文章探讨了前端领域在大模型时代的变革指出前端工程师的职责边界正在因AI技术的发展而发生变化。随着大模型和AI Agent的兴起前端不再局限于页面和接口的开发而是需要扩展到更广泛的后端技能和AI相关知识。文章提出了一个分阶段的AI全栈学习路线从使用AI Coding Agent开始逐步掌握服务端技能、AI本体知识并最终实现AI产品的开发。文章强调了真实项目经验和边界定义的重要性并建议读者通过一个主项目来整合所学技能以实现更深入的学习和实践。最近前端已死全栈永生又开始在技术圈流行。支付宝体验技术部已经解散并完成拆分原有人员分流到各条业务线。这件事传开以后很多人又往下推一步变成前端作为独立工种肯定会消失。更准确的事实是支付宝体验技术部 AFX 作为典型的前端中台已经被打散进业务线。公开信息里岗位名称从前端工程师统一调整为 Agent 开发全栈工程师。这不是支付宝不需要前端了而是中台模式在 AI 落地期碰到了边界。过去七八年中台把通用技术和能力集中起来是为了少重复造轮子、统一标准也确实养出过高峰期的大团队。AFX 先后孵化出Ant Design、AntV、Egg.js、语雀等至今仍被大量使用的产品说明中台曾经有效。争议也一直在离业务太远时响应慢、决策链条长业务一进入快迭代中台就容易变成瓶颈。大模型把这个矛盾推到明处。AI Agent 正在改写用户与产品的交互方式传统前端边界被拉开工程师还要补上大模型调用、逻辑编排和服务端对接。集中供给很难跟上这种变化把人沉到业务线反而更容易贴着场景改。过去两年多家头部公司已经对中台做过缩减或打散。支付宝这次变动不是孤例更像行业转向的一个缩影。组织边界可以调整工程问题不会一起消失。AFX 公开主页仍在更新面向 AI 流式输出的小程序 Markdown 渲染器、移动端 UX 缺陷诊断多模态模型、Agent 记忆、Rust 工具链以及围绕 AI 工程展开的基础设施。前端工作还在但它不再只围绕页面、组件和接口联调展开。同样的变化也出现在 Next.js。Next.js 团队在 2026 年发布了 Building Next.js for an agentic future明确提出要把 Coding Agent 当成框架的一等用户。框架开始主动向 Agent 提供版本匹配文档、运行时错误、浏览器日志、路由信息和调试能力而不是只等待模型根据训练数据猜测项目行为。支付宝 AI 付也已经提供面向 Coding Agent 的文档和 Skill 安装方式开发者可以通过npx安装支付宝支付 Skill再让 Cursor、Claude Code 等工具读取规则并辅助完成接入。这说明 AI Coding 正在从个人效率工具进入框架、SDK、支付和企业服务的正式交付链路。前端接下来要补的不是换一个框架名也不是在简历里多写会调用大模型。更现实的顺序大致如下先把 AI Coding Agent 用进日常开发再把项目规范、Skills 和验证流程写清楚交给它同时补上服务端、数据库和部署然后进入 AI 本体先懂大模型架构再学解码参数、结构化输出与缓存接着做 Prompt、Context、记忆再学 Embedding、BM25、RAG 和 Function Calling工具暴露分清进程内工具、CLI 和 MCP再把 Skills 接到 Agent用 LangChain、LangGraph 编排确有需要时再上意图识别、Supervisor 与多 Agent上线前补评估与 AI 监测分清 Promptfoo、Langfuse、LangSmith、Helicone、Phoenix 各自管哪一段名词记全没用缺了哪块会卡住、用错会出什么事故最好都能在自己的项目里验一遍。前端框架正在同时服务人类开发者和 Coding Agent过去评价一个前端框架主要看它能不能让开发者更快地写页面、组织路由、请求数据和完成构建。接下来还要增加一个判断标准Coding Agent 能不能准确理解这个项目并在真实运行环境里修改和验证代码Agent 可以读取文件却不一定知道浏览器中发生了什么。开发者看到 Hydration Error 时可以观察页面、控制台和错误覆盖层Agent 默认只能看到源码和终端输出。当用户只告诉它修复页面报错它很可能连具体错误都没有拿到只能从代码结构中猜测。Next.js 因此开始把运行状态暴露给 Agent。DevTools MCP 可以让支持 MCP 的 Coding Agent 访问开发服务中的错误、路由、渲染信息和运行状态。