最近更新:
分类: AI教程
AI 教程列表
大模型、Agent、本地部署、机器学习、深度学习、视觉、语音和生成式应用文章目录。
主题
AI 编程
集中整理 Cursor、Claude Code、Codex、Harness、OpenClaw、Hermes、代码 Agent 和真实仓库协作教程。
Agent
汇总通用 Agent、Harness、办公自动化、MCP、Dify、Coze、n8n 和多步骤任务执行经验。
RAG
围绕 RAG chunk、Embedding、召回、知识库问答、客服资料库和技术文档搜索做专题归档。
本地大模型
集中整理 Ollama、LM Studio、GPU 显存估算、开源模型选择、本地知识库和私有化部署。
工具替代品
把 Cursor、Manus、Notion AI、Perplexity、AI PPT、AI 图片工具等替代品和选型逻辑放在一起。
模型榜单
汇总大模型测评来源、中文场景选型、API 成本、本地部署和不同任务下的模型推荐。
DeepSeek 本地部署
DeepSeek、LM Studio、GGUF、Ollama、本地知识库和显存配置。
Dify 案例
Dify 应用、工作流、知识库、Agent 和生成式 AI 场景。
AI PPT
AI 做 PPT、设计稿、脚本、配图和内容结构。
数字人
口播数字人、文生视频、声音、脚本和短视频工作流。
本地知识库
本地文件、PDF、RAG、MinerU、DeepSeek 和私有文档问答。
编程 Agent
Codex、Claude Code、OpenClaw、仓库级任务、测试和代码审查。
跨领域
跨领域章节
大数据、爬虫、量子计算、Spark。
系列
图文教程
文章目录
10 篇 · 60 张图 · 更新 2026-06-04
这套教程从零开始讲 Codex。先把一句话说清楚：Codex 不是简单的代码补全，也不是只会回答问题的聊天窗口。官方 manual 里把它定义为 OpenAI 的 coding agent，可以写代码、理解陌生代码库、审查代码、调试问题，也可以自动化重复的开发任务。
5 篇 · 30 张图 · 更新 2026-06-08
这套新系列讲 Harness Engineering。这里说的 Harness，不是某个 CI/CD 品牌，而是 Agent Harness Engineering：把大模型放进一个外部编排系统里，让系统负责目标、状态、计划、工具、检查点和记忆，模型每次只专注当前一步推理。
10 篇 · 60 张图 · 更新 2026-06-04
这套教程从零开始讲 Claude Code。不是“把一句需求丢给 AI，然后等它变魔术”的那种讲法，而是按真实工程工作来：先让它读仓库，再让它解释结构，然后改一个小点，跑测试，看 diff，最后再决定要不要提交。
7 篇 · 60 张图 · 更新 2026-06-12
如果你已经会用 ChatGPT、Claude 或 Gemini，第一眼看到 OpenClaw 可能会想：这不还是一个 AI 聊天工具吗？
6 篇 · 36 张图 · 更新 2026-06-04
如果你已经用过 ChatGPT、Cursor、Claude Code 或 Codex，那么学习 Hermes Agent 最好的方式，不是把它当成一个新的聊天机器人，而是把它理解成一个可以长期运行、会使用工具、会保存记忆、会沉淀技能的个人 AI 智能体。
34 篇 · 429 张图 · 更新 2026-06-04
我重新看这篇路线图时，最想补的一点是学习顺序。很多人一上来就追参数、榜单和各种模型名，结果本地环境还没跑通，就已经被新名词绕晕了。我的做法是先把电脑能运行的小模型跑起来，再回头补 Transformer、RAG、微调这些概念，这样每个概念都有能落地的画面。
18 篇 · 108 张图 · 更新 2026-06-04
嵌入式系统学习要把硬件限制、软件任务、外设接口和运行稳定性一起看。阅读时可以按「嵌入式系统的基本组成 -> 嵌入式系统的功能 -> 简单代码示例 -> 嵌入式系统的应用」建立结构，再回到正文里的代码、案例或指标做验证。
7 篇 · 93 张图 · 更新 2026-06-04
