AI 学习笔记：开篇——一个前端开发者的 AI 探索之旅

发表于 更新于 分类于 阅读次数： Changyan： 本文字数： 937 阅读时长 ≈ 1 分钟
作为一名前端开发者，我决定系统地记录自己学习 AI 的过程。这个系列不追求学术严谨，只求实用和真实——从工程师的视角，看懂 AI、用好 AI。

AI 这两年太热了。热到有时候感觉不入局就像站在时代边缘，热到各种概念、工具、模型每周都在更新，根本追不完。

作为一个做了多年前端的人，我对 AI 的感受经历了几个阶段：好奇 → 观望 → 焦虑 → 行动。

这个系列笔记，就是”行动”的开始。

为什么开始写这个系列

不是为了蹭热点，是因为 AI 真的在改变我的工作方式。

从最开始用 ChatGPT 帮忙查 bug、写注释，到现在用 Cursor 辅助编码、用各种 AI 工具提效——我发现，会用 AI 和不会用 AI 的开发者，生产效率差距正在迅速拉开。

但”会用”和”真正理解”是两回事。我用过很多 AI 工具，却对背后的原理一知半解。这个系列的目的，就是把模糊的认知变得清晰一点：

  • 搞懂那些总是听到的概念：Token、向量、RAG、Agent、MCP……
  • 理解大模型是怎么工作的，不需要精通数学，但要看懂逻辑
  • 学会在前端/全栈开发中实际集成 AI 能力
  • 记录踩过的坑、用过的工具、有意思的实验

这个系列会写什么

大致规划如下，顺序随缘，跟着学习进度走：

基础认知

  • 大语言模型（LLM）的工作原理——用大白话讲
  • Prompt Engineering：怎么和 AI 说话才有效
  • 理解 Token、上下文窗口、Temperature 这些参数

工具与实践

  • 主流 AI API 的接入（OpenAI、Claude、DeepSeek 等）
  • 在前端项目里集成 AI 功能
  • MCP（Model Context Protocol）：让 AI 操控你的工具
  • AI Agent：从单轮对话到自动化任务流

本地部署与进阶

  • 本地运行开源模型（Ollama、LM Studio）
  • RAG（检索增强生成）：给 AI 喂私有知识库
  • 微调 vs 提示词工程，怎么选

我的学习立场

我不是 AI 研究员，也没有数学背景——我是个工程师，关注的是能不能用、怎么用好。

所以这个系列会尽量：

  • 少讲理论，多上代码和实例
  • 踩坑实录，不只写成功案例
  • 前端视角优先，但不局限于前端

如果你也是开发者，对 AI 有兴趣但不知道从哪入手，或者已经在用但想更系统地了解——欢迎一起。

探索还在继续，笔记也会持续更新。
下一篇：Prompt Engineering 入门——怎么和大模型好好说话

本文永久链接: https://www.mulianju.com/learning-notes/ai-learning-notes-start/