最近几年AI 技术浪潮席卷全球从大模型到智能体从自动化编程到 AI 应用开发几乎每个技术领域都在被重塑。对于即将步入职场的应届生和希望转型的开发者而言如何抓住这波机遇将个人技能与行业需求对齐成为了一个关键课题。近期蚂蚁集团启动 2027 届校园招聘其中超过 80% 的岗位与 AI 技术直接相关这无疑是一个强烈的市场信号AI 已从“前沿探索”全面转向“工程化落地”和“规模化应用”阶段。本文将深入解读这一招聘趋势背后的技术内涵并以此为切入点系统梳理 AI 领域当前最核心、最热门的技术栈与工程实践。无论你是计算机相关专业的在校生还是希望向 AI 方向转型的开发者都能通过本文了解AI 岗位到底在做什么从算法研究到工程部署的全链路拆解。需要掌握哪些核心技术涵盖大模型、AI Agent、AI Infra、AI 应用开发等关键领域。如何构建可落地的实战项目提供从环境搭建到代码实现的完整指南。避开学习与求职中的常见误区梳理高频问题与高效学习路径。我们的目标不是空谈概念而是提供一套可执行、可复现的技术成长方案帮助你将理论知识转化为工程能力真正具备冲击头部企业 AI 岗位的竞争力。1. AI 技术全景与岗位方向深度解析蚂蚁集团校招中“超 80% 岗位与 AI 相关”是一个宏观概括其背后是 AI 技术渗透到金融科技各个毛细血管的体现。我们可以将这些岗位大致归为四大核心方向每个方向对技能树的要求各有侧重。1.1 大模型算法与研发这是目前最炙手可热的方向主要负责大型语言模型LLM、多模态大模型的训练、微调、优化及应用算法研究。核心职责模型预训练与精调参与千亿乃至万亿参数规模大模型的预训练或基于业务场景进行指令微调Instruction Tuning、人类反馈强化学习RLHF。模型压缩与优化研究模型量化Quantization、剪枝Pruning、知识蒸馏Knowledge Distillation等技术以降低推理成本提升部署效率。提示工程与应用算法设计高效的提示词Prompt开发基于大模型的智能体Agent框架解决复杂任务规划、工具调用等问题。必备技能栈理论基础深度学习、自然语言处理NLP、计算机视觉CV基础扎实。编程与框架精通 Python熟练掌握 PyTorch 或 TensorFlow 等深度学习框架。工具与平台熟悉 Hugging Face Transformers、DeepSpeed、Megatron-LM 等大规模训练工具链。实践经验有大模型微调如 LoRA、QLoRA、或相关顶会论文、竞赛经验是巨大加分项。1.2 AI 基础设施AI InfraAI Infra 是支撑大模型训练和推理的“底座”相当于AI时代的“操作系统”和“发电厂”。这个方向关注系统的稳定性、效率和规模。核心职责高性能计算集群管理设计和管理 GPU/TPU 集群优化资源调度保障大规模分布式训练的稳定性。训练框架与编译器优化深入优化 PyTorch、TensorFlow 等框架或使用 Triton、TVM 等编译器技术提升计算内核效率。推理服务引擎开发构建高并发、低延迟的模型推理服务涉及模型格式转换如 ONNX、动态批处理Dynamic Batching、持续性能优化。向量数据库与数据管道搭建用于大模型知识库的向量检索系统构建高效的数据预处理和特征工程流水线。必备技能栈系统能力深入理解操作系统、计算机网络、分布式系统原理。编程语言精通 C/Rust/Go 中的至少一种用于高性能核心模块开发同时熟悉 Python。特定技术熟悉 CUDA 编程、RDMA、容器化技术Docker/K8s、以及像 vLLM、TGIText Generation Inference这样的推理优化框架。1.3 AI 应用与智能体AI Agent开发这个方向直接面向业务将 AI 能力转化为具体的产品功能和用户体验是“AI 落地”的关键一环。核心职责AI 应用后端开发基于大模型 API如 OpenAI、通义千问、文心一言或私有化模型开发具备对话、摘要、创作等能力的应用服务。智能体Agent框架搭建实现具备规划Planning、工具调用Tool Use、记忆Memory等能力的智能体系统用于自动化处理复杂工作流。AI 工程化集成将 AI 能力无缝集成到现有业务系统中处理上下文管理、流式输出、错误降级等工程问题。AI 编程助手与工具开发开发类似 Cursor、GitHub Copilot 的智能编程助手或内部 AI 效率工具。必备技能栈全栈开发能力扎实的后端开发功底Java/Go/Python熟悉 Web 框架、API 设计、数据库。AI 应用框架熟悉 LangChain、LlamaIndex、Semantic Kernel 等 AI 应用开发框架。工程化思维深刻理解软件工程、设计模式、系统架构能够设计高可用、可扩展的 AI 服务。1.4 AI 产品与解决方案这个方向介于技术和业务之间需要将技术能力转化为商业价值定义产品形态和落地策略。核心职责AI 产品规划洞察业务痛点定义 AI 产品的功能、边界和演进路线。技术解决方案设计针对特定业务场景如智能客服、风险控制、内容生成设计端到端的 AI 解决方案。项目管理与协作协调算法、工程、业务等多方团队推动项目落地和效果评估。必备技能栈综合能力强大的逻辑思维、沟通能力和业务理解力。技术广度需要对上述三个方向的技术有广泛了解知道技术的边界和能力。数据分析能够通过数据评估产品效果驱动产品迭代。2. 核心技能实战从环境搭建到第一个 AI 应用了解了岗位方向后我们通过一个完整的实战案例串联起 AI 应用开发的核心技能。我们将构建一个基于本地大模型和 LangChain 的智能文档问答助手覆盖环境准备、模型部署、应用开发全流程。2.1 环境准备与工具选型操作系统推荐 Linux (Ubuntu 20.04) 或 macOSWindows 可使用 WSL2。Python 版本3.8 - 3.11。