我会把 AI 智能体先讲成一个闭环，而不是讲成一个很玄的概念：它接收环境信息，记住关键上下文，推理下一步怎么做，再通过工具或接口执行。只要这四步没有连起来，就还只是普通问答，不算真正能干活的智能体。
23 篇 · 138 张图 · 更新 2026-06-04
我会把 LangChain 入门看成一条应用链路：输入从哪里来，提示词怎样组织，模型如何调用，结果如何被检查和交付。先把这条线画清楚，后面的组件才不会变成零散名词。
21 篇 · 126 张图 · 更新 2026-06-04
我更愿意把 Dify 看成一张应用工作台，而不是一个单纯的聊天框。真正有价值的部分，是把用户输入、模型、知识库、工具调用和发布入口放到同一条线上，让一个想法能被做成可试用的产品原型。
1 篇 · 6 张图 · 更新 2026-06-04
如果你想要构建一个类似的 AI 应用，你需要一个清晰的提示词（Prompt）来指导 AI 按照预期的方式生成内容。以下是一个示例提示词，可以用于 ChatGPT 来执行类似的任务。
17 篇 · 102 张图 · 更新 2026-06-04
在使用ChatGPT等大型语言模型时，适当的提示词（Prompts）可以极大提升模型生成内容的质量和准确性。提示词是用户输入给模型的一段文本，它不仅可以引导模型的响应方向，还可以确定输出内容的风格、格式和主题。理解提示词的结构及其应用，对于获取更好的结果至关重要。
18 篇 · 108 张图 · 更新 2026-06-04
我更建议先把 ChatGPT 理解成“会根据上下文续写和改写的语言模型”，再去讨论它能不能做客服、写代码或当学习助手。这样学后面的预训练、微调、Transformer 时，不会把产品体验和底层原理混在一起。
23 篇 · 138 张图 · 更新 2026-06-04
生成式 AI 的核心是根据训练到的模式生成新内容。阅读时，先把“识别”和“生成”的差别讲清楚。
28 篇 · 168 张图 · 更新 2026-06-04
Llama3 开发要从模型理解走到数据、训练、评估和部署，形成可复现流程。阅读时可以按「背景 -> 目的 -> 模型结构 -> 数据准备」建立结构，再回到正文里的代码、案例或指标做验证。
24 篇 · 144 张图 · 更新 2026-06-04
Llama Factory 微调要把环境、数据、训练和评估串成闭环，不能只看启动命令。阅读时可以按「教程目的 -> 环境准备 -> 数据格式 -> 训练参数」建立结构，再回到正文里的代码、案例或指标做验证。
24 篇 · 144 张图 · 更新 2026-06-04
我会把微调拆成一条完整流水线：先确认到底要改善什么，再准备可追溯数据，接着选择基座和训练方式，最后用固定评估集决定能不能上线。
20 篇 · 120 张图 · 更新 2026-06-04
这组教程适合先建立一张工作地图：产品经理不需要变成算法工程师，但要能把用户问题、数据条件、模型能力和商业目标放到同一张桌面上讨论。
21 篇 · 126 张图 · 更新 2026-06-04
我讲 AI 安全隐私时，会先把模型放回系统里看。风险不只在算法，也在输入表单、知识库、日志、权限、接口和最后拿结果做决策的人。
21 篇 · 126 张图 · 更新 2026-06-04
我会把机器学习理解成一条从样本到判断的工作链：人先定义问题，数据提供例子，算法寻找规律，最后用新样本检验是否真的有用。
24 篇 · 144 张图 · 更新 2026-06-04
理解深度学习时，先不要急着记模型名。它的核心是让多层网络逐步把原始数据变成更有用的表示，再用这些表示完成分类、生成、预测等任务。
62 篇 · 372 张图 · 更新 2026-06-04
这里可以当作一个小模型拆解来看：先确认它解决什么问题，再看数据如何进入网络，最后检查输出和评估方式。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
20 篇 · 120 张图 · 更新 2026-06-04
我会把 PyTorch 入门看成一条训练闭环：数据变成张量，模型做前向计算，loss 衡量错误，反向传播更新参数，最后用验证集检查效果。
