zerojs

AI 全栈 / 已完成

AI全栈学习导航

从编程基础、前后端、AI 基础、大模型应用到部署运营，建立 AI 全栈学习地图。

返回学习路线

一句话：AI 全栈不是“什么都精通”，而是能把前端、后端、数据、大模型和部署串起来，做出真正能用的 AI 产品。

AI 全栈学习路线图

目录

  1. AI 全栈到底是什么
  2. 先学什么，后学什么
  3. 8 个学习阶段
  4. 推荐实战项目
  5. 常见误区
  6. 一张学习路线表

1. AI 全栈到底是什么

传统全栈工程师主要做：

  • 前端页面
  • 后端接口
  • 数据库
  • 部署上线

AI 全栈在这个基础上多了几块：

  • 会调用大模型 API
  • 会写 Prompt
  • 会做 RAG 知识库
  • 会处理向量和 Embedding
  • 会设计 Agent 或工作流
  • 会评估 AI 输出质量
  • 会控制成本、延迟和安全风险

简单说，AI 全栈工程师要能做出这种产品：

> 用户打开网页，上传资料，向 AI 提问，AI 查资料、调用工具、生成结果，系统还能记录数据、控制权限、稳定上线。

2. 学习顺序不要反

很多人一上来就学 Agent、RAG、Function Calling，结果越学越乱。

更合理的顺序是：

编程基础
-> 前端应用
-> 后端服务
-> AI 基础
-> 大模型应用
-> 工程化
-> 产品实战
-> 部署运营

你可以把它想成盖楼：

  • 编程基础是地基
  • 前后端是楼体
  • AI 是智能设备
  • 工程化是水电系统
  • 产品实战是装修和交付
  • 部署运营是长期维护

3. 8 个学习阶段

阶段 1：编程基础

目标：能独立写小程序、调接口、读懂报错。

重点学：

  • Python
  • JavaScript / TypeScript
  • Git
  • Linux 基础
  • HTTP / JSON
  • 命令行

建议练习：

  • 写一个命令行待办工具
  • 用 Python 调一个公开 API
  • 用 Git 管理自己的代码

过关标准：

  • 能看懂基本代码
  • 能自己定位简单报错
  • 能把代码提交到 Git 仓库

阶段 2：前端应用

目标：能做一个用户可以操作的网页。

重点学：

  • HTML / CSS
  • React 或 Vue
  • 表单、列表、弹窗、路由
  • 状态管理
  • UI 组件库
  • 基础交互体验

建议练习：

  • 做一个 ChatGPT 风格聊天页面
  • 做一个文件上传页面
  • 做一个带搜索和筛选的知识库列表

过关标准：

  • 页面能正常交互
  • 移动端和桌面端不乱
  • 用户知道下一步该点哪里

阶段 3：后端服务

目标：能给前端提供稳定接口。

重点学：

  • REST API
  • 数据库：PostgreSQL / MySQL
  • Redis 缓存
  • 登录鉴权
  • 文件上传
  • 日志和错误处理

建议练习：

  • 做用户登录
  • 做文章 CRUD
  • 做聊天记录保存
  • 做文件上传和下载

过关标准：

  • 前端能通过 API 读写数据
  • 数据能持久保存
  • 接口出错时能返回清晰错误

阶段 4：AI 基础

目标：理解 AI 应用背后的几个核心词。

重点学：

  • Token
  • Prompt
  • Embedding
  • 向量数据库
  • 相似度搜索
  • 模型上下文
  • Temperature
  • 评估

不用一开始就深学数学。先知道它们解决什么问题。

例如：

  • Prompt：告诉模型要做什么
  • Token：模型读写文字的单位
  • Embedding：把文字变成数字坐标
  • 向量数据库：用来找“意思相近”的资料
  • RAG：先查资料，再让模型回答