核心工具Conda用于创建独立的 Python 环境避免依赖冲突。Docker可选用于标准化部署环境特别是模型服务。Git代码版本管理。首先我们创建一个干净的开发环境# 创建并激活 conda 环境 conda create -n ai_assistant python3.10 conda activate ai_assistant # 安装基础依赖 pip install --upgrade pip2.2 轻量级大模型本地部署对于学习和开发我们选择一款参数量较小、对硬件要求较低的优秀开源模型例如Qwen1.5-7B-Chat。我们将使用Ollama这个工具来简化本地模型的拉取和运行它类似于 Docker for LLM。安装 OllamaLinux/macOS:curl -fsSL https://ollama.com/install.sh | shWindows: 从官网下载安装包。拉取并运行模型# 拉取 Qwen1.5 7B 模型 (约 4.7GB) ollama pull qwen2:7b # 在后台运行模型服务API 端口默认为 11434 ollama serve # 或者直接运行交互式对话 ollama run qwen2:7b运行后模型会作为一个本地 HTTP 服务启动我们可以通过http://localhost:11434的 API 与之交互。测试模型 APIcurl http://localhost:11434/api/generate -d { model: qwen2:7b, prompt: 你好请介绍一下你自己。, stream: false }如果看到返回的 JSON 中包含模型生成的文本说明部署成功。2.3 使用 LangChain 构建智能文档问答应用LangChain 是一个用于开发由语言模型驱动的应用程序的框架。我们将用它来连接本地模型、处理文档并构建问答链。安装 LangChain 及相关库pip install langchain langchain-community langchain-chroma pypdf sentence-transformerslangchain: 核心框架。langchain-community: 社区集成的第三方工具。langchain-chroma: 用于向量数据库 Chroma 的集成。pypdf: 用于读取 PDF 文档。sentence-transformers: 用于生成文本嵌入向量。项目结构ai_doc_qa/ ├── docs/ # 存放待处理的 PDF/TXT 文档 │ └── sample.pdf ├── vector_store/ # 向量数据库存储目录自动创建 ├── main.py # 主程序 └── requirements.txt核心代码实现(main.py)# main.py import os from langchain_community.document_loaders import PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_community.vectorstores import Chroma from langchain_community.llms import Ollama from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate class DocumentQASystem: def __init__(self, model_nameqwen2:7b, persist_directory./vector_store): 初始化问答系统 :param model_name: Ollama 运行的模型名称 :param persist_directory: 向量数据库持久化目录 # 1. 初始化本地大模型 (通过 Ollama) self.llm Ollama(base_urlhttp://localhost:11434, modelmodel_name) # 2. 初始化文本嵌入模型 (用于将文本转换为向量) # 使用一个轻量且高效的开源模型 self.embeddings HuggingFaceEmbeddings( model_namesentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 ) # 3. 初始化向量数据库 self.persist_directory persist_directory self.vector_store None def load_and_process_documents(self, doc_path): 加载并处理文档构建向量数据库 :param doc_path: 单个文件路径或包含文档的文件夹路径 documents [] if os.path.isdir(doc_path): # 处理文件夹内所有 PDF 文件 for filename in os.listdir(doc_path): if filename.endswith(.pdf): file_path os.path.join(doc_path, filename) print(f正在加载文档: {filename}) loader PyPDFLoader(file_path) documents.extend(loader.load()) else: # 处理单个文件 print(f正在加载文档: {doc_path}) loader PyPDFLoader(doc_path) documents loader.load() if not documents: print(未找到任何可处理的文档。) return # 文本分割将长文档切分成适合模型处理的片段 text_splitter RecursiveCharacterTextSplitter( chunk_size500, # 每个片段约500字符 chunk_overlap50, # 片段间重叠50字符保持上下文 separators[\n\n, \n, 。