接服务于你的三条副业线。 综合项目阶段会把以下所有环节串联为全链路自动化系统：
小程序矩阵
| 环节 | Agent 化方案 | 提效 | 阶段一项目复用 | |------|------------|------|----------------| | 选题调研 | Agent 自动跑 SOP（搜索热度+竞品分析+五问评分+命名生成） | 每选题省 1.5h | 找工作助手的 RAG + 结构化输出 | | PRD 生成 | Agent 基于调研报告自动生成 PRD 初稿 | 每产品省 1h | 内容生产 Agent 的 Reflexion | | 开发流水线 | 调研→PRD→技术方案→代码→UI→部署 全链路串联 | 首次串联省 1h | 阶段五综合项目 | | 数据监控 | 统一拉取 DAU/广告收入/留存，异常告警 | 每周省 2h | 阶段五综合项目 |
AI 个人 IP（码侠的AI开发笔记）
| 环节 | Agent 化方案 | 提效 | 阶段一项目复用 | |------|------------|------|----------------| | 对标账号监控 | Agent 定期扫描对标账号新爆款 + 评论变化 | 每周省 2h | 找工作助手的数据追踪 | | 选题挖掘 | Agent 提取评论区高频问题 → 自动生成选题库 | 每周省 1h | RAG + Structured Output | | 内容生产 | 选题→大纲→初稿→润色→多平台适配→发布 | 每篇省 40min | ⭐ 内容生产 Agent（主力项目） | | 多平台适配 | 一稿适配知乎/小红书/公众号（标题/开头/排版都不同） | 每篇省 15min | 内容生产 Agent | | 数据追踪 | 发布后自动追踪阅读/点赞/评论，周报汇总 | 每周省 1h | 综合项目数据监控 Agent | | 朋友圈素材 | 基于当天工作场景自动生成 2 条朋友圈 | 每天 5min | 内容生产 Agent | | 引流品维护 | 定期更新《AI后端提效工具包》 | 每月省 2h | RAG | | 私域答疑 | 基于你的知识库自动回答常见问题 | 每天省 30min | 综合项目研发助手（选做） |
投资监控
| 环节 | 现状 | |------|------| | 行情信号推送 | ✅ 已有心跳监控覆盖 |
写作学习 + 论文写作
知识库来源：20+ 本写作书笔记 + 论文写作相关笔记（科研写作完全指南/做研究是有趣的/拆论文/这就是工科写作/现代科研指北/Science Research Writing 等）
| 环节 | Agent 化方案 | 提效 | 阶段一项目复用 | |------|------------|------|----------------| | 选题建议 | 基于洞见写作/写作复利的选题方法论，输入方向 → 给出选题建议 | 每次省 20min | RAG 检索写作方法论 | | 结构推荐 | 输入内容类型 → 推荐九宫格/模板/超级结构中最合适的框架 | 每次省 15min | RAG + Structured Output | | 标题优化 | 输入标题 → 按学会写作2.0方法论打分 + 给 3 个优化版 | 每次 5min | RAG | | 文笔诊断 | 输入段落 → 按写作脑科学/修炼好文笔分析可读性问题 | 每次 10min | RAG | | 金句打磨 | 输入段落 → 按写作高手13个技巧提炼/优化金句 | 每次 5min | RAG | | 开头/结尾优化 | 对照多本书的套路总结给出改进建议 | 每次 10min | RAG | | 日常训练计划 | 根据弱项从高效写作6周训练计划生成每日练习任务 | 每周省 1h | 内容生产 Agent | | 论文选题 | 基于做研究是有趣的/现代科研指北方法论，给出选题建议 | 每次 30min | RAG | | 论文结构 | 基于科研写作完全指南/Science Research Writing/拆论文，推荐论文结构 | 每次 20min | RAG | | 论文语言优化 | 基于这就是工科写作/批判性思维与说服性写作，润色学术表达 | 每次 15min | RAG | | 文献综述辅助 | 输入研究方向 → 检索相关笔记中的方法论和案例 | 每次 30min | RAG |
核心思路：20+ 本写作书笔记 + 论文写作笔记作为 RAG 知识库，写作/论文时实时调用方法论反馈。作为内容生产 Agent 的子模块，既产出内容又提升能力。
核心思路：阶段一的项目就是你副业工具链的底层能力，学完直接用。
AI 加速策略
视频课程处理
YouTube/B站课程 → yt-dlp 下载字幕 → AI 总结。10 小时视频实际看 2-3 小时。
代码开发模式
AI 写代码，你来设计和决策。你负责理解原理、设计实验、分析结果、做架构决策。
学习节奏
AI 总结建框架 → 深入看原始资料 → 跑项目暴露问题 → 带着问题查资料。
完成标志
必做（全部肯定 = 学习闭环完成）
- Humanizer 从单次工具升级为对话式 Agent 产品了吗？Prompt 质量有系统评估吗？
- SBTI 有付费深度分析功能了吗？纯向量 RAG 基线效果如何？
- Humanizer API 成本降了吗？降了多少？微调模型效果和 API 差距多大？
- 有监控大盘吗？能实时看到每个 API 调用的延迟、成本、质量吗？
- 副业 AI 中台跑起来了吗？IP 内容生产 Agent 每周能自动产出什么？
- ClawHub 上有你的 Skill 了吗？
选做（加分项）
- GraphRAG 比纯向量 RAG 好多少？有量化对比报告吗？
- 研发助手跑通了吗？（技术支持 RAG + 线上故障 workflow）
- 小程序自动选品 Agent 能每周产出选题吗？
- 产品支持图片/文档输入了吗？