根据 Next.js AI Coding Agents 指南框架还会把与当前安装版本匹配的文档放进next包并通过项目根目录中的AGENTS.md引导 Agent 先阅读本地文档避免依赖已经过期的训练知识。框架把这些能力补出来以后前端工程师的日常也会跟着变。自己读文档、写代码、修 Bug 还在但又多了一层工作给 Agent 准备准确的项目上下文写清哪些目录可以改、哪些不能动把框架版本和项目规范写进机器可读文件让 Agent 能看到浏览器错误和运行日志把常见任务沉淀成项目 Skills用类型检查、测试和浏览器验证兜底审查 Agent 有没有扩大修改范围对最终合进主分支的结果负责这些环节缺一块生成代码就容易返工。上下文不够、框架版本拿错、看不到运行时报错、测试没拦住、Review 没盯住都会把结果打回去重来。方便 Agent 写代码不等于工程师可以少懂框架。缓存策略用错、服务端数据泄漏到客户端、鉴权被破坏、Bundle 被撑大这些问题还是得人先认出来。以后前端更常做的是把边界定清楚让人和 Agent 一起把结果交出去而不是亲手敲完每一行。第一阶段先把 AI Coding 变成项目能力这一步先别急着学 LangChain也别先背 Transformer、Embedding 和向量库。先把 AI Coding 工具用进真实项目。国外常见的有 Claude Code、Codex、Cursor、Gemini CLI国内也要把 Trae、通义灵码、文心快码、CodeBuddy 这类工具练熟。工具界面不一样项目级用法是同一套。很多人已经在用但还停在帮我写个页面、帮我修个 Bug。这适合试用不适合长期维护。Agent 不知道项目为什么这样设计不清楚哪些文件不能动也不知道什么叫完成很容易改错业务边界。这一阶段要练的是项目级用法按下面几步推进。先摸清 Agent 的权限和工作方式动手前先搞清楚它当前能做什么能读哪些目录能不能直接改文件能不能跑 Shell哪些命令要人工批准能不能访问网络、环境变量和密钥是否跑在沙箱或独立 Worktree会话中断后怎么恢复改完后 Diff 在哪里看用什么证据证明任务做完不同工具的审批开关、沙箱和 Worktree 叫法可能不同但这些问题都要先答清楚再让它动真项目。进陌生项目时先别开大功能按这个顺序练只读摸底说明入口、模块、状态管理、数据流、依赖、测试命令和高风险目录推测必须标出来小范围改动只动指定功能禁止碰公共组件和无关文件改前说影响范围和验证计划改后跑检查并列出未解决风险固定节奏先证据、再计划、后修改、最后验证。Agent 说已经完成不算结束这三步跑通以后再谈项目规则和 Skill。权限没摸清就开大功能后面很难收场。把项目规则写进仓库别每次开新会话都重新口述技术栈、目录和测试命令。把长期稳定的知识写进仓库例如AGENTS.md、CLAUDE.md、架构说明、开发规范、测试说明、安全边界和数据约束。国内工具如果另有项目说明文件同样放进仓库别只留在聊天记录里。写进去的内容要短只留每次任务都必须遵守的东西技术栈和目录职责状态与数据怎么流转常用开发、检查和测试命令哪些模块不能随便改哪些操作必须人工确认完成前要跑哪些验证哪些密钥和配置不能进仓库手册式长文会浪费 Token也会把真正重要的约束冲淡。长期规则放项目上下文某一类任务的做法再沉淀成 Skill。把重复任务沉淀成 Skill项目规则管每次都要守的边界Skill 管一类可重复任务怎么做当前 Prompt 只描述这一次目标。按 Anthropic 的 Agent Skills 说明Skill 可以按需加载项目里可以有很多但每次只拉相关的那几个。国内工具如果提供项目级技能、规则包或工作流模板按同样边界来沉淀即可。开源 Skill 大多是通用能力或者只适配某个特定场景。能拿来参考但不能指望装一套就覆盖自己的项目。真正要写的是按项目需求定制的 Skill你们的业务边界、禁止改动的目录、验收标准和失败时怎么停只有自己最清楚。这一步要做的是先从自己项目里挑反复出现的任务例如单位适配、Bug 定位、Review、发布检查每个 Skill 写清触发条件、要读什么、工作顺序、能动哪里、不能动哪里、怎样算完成、不确定时何时停下开源 Skill 只当模板或对照改成贴合本仓库的规则后再用用几类任务测触发该用的能命中不该用的不误触碰到禁区要停下来追问能用脚本拦住的确定性检查交给脚本别全丢给模型判断Claude Code 里项目级 Skill 一般放在.claude/skills/个人通用的可以放在~/.claude/skills/。其他工具放到各自约定目录即可。