过关标准：

  • 知道普通聊天和 RAG 的区别
  • 知道为什么模型会胡说
  • 知道如何减少胡说

阶段 5：大模型应用

目标：能做一个真正有用的 AI 功能。

重点学：

  • OpenAI / 兼容 API 调用
  • Prompt 结构化
  • Streaming 流式输出
  • Function Calling
  • RAG
  • Agent
  • 多模态：图片、语音、文档

建议练习：

  • AI 聊天助手
  • PDF 问答
  • 企业知识库
  • 自动生成日报
  • 调用工具的 AI 助手

过关标准：

  • AI 能基于资料回答
  • 回答过程可控
  • 出错时能兜底
  • 成本和速度可接受

阶段 6：工程化

目标：让项目不只是“本地能跑”，而是能稳定交付。

重点学：

  • Docker
  • 环境变量
  • CI/CD
  • 日志
  • 监控
  • 队列
  • 限流
  • 错误追踪

建议练习：

  • 把项目 Docker 化
  • 加 .env 配置
  • 写部署脚本
  • 给 AI 调用加超时和重试
  • 记录每次模型调用成本

过关标准：

  • 换一台机器也能跑起来
  • 出问题能查日志
  • API key 不写死在代码里

阶段 7：产品实战

目标：把技术组合成完整产品。

推荐项目：

  1. AI Chatbot

    2. 练前端聊天、流式输出、历史记录。

  1. RAG 知识库

    2. 练文件解析、Embedding、向量检索、引用来源。

  1. AI 工作流工具

    2. 练多步骤任务、工具调用、状态管理。

  1. 数据分析助手

    2. 练表格解析、图表生成、自然语言查询。

  1. 多模态创作工具

    2. 练图片生成、提示词管理、素材保存。

过关标准：

  • 有完整用户流程
  • 有登录和权限
  • 有数据存储
  • 有错误处理
  • 能部署给别人试用

阶段 8：部署运营

目标：让 AI 产品长期可用。

重点学：

  • 云服务器
  • 对象存储
  • 数据库备份
  • HTTPS
  • API 限额
  • 成本统计
  • 用户反馈
  • 安全审计

AI 产品尤其要注意：

  • 模型调用很贵
  • 用户输入不可控
  • 输出可能不稳定
  • 私密数据不能乱传
  • 长文档处理容易超时

过关标准：

  • 线上服务稳定
  • 费用可控
  • 用户数据安全
  • 能持续迭代

4. 推荐学习项目路线

如果你想边学边做，可以按这个顺序：

  1. 静态学习路线页面

    2. 练 HTML/CSS 和页面结构。

  1. AI 聊天页面

    2. 练前端交互和接口调用。

  1. 带登录的 AI 助手

    2. 练用户系统和聊天记录。

  1. PDF 知识库问答

    2. 练 RAG、文件解析、向量库。

  1. 企业内部 AI 工具台

    2. 练权限、工作流、部署、监控。

  1. 可运营的 AI SaaS Demo

    2. 练支付、限额、成本、日志、反馈。

5. 常见误区

误区正确做法
一上来学 Agent先学 API、Prompt、RAG
只会调模型要会做前后端和数据存储
Prompt 写得越长越好应该结构清晰、约束明确
本地跑通就算完成还要能部署、监控、排错
不管成本每次模型调用都要有成本意识
迷信模型能力重要场景要做校验和兜底

6. 总结路线表

阶段目标代表技能
编程基础能写代码和调试Python、JS、Git
前端应用能做用户界面React/Vue、UI、状态
后端服务能提供数据接口API、数据库、鉴权
AI 基础理解模型应用原理Token、Embedding、向量
大模型应用能做 AI 功能Prompt、RAG、Agent
工程化能稳定交付Docker、CI/CD、日志
产品实战能做完整产品Chatbot、知识库、工作流
部署运营能长期运行云服务、安全、成本

最后记住一句话：

AI 全栈的核心不是追热点，而是把“模型能力”变成“用户能用的产品”。