ToolBox一份面向「有传统开发经验」的工程师、从零转型 AI 应用与智能体开发的完整教程（原创新作）。它不提神经网络的数学公式，而是把现成大模型当作「会推理、但会出错的组件」来编程——复用你已有的工程能力，只补「怎么跟模型对话、怎么喂外部知识、怎么让它调用工具干实事」这三件事。
适合谁
- 有后端 / 前端 / 全栈经验、想转型 AI 应用开发的工程师
- 想系统学一遍 Prompt 工程、RAG 与 Agent 的开发者
- 需要一套完整 AI 应用落地方案（含调试与安全）的团队
教程结构
| 章节 | 内容 |
|---|---|
| 第 0 章 总览 | 转型路线抉择 + 12 周学习计划 |
| 第 1 章 前置准备 | Python 速成（以 Java 对照）、国内环境配置 |
| 第 2 章 认知与 Prompt | Token、上下文、幻觉、Prompt 全套方法 |
| 第 3 章 API 实战 | 返回结构、流式、结构化输出（JSON/Pydantic） |
| 第 4 章 RAG | Embedding、向量库、文本切分、完整 RAG |
| 第 5 章 Agent | Function Calling、ReAct、多工具 Agent |
| 第 6 章 工程化 | 记忆、评测、成本、可观测、部署 |
| 第 7 章 综合实战 | SQL + RAG + Agent 端到端智能助手（含 Streamlit 界面） |
| 第 8 章 调试与安全 | 问题排查方法论、Prompt 注入防护 |
按「第 1 → 2 → 3 → 4 → 5 → 6 → 7 → 8 章」顺序读即可，每章末尾都有练习。所有代码可直接复制运行（把 DEEPSEEK_API_KEY 环境变量设成你的 key 即可），全程使用 DeepSeek API + 国内镜像，对国内开发者友好。
本教程为本站原创专栏内容，由 AI 应用开发领域实践整理而成，可自由学习分享。