路线原则：不要等学完再投，要边做边验证
很多新手会想：等我 Python 学完、框架学完、RAG 学完、Agent 学完，再开始做项目。 这个想法听起来稳，其实很危险。因为你很可能一直在准备，从来没有真正上桌。
AI 应用方向变化太快，最好的学习方式不是把课程排满，而是用项目反向倒逼知识。 你今天遇到接口报错，就去补 HTTP；明天要部署上线，就去补 Nginx；后天面试被问 RAG，就回去补检索和评测。
路线不是为了让你“学完 AI”，而是让你尽快拥有能被别人看见的 AI 应用能力。
8 周公开版路线
下面是公开版框架。它会告诉你每周大方向，但不会展开到每天任务、安装链接、验收表和模板。 这些细节我留在完整版里，避免免费页变成一本又长又散的说明书。
把 VS Code、Python、Git、Node、命令行和 AI 编程工具跑起来。
理解前端请求、后端接口、模型 API、JSON 和状态码。
让模型不只是聊天，而是稳定输出可被程序消费的结果。
完成文档切分、向量检索、来源展示和基础问答。
让系统能调用工具、查数据、处理失败，而不是只生成文本。
加日志、健康检查、README、Docker 或服务器部署。
把项目翻译成面试官能听懂的业务价值和技术取舍。
开始投递，用反馈修正项目、简历和面试话术。
项目组合：不要多，要能讲透
我更建议你准备“2 个主项目 + 1 个辅助项目”。主项目用来证明你真的理解 AI 应用链路， 辅助项目用来展示你的个人特点和真实需求。
证明你会把资料检索、来源引用和模型回答串起来。
证明你理解工具调用、安全边界和业务数据查询。
比如简历匹配、自媒体助手、面试 Agent，讲出你的真实痛点。
这些项目的目标不是“看起来很高级”，而是让你能回答四个问题： 解决了什么问题？技术链路是什么？遇到什么坑？下一步怎么优化？
下一步：先做一个最小闭环
如果你现在就想开始，不要再开 20 个收藏夹。今天只做一件事： 选一个真实问题，写下来，然后问自己“这个问题能不能用 AI 辅助解决 30%？”
- 写清楚用户是谁。
- 写清楚他的问题是什么。
- 写清楚为什么普通搜索或人工处理效率低。
- 写清楚 AI 在其中负责哪一步。
- 做出第一个能跑的版本，而不是完美版本。
真正的路线图不是挂在墙上的计划，而是每天都能推动你留下证据的系统。 免费版讲框架，完整版会把这个系统拆成可以执行的任务。