25 篇 · 150 张图 · 更新 2026-06-04
TensorFlow 学习要把张量、模型、训练和部署放在一条线上，而不是只看单段代码。阅读时可以按「什么是TensorFlow -> 张量 -> 数据流图 -> 灵活性与扩展性」建立结构，再回到正文里的代码、案例或指标做验证。
28 篇 · 168 张图 · 更新 2026-06-04
Keras 的价值在于降低深度学习实验门槛，让模型结构、训练和评估能用更少样板代码跑起来。
24 篇 · 144 张图 · 更新 2026-06-04
我会把 Scikit-Learn 看成一套稳定的机器学习工具箱：它把常见模型、数据处理、评估和调参封装成一致接口，让学习者能把精力放回问题本身。
29 篇 · 174 张图 · 更新 2026-06-04
AutoML 的价值不是替代判断，而是把重复的建模步骤自动化，让人把时间放在数据、目标和上线风险上。
28 篇 · 168 张图 · 更新 2026-06-04
强化学习的核心是智能体在环境中试错，学习时要同时看状态、动作、奖励和策略更新。阅读时可以按「一、什么是强化学习？ -> 二、强化学习的目标 -> 三、核心方法分类 -> 值函数方法」建立结构，再回到正文里的代码、案例或指标做验证。
24 篇 · 144 张图 · 更新 2026-06-04
贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「课程目标 -> 课程内容 -> 先验 -> 似然」建立结构，再回到正文里的代码、案例或指标做验证。
24 篇 · 144 张图 · 更新 2026-06-04
统计学的价值在于用有限样本做有边界的判断，学习时要同时看数据、假设和结论。阅读时可以按「统计学的核心概念 -> 数据 -> 描述统计与推断统计 -> 统计学的重要性」建立结构，再回到正文里的代码、案例或指标做验证。
26 篇 · 156 张图 · 更新 2026-06-04
线性代数先不要急着背公式。把向量看成数据，把矩阵看成变换，把方程组看成约束，后面的机器学习会更容易接上。
21 篇 · 126 张图 · 更新 2026-06-04
微积分的核心不是复杂符号，而是描述连续变化。导数看瞬时变化，积分看累计效果，这两条线贯穿后面的模型训练和优化。
21 篇 · 126 张图 · 更新 2026-06-04
概率先解决一个问题：在所有可能结果里，某件事发生的可能性有多大。先把样本空间和事件画清楚，公式才有落点。
30 篇 · 180 张图 · 更新 2026-06-04
面向“自然语言处理”的入门页，解释 NLP 的核心概念、文本分类、情感分析、分词、信息抽取、机器翻译和大模型之间的关系。
27 篇 · 162 张图 · 更新 2026-06-04
NLP 进阶学习要把模型结构、任务形式、评估指标和真实样本放在同一条线上。阅读时可以按「什么是深度学习？ -> 激活函数 -> 损失函数 -> 优化算法」建立结构，再回到正文里的代码、案例或指标做验证。
21 篇 · 126 张图 · 更新 2026-06-04
话题模型不是只跑出关键词，还要看语料质量、主题解释性和结果稳定性。阅读时可以按「话题模型的基本概念 -> 话题的稳定性 -> 评估话题稳定性的方法 -> 语料准备」建立结构，再回到正文里的代码、案例或指标做验证。
31 篇 · 186 张图 · 更新 2026-06-04
计算机视觉不是简单处理图片，而是让机器从图像和视频里抽取可用信息。阅读时，可以先把任务分成“看见什么、在哪里、属于哪一类、下一步做什么”。
24 篇 · 144 张图 · 更新 2026-06-04
OpenCV 学习要把图像输入、处理步骤、检测结果和工程性能放在一起验证。阅读时可以按「OpenCV的历史 -> 发展历程 -> OpenCV的主要功能 -> 如何安装OpenCV」建立结构，再回到正文里的代码、案例或指标做验证。
17 篇 · 102 张图 · 更新 2026-06-04
目标检测的关键是同时完成识别和定位，评估时要看类别、位置和真实场景错例。阅读时可以按「目标检测的定义 -> 应用场景 -> 图像输入 -> 候选区域」建立结构，再回到正文里的代码、案例或指标做验证。