, , , , , , ] ) split_docs text_splitter.split_documents(documents) print(f文档已分割为 {len(split_docs)} 个文本块。) # 创建向量存储并持久化 self.vector_store Chroma.from_documents( documentssplit_docs, embeddingself.embeddings, persist_directoryself.persist_directory ) self.vector_store.persist() print(f向量数据库已创建并保存至: {self.persist_directory}) def load_existing_vector_store(self): 加载已存在的向量数据库 if os.path.exists(self.persist_directory): self.vector_store Chroma( persist_directoryself.persist_directory, embedding_functionself.embeddings ) print(已加载现有向量数据库。) return True else: print(未找到已有的向量数据库请先处理文档。) return False def create_qa_chain(self): 创建检索问答链 if self.vector_store is None: if not self.load_existing_vector_store(): raise ValueError(向量数据库未初始化请先调用 load_and_process_documents。) # 定义自定义提示模板提升回答质量 prompt_template 请根据以下上下文信息回答问题。如果你不知道答案请直接说“根据提供的资料我无法回答这个问题”不要编造信息。 上下文 {context} 问题{question} 请基于上下文提供准确、简洁的回答 PROMPT PromptTemplate( templateprompt_template, input_variables[context, question] ) # 构建检索器设置相似度检索前4个片段 retriever self.vector_store.as_retriever(search_kwargs{k: 4}) # 创建检索问答链 qa_chain RetrievalQA.from_chain_type( llmself.llm, chain_typestuff, # 将检索到的文档“塞”给模型 retrieverretriever, chain_type_kwargs{prompt: PROMPT}, return_source_documentsTrue # 返回参考来源 ) return qa_chain def ask_question(self, question): 提问并获取答案 try: qa_chain self.create_qa_chain() result qa_chain.invoke({query: question}) answer result[result] source_docs result[source_documents] print(f\n问题{question}) print(f答案{answer}) print(\n参考来源前2个) for i, doc in enumerate(source_docs[:2]): print(f [{i1}] {doc.page_content[:150]}...) # 截取片段预览 return answer except Exception as e: print(f提问过程中发生错误{e}) return None if __name__ __main__: # 初始化系统 qa_system DocumentQASystem() # 步骤1首次运行处理文档并建库只需运行一次 # 将你的 PDF 文档放入 ./docs 文件夹 # qa_system.load_and_process_documents(./docs) # 步骤2加载已有数据库并开始问答 if qa_system.load_existing_vector_store(): while True: user_question input(\n请输入您的问题输入 quit 退出) if user_question.lower() quit: break qa_system.ask_question(user_question)2.4 运行与验证准备文档将你想要问答的 PDF 文件例如一篇技术论文、产品手册放入项目根目录的docs/文件夹下。首次运行构建向量库将main.py中__main__部分注释掉的qa_system.load_and_process_documents(./docs)行取消注释运行一次程序。这会读取文档、分割文本、生成向量并存入vector_store/目录。python main.py进入交互式问答首次建库后重新注释掉建库行再次运行程序。程序会加载已有的向量库进入问答循环。提问测试在提示符下输入关于文档内容的问题系统会从文档中检索相关信息并生成答案同时显示答案的来源片段。