AI 系列
這個系列涵蓋 AI 的完整知識體系——從完全不懂到能落地應用。不管你是第一次聽到 ChatGPT 的新手，還是想建 AI 服務 / 擴展 Claude 工具的工程師，都能找到適合的起點。
三層視角
concept（概念 / 選型 / 原理） ← AI01–AI06
↓
methodology（思維 / 決策 / 流程） ← AI07
↓
build（動手實作） ← AI08 + AI09
↓
adopt（組織 / 產業） ← AI10–AI11
AI08 vs AI09 的關鍵分工（方向完全相反）：
- AI08 Build Applications：「你是 AI 服務，user 呼叫你」
- AI09 Build Extensions：「你擴展別人的 AI」（Claude / Cursor 呼叫你的 plugin）
章節導覽（11 章）
🌱 概念入口
- AI01 · 認知基礎 — 零技術門檻：AI 是什麼、能做什麼、第一次對話、安全常識（已完成 11 篇 🌿）
- AI02 · Prompt 與使用技巧 — 從問問題到工程化 prompt 設計
- AI03 · AI 核心技術概念 — Token / Embedding / 模型參數 / Fine-tuning / 多模態
🛠️ 工程概念
- AI04 · AI 工程概念 — AI Gateway / Obs / Eval / Security 架構與選型
- AI05 · AI Agent（概念）— Agent patterns / Memory / Tool use / Multi-Agent / MCP 概念
- AI06 · AI Coding Assistants（使用）— Claude Code / Cursor / Aider 實戰
🧠 方法論與建造
- AI07 · AI 方法論 — AI Problem Framing / Eval-driven Dev / Human-AI Collaboration
- AI08 · Build AI Applications — 從零建 RAG / API / Agent 服務（你是 AI）
- AI09 · Build AI Extensions — 寫 Claude Skill / MCP server / 自訂 tool
🌍 落地與衝擊
學習路線
路線 1：AI 使用者（不寫 code）
AI01 全部 → AI02 前三篇 → AI11 挑自己的職業
路線 2：AI 應用工程師（建 AI 服務）
AI01 速讀 → AI02 全部 → AI03 全部 → AI04 → AI07 → AI08
路線 3：AI Extension 開發者（寫 Skill / MCP）
AI03 速讀 → AI05 → AI06 → AI07 → AI09
路線 4：AI 導入決策者
AI01 全部 → AI03 速讀 → AI07 → AI10 → AI11
路線 5：想讓自己寫 code 更快
AI01 速讀 → AI06（Claude Code / Cursor / Aider 實戰）→ AI09（寫 Skill / Slash extension 給自己用）
已發布文章（依新結構分類）
AI01 認知基礎（11 篇 🌿）
- AI 到底是什麼？你每天都在用，只是不知道
- AI 能幫你做什麼？我自己這幾個月真的用 AI 做完的事
- AI 不能做什麼？比起「會幻覺」更現實的限制
- AI 工具怎麼選？我用過的、棄掉的、推薦的
- 第一次跟 AI 對話就上手：怎麼問才問得好
- 用 AI 處理日常工作：我每週省下的那 1-2 小時
- AI 安全常識：當你的助理開始自己亂跑
- AI 會取代我的工作嗎？比取代更可怕的是被亂用
- 什麼是 AI Agent？從「會聊天」到「會做事」
- 什麼是 Skill？給 AI 一本「你的 SOP」
- MCP 是什麼？為什麼沒紅起來
AI02 Prompt 與使用技巧（1 篇 🌿）
AI03 AI 核心技術概念（6 篇 🌿）
- LLM 的關係
- Temperature：LLM 最常遇到的術語
- Fine-tuning vs RAG vs Prompt：三條路怎麼選
- AI 部署與成本：API 還是自己架
- AI 的風險清單：上線前你必須知道
- AI 工具怎麼選？工程師的實用選型指南
AI04 AI 工程概念（1 篇 🌿）
AI05 AI Agent（5 篇 🌿）
- AI 工具生態：Skills 和 MCP 到底在幹嘛
- AI 工具最佳配置：從 Claude Code 到多 Agent 工作流
- MCP 整合與多 Agent 工作流
- AI Agent 設計模式：從 ReAct 到 Multi-Agent
- Agent 記憶管理與錯誤處理
AI06 AI Coding Assistants（11 篇 🌿）
- AI 寫程式工具演進：從補完到 Agent
- 用 Claude Code 做 PR Review
- 從 Claude Code 學 AI Agent 架構設計哲學
- Claude Code 架構技術參考手冊
- 用 Sonnet 4.6 做可落地的任務型 Agent
- 用 Claude Code 做可追蹤的 PR Review
- 1M Context 怎麼用？百萬字 Log 摘要
- Haiku 各司其職
- Hermes Agent vs OpenClaw 比較
- 你到底需不需要一個 AI 數位助理？（Voice Anchor）
- 把 Claude Code Code Review 變成 Git Hook
AI08 Build AI Applications（7 篇 🌿）
- RAG 是什麼？為什麼 90% 的 AI 應用都該用它
- RAG 實作：從切文件到存進 Vector DB
- RAG 搜尋策略與品質調校
- AI 工作流自動化：n8n、LangChain、Agent
- n8n + LangChain 實作指南
- 用 Flowise 自架 Agentflow + RAG
- Flowise 做一條最小可用的 RAG 流程
AI09 Build AI Extensions（1 篇 🌿）
AI10 AI 落地 — 工具選型方法論（5 篇 🌿）
- 方法論 1：AI 不是魔法——力量放大器的真相
- 方法論 2：Code Agent 和工作流自動化——風險與回報
- 方法論 3：AI Sandwich——工作流整合的正確姿勢
- 方法論 4：Prompt 設計與 Instructions
- 方法論 5：領域知識、團隊策略與風險管理
進階路線
從入門到進階的實作路徑。每一級做一個專案，做完才升級。
Level 1: LLM 基礎 — Token、Embedding、Temperature
用 OpenAI/Anthropic API 做一個簡單的聊天機器人，理解 Token 計費、Temperature 調整。 相關文章：AI 全景、LLM 術語
Level 2: Prompt Engineering — 系統提示、few-shot、chain-of-thought
為特定任務設計一套 Prompt 模板，練系統提示、few-shot 範例、chain-of-thought。 相關文章：Prompt Engineering
Level 3: RAG — Chunking、向量 DB、檢索評估
建立一個知識庫問答系統（RAG），練文件切割、向量 DB 選型、檢索品質評估。 相關文章：RAG 架構、Chunking 與 Vector DB、Retrieval 調校
Level 4: Agent 開發 — Tool Use、Memory、Multi-Agent
建一個可以多步自主行動的 agent，練 Tool Use、Memory 設計、Multi-Agent 協作。 相關文章：Agent 設計模式、Agent 記憶與錯誤處理
Level 5: 建造 AI Extensions — Skill / MCP / Subagent
寫一個 Claude Skill 或 MCP server，擴展現有 AI 工具給自己 / 團隊用。 對應章節：AI09 Build Extensions
延伸閱讀
跟 backend/infra 的連結
策展地圖
- AI 學習地圖 — 從「它在幹嘛」到「我來用它工作」的完整路徑
系列規劃
完整規劃、每章詳細 topics、跨系列對照見 ROADMAP.md（計畫文件，不會被 Quartz 渲染）。