企业官网建设流程全解析

去年年底，公司突然通知要裁员。看到消息那一刻，脑子一下子懵了。

30 岁，6 年前端经验，我一直觉得自己是老员工：会写页面、懂工程化、能扛业务需求，裁员怎么着也轮不到我。可现实就是，名单里有我。

更难受的不是不努力，是不知道未来该怎么办了。这几年前端岗位越来越卷，很多工作能被 AI 接手，加上 30 岁这个年龄标签，危机感压得喘不过气。

那段时间还没正式离职，白天照常上班，晚上回家就疯狂刷招聘、研究 AI 相关方向。刷到不少 Agent 开发的内容，有前同事转过去了，据说薪资也更好。请教了一圈，最后决定：给自己三个月时间，转 Agent 开发。

00 先说清楚：三个月是"学会"，不是"上岸"

这话我必须放在最前面，不然这篇就变成鸡汤了。

三个月，我做完的是"从 0 到能做出一个能演示、能讲清楚、能写进简历的项目"。不是"三个月拿到 offer"。

真正的顺序是：三个月学 + 两个月改简历和投 + 中间那段没人回消息的空窗期。我投了 43 家，面试 5 家。这些数字一点都不好看，但它们是真的。

所以下面这条路线，是"学"的部分。别把它当成"上岸时间表"。

01 决定之前，我先算了一笔账

我没敢冲动裸辞式学习，先算了三样东西：

• 钱：存款扣掉房租和社保，能撑 5 个月。给自己三个月，还剩两个月缓冲。
• 方向：纯算法我卷不过科班，做应用开发才是我能站的位置。
• 我有什么：那 6 年前端，到底是包袱还是本钱？

第三条我想了整整两天。后来发现，前端转 Agent 的优势比我自己以为的大得多：

看到这张表的时候，我心里那块石头才落下来一半：我不是从零开始，我是换个战场。

后来我越来越确信一句话：Agent 的最后一百米，全是前端的活。模型吐出第一个字要 8 秒，这 8 秒屏幕上显示什么——这个问题，做后端的答不上来，做前端的天天在答。

02 第 1 周：Python，别把它当成新语言学

我一开始按"学一门新语言"的路子来：语法、数据结构、装饰器、魔术方法……看到第三天，烦了。

后来我换了个学法：只学我用得上的那部分。

• async/await：这个必须搞懂，因为模型调用全是 IO 密集。好在我写过 6 年 Promise，async 的心智模型几乎一模一样——只是await的位置从浏览器挪到了服务端。
• pydantic：数据校验和结构化模型。说白了就是 TypeScript 的 interface + 运行时校验，前端一眼就懂。
• uv/venv：环境管理。这块我踩了个低级坑，没建虚拟环境直接装包，把系统 Python 搞乱了，重装了半天。

验收线：能用 Python 写一个小脚本，调通一次模型接口，把返回的 JSON 打印出来。语法漂不漂亮不重要，跑通最重要。

03 第 2-3 周：FastAPI 和 API 视角——我第一次觉得"这活儿我熟"

这两周是我三个月里最有信心的一段时间。

先说 API 视角。别急着上框架，先用最原始的方式发一次请求，把temperature、max_tokens、stream这几个参数挨个改一遍，看输出怎么变。这不就是一个 HTTP 接口吗？我打了 6 年接口，这是主场。

再说 FastAPI。我把它当成"用 Python 写的 Node 服务"来用，上手非常快：路由、依赖注入、参数校验，跟 Express / NestJS 是一个路子。

真正让我兴奋的是流式输出。第一次用 SSE 把模型的字一个个推到浏览器上，看着那段文字像打字机一样蹦出来的时候，我盯着屏幕愣了几秒——

这不就是我写了无数遍的加载态和分块渲染吗？

那一刻我才真的相信：这条路我走得通。

这周的交付物：一个能用网页对话的小服务，字是一个一个出来的，不是等 8 秒后整段弹出。

验收线：断网不白屏、超时不傻等、中途关掉页面不会后台继续烧钱。

04 第 4 周：Prompt 工程——它不是话术，是接口契约

刚开始我写 prompt 的方式很"人话"：请你帮我分析以下内容，注意不要输出多余的东西，谢谢。

结果模型很配合地回我：json\n{...}\n——带着 markdown 代码块标记，我解析直接报错。

我这才反应过来：Prompt 不是跟模型说话，是跟模型定契约。

后来我改成了写接口文档的方式：

• 先定死输出格式（JSON Schema 约束），再写 prompt；
• 给 2-3 个示例（few-shot），比描述半天管用；
• 边界情况明确写出来：遇到不知道的，输出{"status": "unknown"}，不许编。

验收线：同一个任务跑 10 次，10 次都能被 JSON Schema 校验通过。做不到就继续改，别往下走。

这一步偷懒，后面全是坑——我后面 RAG 阶段有两次诡异的报错，追到最后都是这一步的锅。

05 第 5-6 周：LangChain——拐杖，不是腿

这两周我走了个小弯路，值得单说。

我一上来就扎进 LangChain，LCEL 那套prompt | model | output_parser的管道写法，看得我头大：每个环节都被封装了一层，出了问题我连该在哪打日志都不知道。