示例交互请输入您的问题输入 quit 退出本文主要讨论了哪些AI安全挑战 问题本文主要讨论了哪些AI安全挑战 答案根据提供的上下文本文主要讨论了对抗性攻击、数据投毒、模型窃取和隐私泄露等AI安全挑战。 参考来源前2个 [1] ... 章节三详细阐述了对抗性攻击通过添加微小扰动误导模型判断以及数据投毒在训练阶段注入恶意样本的风险... [2] ... 此外模型窃取通过API查询复制模型参数隐私泄露则可能从模型输出中反推训练数据...这个实战项目虽然精简但涵盖了现代 AI 应用的核心环节本地模型服务化、文档处理与向量化、检索增强生成RAG、应用层集成。它为你理解更复杂的 AI 工程系统打下了坚实基础。3. 进阶方向与关键技术栈深潜完成基础应用后要胜任企业级 AI 岗位还需要在以下方向进行深度探索。3.1 AI 智能体AI Agent开发实战智能体是能感知环境、进行决策并执行动作的 AI 系统。我们将使用 LangChain 的 Agent 框架创建一个能调用搜索引擎和计算器的智能体。# ai_agent_demo.py from langchain_community.llms import Ollama from langchain.agents import initialize_agent, AgentType from langchain.agents import Tool from langchain_community.utilities import GoogleSearchAPIWrapper from langchain.chains import LLMMathChain # 1. 定义工具 # 工具1谷歌搜索需要配置 GOOGLE_API_KEY 和 GOOGLE_CSE_ID search GoogleSearchAPIWrapper() search_tool Tool( nameGoogle Search, funcsearch.run, descriptionUseful for when you need to answer questions about current events or factual information. Input should be a search query. ) # 工具2计算器 llm_math LLMMathChain.from_llm(llmOllama(base_urlhttp://localhost:11434, modelqwen2:7b)) math_tool Tool( nameCalculator, funcllm_math.run, descriptionUseful for when you need to answer questions about math. Input should be a math expression. ) tools [search_tool, math_tool] # 2. 初始化智能体 agent initialize_agent( tools, Ollama(base_urlhttp://localhost:11434, modelqwen2:7b), agentAgentType.ZERO_SHOT_REACT_DESCRIPTION, # 一种通用的Agent类型 verboseTrue, # 打印思考过程 handle_parsing_errorsTrue # 处理解析错误 ) # 3. 运行智能体 # 注意搜索工具需要有效的API密钥此处仅为示例框架 # result agent.run(Whats the latest news about AI chip development?) result agent.run(What is 15% of 280?) print(f最终答案: {result})这个示例展示了 Agent 的核心概念工具Tools、规划Planning、执行Execution。在企业中工具可能是内部 API、数据库查询或业务系统接口。3.2 大模型微调实战以 LoRA 为例对于特定业务如金融风控、医疗问答通常需要对通用大模型进行微调。LoRA 是一种参数高效微调方法能在极少参数量下达到接近全参数微调的效果。# lora_finetune.py (概念性代码实际需结合训练框架) from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments from peft import LoraConfig, get_peft_model, TaskType from datasets import load_dataset import torch # 1. 加载基础模型和分词器 model_name Qwen/Qwen1.5-7B-Chat model AutoModelForCausalLM.from_pretrained(model_name, torch_dtypetorch.float16, device_mapauto) tokenizer AutoTokenizer.from_pretrained(model_name) tokenizer.pad_token tokenizer.eos_token # 设置填充token # 2. 配置 LoRA lora_config LoraConfig( task_typeTaskType.CAUSAL_LM, # 因果语言模型任务 r8, # LoRA 秩rank越小参数量越少 lora_alpha32, # 缩放参数 lora_dropout0.1, target_modules[q_proj, v_proj] # 针对Transformer中的Q, V投影层 ) model get_peft_model(model, lora_config) model.print_trainable_parameters() # 查看可训练参数量通常只有原模型的0.1%-1% # 3. 