AI 应用开发：模型、知识与行动
这组学习笔记把 AI 应用拆成能连续学习的机制：先理解模型接口和输出合同，再处理文档与检索，随后组织工具和任务状态，最后通过评估、观测和版本控制保持可靠运行。每门课的完整顺序位于学习路线，每章的解释、实验、练习和答案在对应正文中。
怎样开始
初次学习从模型 API 开始，需要 Python 函数、集合、异常和 JSON 基础；不要求先学习神经网络训练。会写接口但缺少 Agent 经验时，先读结构化输出与工具，再进入 Agent 基础。真实调用所需账户、权限和依赖在平台课说明，本地实验不需要填写真实密钥。
正文中的固定响应用于检验确定性规则，不能据此判断模型有多聪明。练习先运行原例、预测变体结果，再独立实现，最后进入章答案。遇到恢复、并发或安全问题，要读完整操作顺序，单次成功不能代替跨轮验证。
模型、提示与结果合同
先理解输入、输出和失败，再选择供应商。架构课在通用 API 之后建立系统边界，后面的专题可随主线回访。
知识、数据与检索
先保证文档能追溯、权限能过滤，再研究如何找得准。图检索与框架使用共享这条数据链。
Agent 与生产控制
从受控工具循环进入可恢复任务，随后研究自主规划和协作；安全、评估和观测伴随每一步，而非上线前才补。
框架、协议与运行平台
已经理解工具合同和任务状态后，再比较框架承担的责任。MCP 连接工具，A2A 连接任务协作者，不是同一种协议。
模型平台与能力扩展
按真实需求选择供应商、本地部署、微调或多模态分支。学一家平台的同时保留通用合同，避免把模型名当作能力保证。