AI 板块

AI（人工智能） 正在改变写代码的方式。本板块从机器学习的地基讲到当下最热的大模型、图像识别、文字识别、检索增强与智能体，每一章都配可直接复制粘贴运行的 Python 示例，零基础也能看懂、动手跑。

建议先修完 Python 基础 和 Pandas，再进入 AI 板块，能省掉一半的疑惑。

技术栈

学习路线

Python 基础 → 机器学习 → { LLM → { Transformer 原理（拆内部，可选） → RAG → Agent → { vLLM → 微调 丨 Hermes 丨 opencode 丨 OpenClaw 丨 skills 丨 harness }
            ↓                                          图像识别 → 文字识别
      监督学习 → 无监督学习 → 强化学习

建议顺序：机器学习（地基）→ LLM（上层应用）→ RAG（把 LLM 接到你的资料上）→ Agent（让 LLM 会用工具）→ vLLM / 微调 / Hermes / opencode / OpenClaw（具体工具）→ skills / harness（把它用好的两件事）。
想拆开大模型看内部原理，在 LLM 之后加修 Transformer 原理；只想快速上手大模型，也可以先跳到 LLM 板块，遇到看不懂的概念再回头补机器学习。

skills 管「教它怎么做」，harness 管「让它能做成」——两个栈都建立在 Agent 之上，一个沉淀知识，一个沉淀底座。

十四个板块能解决什么问题

本板块的学习约定

1. 代码优先：每一章都有可直接复制粘贴的 Python 代码，建议本地运行或用在线编译器跑一遍，再改一改参数观察结果变化。
2. 版本基线：Python 3.15，常用库按 2026-10 核对的稳定版本，文中会标注写作时的版本基线。
3. 渐进式：先跑通示例，再换自己的数据跑一遍，最后尝试做一个微型项目。
4. 报错不怕：每章都会列常见翻车现场和修复方法，对着改就能过。

快速入口

• 从 什么是机器学习 开始，搞懂"传统编程 vs 机器学习"的核心区别
• 或者从 大模型是什么 开始，亲手理解 LLM 的"文字接龙"本质
• 想拆开大模型看内部原理，去 Transformer 原理
• 想让程序把图片里的字读出来，去 文字识别 OCR
• 想让大模型基于你自己的资料回答，去 检索增强 RAG
• 想让 AI 会用工具、自己往下干活，去 智能体 Agent
• 想自己把大模型跑起来并提供 API，去 推理服务 vLLM
• 想训一个属于自己的模型，去 微调 LLaMA-Factory
• 想把团队的流程固化成技能，去 技能 Skills
• 想让 Agent 在你的项目里稳定干活，去 脚手架 Harness

下一站：机器学习入门 🐸