准备训练数据示例格式指令-输出对 def format_instruction(example): return f### Instruction:\n{example[instruction]}\n\n### Response:\n{example[response]} # 假设有一个包含instruction和response字段的数据集 # dataset load_dataset(your_dataset) # tokenized_dataset dataset.map(lambda x: tokenizer(format_instruction(x), truncationTrue, paddingmax_length, max_length512), batchedTrue) # 4. 配置训练参数 training_args TrainingArguments( output_dir./qwen-lora-finetuned, per_device_train_batch_size4, gradient_accumulation_steps4, num_train_epochs3, logging_steps10, save_steps100, learning_rate2e-4, fp16True, # 使用混合精度训练 push_to_hubFalse, # 可上传到 Hugging Face Hub ) # 5. 创建 Trainer 并开始训练需传入真实数据集 # trainer Trainer(modelmodel, argstraining_args, train_datasettokenized_dataset[train]) # trainer.train() # model.save_pretrained(./my_lora_adapter) # 保存LoRA适配器权重关键点微调需要高质量的领域数据、足够的计算资源GPU和对损失函数的监控。保存的 LoRA 适配器可以独立于原模型加载极大方便了模型管理。3.3 AI 基础设施初探模型服务化与部署将训练好的模型提供为 API 服务是工程化的关键一步。这里使用FastAPI和vLLM一个高性能推理引擎来部署我们之前用到的模型。# api_server.py from fastapi import FastAPI, HTTPException from pydantic import BaseModel from vllm import SamplingParams, LLM import uvicorn import os # 1. 定义请求/响应模型 class CompletionRequest(BaseModel): prompt: str max_tokens: int 512 temperature: float 0.7 top_p: float 0.9 class CompletionResponse(BaseModel): generated_text: str finish_reason: str # 2. 初始化 FastAPI 应用和 vLLM 引擎 app FastAPI(titleQwen LLM API Server) # 注意vLLM 需要加载原始模型且对硬件有要求 # 此处为示例实际运行需确保有足够 GPU 内存 MODEL_PATH Qwen/Qwen1.5-7B-Chat # 或本地路径 # 在生产中通常会在应用启动时加载模型 # llm_engine LLM(modelMODEL_PATH, tensor_parallel_size1) # tensor_parallel_size 根据 GPU 数量调整 # 为演示我们创建一个模拟的引擎类 class MockLLMEngine: def generate(self, prompts, sampling_params): # 模拟生成 return [{outputs: [{text: f这是对提示{p[:20]}...的模拟回复。}]} for p in prompts] llm_engine MockLLMEngine() app.on_event(startup) async def startup_event(): print(LLM API Server is starting up...) # 实际生产中在这里初始化真正的 vLLM LLM 引擎 # global llm_engine # llm_engine LLM(modelMODEL_PATH) app.post(/v1/completions, response_modelCompletionResponse) async def create_completion(request: CompletionRequest): try: # 设置生成参数 sampling_params SamplingParams( temperaturerequest.temperature, top_prequest.top_p, max_tokensrequest.max_tokens ) # 使用 vLLM 引擎生成 outputs llm_engine.generate([request.prompt], sampling_params) generated_text outputs[0].outputs[0].text finish_reason length if len(generated_text.split()) request.max_tokens else stop return CompletionResponse( generated_textgenerated_text, finish_reasonfinish_reason ) except Exception as e: raise HTTPException(status_code500, detailstr(e)) app.get(/health) async def health_check(): return {status: healthy} if __name__ __main__: # 启动服务监听 8000 端口 uvicorn.run(app, host0.0.0.0, port8000)部署与调用安装依赖pip install fastapi uvicorn vllm(vLLM 安装需对应 CUDA 版本)。