跑通 demo 那两天我很兴奋，觉得自己会了。直到有次召回结果不对，我对着代码查了一下午——因为我根本不知道检索发生在哪一层。

后来我做了一件笨事：把 LangChain 的 Retriever 源码翻了一遍，然后不用框架，用官方 SDK 手写了一遍 RAG 流程。

手写完之后，我再回头用 LangChain，突然就顺了。因为我终于知道它替我做了什么。

框架是拐杖，不是腿。先学会不用它走路，再拿它省力。

验收线：不借助框架，能手写一个完整的"检索 → 拼上下文 → 调用 → 解析"流程；再用了框架之后，能说清楚每个模块替你干了什么。

06 第 7-9 周：RAG——真正的分水岭

这两周半是我三个月里最崩溃、也最值钱的阶段。

我做的是"组件库文档问答助手"，喂的是我自己写了几年的组件文档和踩坑记录。

第一版跑完，我写了 20 个真实问题，只答对了 7 个。

那一刻真的怀疑人生。但我没有瞎改 prompt——我按前端查 bug 的老办法，一层层往下捅：

• 切分层：我一开始按 500 字符硬切，一个组件的 API 说明被切成了两半，上半段在 chunk 3，下半段在 chunk 11。改成按标题层级切之后，准确率肉眼可见地上去了。
• 召回层：只看 top-3 相似度，很多问题根本没召回对的文档。加了重排（rerank）+ 扩大召回再截断。
• 评估层：这 20 个问题我固化成了评估集，每次改任何东西都先跑一遍，看数字。

第二版答对 15 个，第三版 18 个。

这站的收获，比前面所有加起来都大：我第一次体会到"AI 项目的效果是可以被工程化地调出来的"——它跟调性能、调首屏一样，先量化，再改，再看数字。

验收线：20 个真实问题答对 15 个以上。评估集一定要在优化之前就写好，不然你改一版只能凭"好像好点了"下判断。

07 第 10-11 周：LangGraph——复杂状态管理，前端的主场

如果说 RAG 是分水岭，LangGraph 是我最有归属感的一站。

LangGraph 的核心是状态图：节点（Node）、边（Edge）、状态（State）、检查点（Checkpoint）。听起来很玄，但我一看就乐了——

这不就是我写了 6 年的复杂表单状态机吗？

• 多步表单的"上一步 / 下一步 / 草稿保存" → 多轮会话的节点跳转与状态保存；
• 用户填到一半关掉页面，回来要能续上 → Checkpoint 的中断恢复；
• 某个分支填错了要能回退 → 条件边与重试分支。

我做的场景是"用户改需求的多轮 Agent"：用户说"给我做个登录页"，Agent 反问技术栈、是否需要验证码、要不要暗色模式，中途用户改主意说"改成注册页"，它能接住上下文继续走。

验收线：中途打断、改需求、关掉页面重进，上下文都能接上；每个节点的状态你能完整打印出来。

08 第 12 周：MCP——把工具接进来，也把标准立起来

MCP 我放在 RAG 和 LangGraph 之后学，是因为你得先有"工具"这个概念，才知道标准化有多重要。

我的做法很实在：把我那个组件库文档包装成一个 MCP server，让 Agent 通过标准协议去查。

踩的坑有两个：

• 工具描述写得像函数名：query_component，模型根本不知道什么时候该调它。改成"根据组件名查询该组件的 Props、用法示例和已知问题，仅当用户明确提到某个组件时使用"，调用准确率立刻不一样。
• transport 选错：本地开发用 stdio，要给别人用得上 SSE。我一开始混着来，调试了一整天才理清楚。

Prompt 不是话术，工具描述也不是注释——它们都是写给模型的接口文档。

09 第 13 周：GitHub 项目——把"学过的"变成"拿得出手的"

最后一周我没学新技术，只做了一件事：把这三个月的半成品收拾成一个能见人的项目。

具体包括：

• README 写清楚三件事：它解决什么问题 / 怎么一键跑起来 / 每个设计决策为什么这么选；
• 录一段 30 秒的演示 GIF（前端的老本行，这次是给自己做）；
• 把 20 题评估集和跑分结果放进仓库；
• 补上成本统计——单次问答大概花多少钱，我算出来了。

star 数不重要。重要的是我收到第一个 issue 的那天，有人问我"你这个切分策略是怎么定的"——那一刻我知道，这东西经得起追问了。

验收线：一个陌生人 clone 下来，10 分钟能跑起来；项目里每一个决策，你都能讲出"为什么不用另一种"。

面试的时候，我 80% 的时间都在讲这个仓库。不是因为我学了什么，是因为我做过什么、为什么这么做。

10 三个月之后：那 6 年前端，我一个字都没删

投简历最初两周，几乎全是已读不回。我一度以为是不是该把"6 年前端"从简历顶部拿掉。

后来我做了相反的事：把它留下，但换了个说法。

内容一行没删，改的只是说法。回音就是从这版简历开始的。

简历上最有价值的一行，往往不是你新学了什么，是你把旧东西翻译成了什么。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】