21 篇 · 126 张图 · 更新 2026-06-04
GAN 的关键是生成器和判别器互相推动，学习时要同时看结构、训练和样本质量。阅读时可以按「GAN的基本构成 -> GAN的工作原理 -> 案例：MNIST数字生成 -> 生成器」建立结构，再回到正文里的代码、案例或指标做验证。
21 篇 · 126 张图 · 更新 2026-06-04
GAN 进阶内容要围绕稳定性、条件控制、架构变化和评估方法建立判断框架。阅读时可以按「什么是生成对抗网络？ -> 生成网络 -> 判别网络 -> GAN的训练过程」建立结构，再回到正文里的代码、案例或指标做验证。
18 篇 · 108 张图 · 更新 2026-06-04
文生图学习要同时看输入描述、生成流程、参数影响和最终用途。阅读时可以按「文生图的基本原理 -> 文本描述 -> 扩散过程 -> 参数控制」建立结构，再回到正文里的代码、案例或指标做验证。
22 篇 · 132 张图 · 更新 2026-06-04
文生语音要把文字、发音、语气和听感连起来看，不能只关心能不能发声。阅读时可以按「什么是TTS？ -> TTS的工作原理 -> TTS的应用场景 -> 文本处理」建立结构，再回到正文里的代码、案例或指标做验证。
16 篇 · 96 张图 · 更新 2026-06-04
文生视频不只是把文字变成画面，还要控制镜头、时间、动作和前后连贯性。阅读时可以按「教程的目的 -> 文本脚本 -> 镜头结构 -> 视频合成」建立结构，再回到正文里的代码、案例或指标做验证。
18 篇 · 108 张图 · 更新 2026-06-04
数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「数据挖掘的定义 -> 关键特性 -> 相关技术 -> 案例」建立结构，再回到正文里的代码、案例或指标做验证。
18 篇 · 108 张图 · 更新 2026-06-04
计算几何适合用图来理解，关键是把几何对象、关系判断和算法边界放在一起看。阅读时可以按「几何对象 -> 几何关系 -> 算法与复杂度 -> 应用实例」建立结构，再回到正文里的代码、案例或指标做验证。
21 篇 · 126 张图 · 更新 2026-06-04
神经网络后门内容应从风险识别和防御验证角度理解，重点是知道问题如何被发现和控制。阅读时可以按「后门攻击的基本概念 -> 概念解释 -> 威胁模型 -> 触发条件」建立结构，再回到正文里的代码、案例或指标做验证。
21 篇 · 126 张图 · 更新 2026-06-04
后门防御要先明确威胁假设，再组合检测、清洗、重训和复测流程。阅读时可以按「引言 -> 攻击机制 -> 异常检测 -> 数据清洗」建立结构，再回到正文里的代码、案例或指标做验证。
1 篇 · 6 张图 · 更新 2026-06-04
在现代信息时代，大数据这个词汇已经深入人心，但究竟什么才是“大数据”？根据不同的视角和应用场景，大数据的定义有所不同。在此，我们将从多个方面来探讨大数据的本质及其定义。
3 篇 · 18 张图 · 更新 2026-06-04
先把爬虫链路和模型链路分开，再看二者在哪里连接。先抓住主线，再回到正文里的案例、代码和指标做验证。
1 篇 · 6 张图 · 更新 2026-06-04
量子计算是一种利用量子力学原理进行信息处理的计算方式，旨在解决传统计算机难以高效完成的问题。与经典计算机使用比特（bit）作为基本单位不同，量子计算机使用量子比特（qubit），这使得它们在某些任务上具有巨大优势。
3 篇 · 18 张图 · 更新 2026-06-04
在大数据时代的今天，数据的生成速度和规模都在快速增长，企业和机构面临着前所未有的数据处理挑战。为了充分利用大数据的潜力，企业需要高效、灵活的工具来处理和分析这些数据。在这样的背景下，Apache Spark应运而生。
1 篇 · 6 张图 · 更新 2026-06-04
Apache Spark是一个强大的开源分布式计算框架，它旨在处理大规模数据集。与传统的批处理系统相比，Spark 提供了高效的内存计算能力，能够在多种计算模型下执行任务，包括批处理、流处理和交互式查询。