内容
# AI 工程路线图
> 我在人工智能、 大型语言模型（LLMs）、AI 代理、上下文工程和 AI 驱动开发方面的学习之旅。
## 📌 目标
本仓库记录了我使用人工智能构建现代应用的演进过程。
重点不仅在于使用 AI 生成代码，还要学习设计系统，使 AI 代理作为一个开发团队，按照规格、架构和上下文协同工作。
---
# 🗺️ 路線圖
## 第一阶段 — 基础
目标：了解模型的工作原理并学习提供高质量的上下文。
### 人工智能
* [ ] 人工智能历史
* [ ] 机器学习
* [ ] 深度学习
* [ ] 生成式人工智能
### 大型语言模型
* [ ] Token
* [ ] 嵌入
* [ ] Transformer
* [ ] 上下文窗口
* [ ] 温度
* [ ] Top-p
### 提示工程
* [ ] 零样本
* [ ] 一样本
* [ ] 少样本
* [ ] 思维链
* [ ] 角色提示
### 上下文工程
* [ ] 上下文构建
* [ ] 代理文档
* [ ] 记忆
* [ ] 项目规则
* [ ] 共享上下文
### 产品需求文档（PRD）
* [ ] 目标
* [ ] 用户
* [ ] 用例
* [ ] 业务规则
* [ ] 验收标准
### 系统设计
* [ ] 单体架构
* [ ] 微服务
* [ ] REST
* [ ] GraphQL
* [ ] 缓存
* [ ] 消息队列
---
## 第二阶段 — AI 驱动开发
目标：从思考代码转变为思考规格。
### 规格
* [ ] 产品规格
* [ ] 架构文档
* [ ] API 契约
* [ ] 编码标准
* [ ] 完成定义
### 开发
* [ ] AI 规划
* [ ] 自动任务生成
* [ ] 上下文引导实现
* [ ] AI 代码审查
### 测试
* [ ] 单元测试
* [ ] 集成测试
* [ ] 端到端测试
* [ ] 自动测试生成
---
## 第三阶段 — AI 代理
目标：创建专门的代理。
### 代理
* [ ] 计划代理
* [ ] 后端代理
* [ ] 前端代理
* [ ] QA 代理
* [ ] 文档代理
* [ ] DevOps 代理
### 多代理系统
* [ ] 协调
* [ ] 代理间通信
* [ ] 上下文共享
* [ ] 并行执行
---
## 第四阶段 — MCP 和工具调用
目标：将 AI 模型连接到现实世界。
### MCP
* [ ] 概念
* [ ] 服务器
* [ ] 客户端
* [ ] 资源
* [ ] 工具
### 工具调用
* [ ] Git
* [ ] 数据库
* [ ] 浏览器
* [ ] Docker
* [ ] API
* [ ] 文件系统
---
## 第五阶段 — AI 软件工厂
目标：构建基于 AI 的软件工厂。
### 流程
```text
产品规格
│
▼
计划代理
│
┌──────┼─────────┐
▼ ▼ ▼
后端 前端 QA
│
▼
文档
│
▼
代码审查
│
▼
拉取请求
```
### 最终项目
创建一个平台，输入以下命令：
```bash
/create-feature 用户认证
```
自动执行：
* 读取规格
* 规划实现
* 创建任务
* 实现后端
* 实现前端
* 生成测试
* 更新文档
* 执行验证
* 打开拉取请求
---
# 仓库结构
```text
.
├── docs/
│ ├── ai/
│ ├── llm/
│ ├── agents/
│ ├── context-engineering/
│ ├── mcp/
│ └── system-design/
│
├── projects/
│
├── prompts/
│
├── templates/
│
├── examples/
│
├── experiments/
│
└── README.md
```
---
# 🎯 最终目标
从开发者逐步进化为：
```text
开发者
│
▼
AI 用户
│
▼
AI 辅助开发者
│
▼
AI 工程师
│
▼
AI 软件架构师
│
▼
AI 软件工厂构建者
```
---
## 📖 哲学
> “软件开发的未来不是写更多的代码，而是构建更好的规格、更好的上下文和更好的系统，以便与 AI 代理协作。”
MCP 市场