运行服务python api_server.py。调用 APIcurl -X POST http://localhost:8000/v1/completions \ -H Content-Type: application/json \ -d {prompt: 解释一下机器学习中的过拟合, max_tokens: 200}这个服务化示例展示了生产环境 AI 能力的标准提供方式涉及并发处理、资源管理、监控和 API 设计等工程问题。4. 学习路径规划与求职准备建议结合蚂蚁等大厂的招聘要求为不同阶段的同学规划学习路径。4.1 面向在校生0-2年经验的筑基路径第一年打好基础数学与理论巩固线性代数、概率论、微积分。学习《深度学习》花书等经典教材。编程与数据精通 Python掌握 NumPy、Pandas、Matplotlib。学习 SQL 和数据库基础。机器学习入门完成吴恩达《机器学习》课程掌握经典算法线性回归、决策树、SVM等。深度学习框架系统学习 PyTorch从张量操作到自定义模型、训练循环。第二年深入AI与工程核心领域选择 NLP 或 CV 一个方向深入学习 Transformer、BERT、ResNet 等核心模型。大模型初探学习 Hugging Face Transformers 库尝试微调一个开源小模型如 T5-small, BERT-base。工程能力学习 Linux、Git、Docker 基础了解 Web 开发Flask/FastAPI。项目实践完成 1-2 个有深度的课程项目或 Kaggle 竞赛如文本分类、图像识别。4.2 面向转型开发者已有后端/前端经验的加速路径第一阶段快速补位3-6个月AI 应用开发重点学习 LangChain/LlamaIndex 等框架快速具备集成 AI 能力到现有系统的技能。这是转型最快、需求最直接的切入点。模型 API 使用熟练使用国内外主流大模型 APIOpenAI、通义、文心等理解其成本、限速和最佳实践。向量数据库学习 Pinecone、Chroma、Milvus 等理解 embedding 和检索原理。构建端到端项目用你熟悉的 Web 框架Spring Boot, Django, Express AI 应用框架打造一个完整的 AI 应用如智能客服原型、内容生成工具。第二阶段向深处走6-12个月模型微调学习 LoRA、QLoRA 等高效微调技术在特定业务数据上优化模型效果。AI Infra 了解了解模型训练和推理的基础设施如 GPU 集群管理、模型服务化Triton, vLLM、监控。参与开源为流行的 AI 应用框架或工具库提交 PR或复现论文代码积累可验证的经验。4.3 简历与面试核心要点简历撰写项目经历 STAR 法则情境Situation、任务Task、行动Action、结果Result。重点突出你在项目中的具体贡献和量化结果如“通过优化提示词将回答准确率提升15%”、“设计的缓存策略使 API 响应 P99 延迟降低 200ms”。技术栈明确清晰列出掌握的技术如 PyTorch, Transformer, LangChain, Docker, K8s并标注熟练程度。突出 AI 相关经验即使是课程项目或自学项目也要详细描述其中涉及的 AI 技术选型、问题解决过程和最终效果。面试准备基础理论准备深度学习基础反向传播、优化器、正则化、机器学习经典算法。大厂必考。算法与编码坚持刷题LeetCode重点掌握数组、字符串、动态规划、二叉树。面试中可能有 AI 相关的编码题如实现 Attention 机制、写一个简单的 RAG 流程。项目深挖对你简历上的每一个 AI 项目都要能说清楚动机、技术选型原因、遇到的挑战、解决方案、如何评估效果、有何不足、如何改进。系统设计准备 AI 系统设计题例如“设计一个支持百万用户的智能客服系统”、“如何设计一个模型训练平台”。考察你的工程架构思维。行业洞察关注 AI 领域最新动态如新模型、新技术趋势并能表达自己的见解。蚂蚁集团校招向 AI 倾斜是技术浪潮下的必然选择也为广大技术人指明了清晰的进阶方向。从基础的 Python 和机器学习到深入大模型算法与 AI 基础设施再到落地的 AI 应用与智能体开发这条路径既有陡峭的学习曲线也充满了巨大的机遇。真正的竞争力不在于你了解了多少概念而在于你能否动手解决一个具体的工程问题。建议你从本文的文档问答助手项目开始亲手完成环境搭建、代码编写和调试排错。在这个过程中你会遇到各种预料之外的问题而解决这些问题的经验远比阅读十篇教程更有价值。在此基础上选择一个你感兴趣的方向深入下去如果你喜欢钻研底层可以尝试优化模型推理速度如果你热衷于创造产品可以基于 Agent 框架开发一个自动化工具如果你对系统架构着迷可以研究如何将多个 AI 服务编排成一个稳健的 pipeline。技术领域没有捷径但正确的方向和方法能让你事半功倍。希望这篇结合行业动态与实战技术的长文能成为你 AI 学习之旅中的一张实用地图。接下来就打开你的编辑器开始构建第一个属于你自己的 AI 应用吧。