具体文件怎么写跟官方文档走这一阶段先把边界和流程立住。这些能力一起转起来以后项目级 AI Coding 才算成形而不是只装了一个 CLI也不是只堆了一堆开源 Skill。这一阶段怎样算过关不是看装了多少工具。新会话起来后Agent 能读到项目规则匹配到相关 Skill先说计划只改允许范围跑完规定检查并交出能人工核验的 Diff 和测试证据这一阶段就算完成。第二阶段后端先判断 Node 和非 Node不必一次选完所有语言前端补后端时最容易把时间耗在语言比较上Node、Go、Java、Python 到底学哪个。标准其实很简单无论 Node 还是别的语言能让你最快入门、最快跑通一个端到端项目的就是更好的方案。不必先定未来十年用什么语言。先按现实约束选一条走通没有明确限制时优先走 Node复用已有的 JavaScript 或 TypeScript少换一个变量公司、岗位或现有业务已经绑在非 Node 技术栈上就直接跟那条栈别为了全栈人设硬切语言两条路都能入门关键是选完就动手别两边同时铺开。没有硬约束时Node 通常入门更快前端已经熟悉 TypeScript 和 npm 时继续用 Node可以把精力先放在真正缺的后端问题上HTTP 和鉴权怎么进服务数据库怎么建模事务失败怎么处理缓存何时失效异步任务怎么重试SSE 断开后怎么恢复Agent 状态保存在哪里工具调用怎么审计很多 AI Coding 工具和 Agent 工具链也跟 Node、npm 走得近。Claude Code 的 入门文档 就长期提供 npm 安装并列出 Node.js 运行环境。这不是说必须选 Node只是说明第一次转型时少学一门新语言通常能更快碰到真实工程问题。已有生产约束时跟现有栈更快目标团队的权限、交易、数据和基础设施已经建在 Go、Java、Python 或其他栈上继续沿用通常比另起 Node 服务更快。部署、协作和上线路径都现成入门成本往往更低。模型调用、流式响应、结构化输出、Prompt、缓存、RAG、Tool Calling、Agent 状态、任务编排、评估与监控都不绑定 Node。换语言可以但学习重点仍是数据库、事务、并发、权限、消息和部署。只换语法重写 CRUD不算补上后端。选路线时只看三件事哪条路能让当前项目更快交付端到端结果目标团队真实生产系统用什么现在卡住的是语言本身还是后端基础不够长期比较语言却不做出可运行项目是这条路上最常见的浪费。Node 可以是低成本切入服务端的路非 Node 可以是直接进入真实生产系统的路。标准不是哪门语言更高级而是哪条路让你更快上手、更快交付。后面岗位和业务变了技术栈还可以再调。第三阶段先补普通全栈不要用 AI 掩盖后端基础AI 产品首先仍然是软件产品。用户、组织、权限、数据库、文件、任务和日志没处理好模型接进来只会多出一堆说不清的故障。这一阶段先做一个不包含模型的任务系统把普通全栈能力跑通。可以用 Next.js 的 Route Handlers、Server Actions 建立服务端体感但别把它当成绕过后端的捷径。真正要补的是这些HTTP 请求生命周期、参数校验和异常处理身份认证、权限控制和多租户数据隔离关系型数据库表设计、唯一约束、事务、并发更新、索引和分页Redis缓存、会话、限流、分布式锁以及缓存失效怎么处理消息队列和异步任务投递、消费、重试、去重、失败死信文件上传、SSE 或长连接以及断开后任务状态怎么恢复Docker 部署、结构化日志和基础监控告警单元测试与集成测试密钥和敏感配置不进仓库数据库别只停在会用 ORM。表怎么拆、哪些字段要唯一、一对多和多对多怎么表达、哪些写操作必须进同一事务、并发更新如何避免覆盖、权限条件怎样进查询这些都要自己想清楚。项目里可以先建用户、组织、成员、项目、任务、文件和审计日志再主动构造重复提交、并发修改、权限越界和任务失败看系统怎么表现。消息队列和 Redis 也一样重点不是会调 API而是弄清什么该同步、什么该异步消息重复消费怎么办服务重启后未完成任务还有没有明确状态。监控则要能回答一次请求失败时日志里能不能定位原因。这一阶段怎样算过关可以按这些标准检查不同组织的数据不能相互读取重复请求不会生成两份业务数据异步任务失败后能够重试不会静默丢失SSE 断开或服务重启后任务状态仍然可查核心接口有集成测试失败能靠日志定位密钥和敏感配置不会进入仓库这些问题还过不了后面接 Agent 时普通工程错误很容易被包装成模型不稳定。第四阶段正式进入 AI 学习按这条顺序推进普通全栈补完以后再进入 AI 本体别一上来就堆框架和多 Agent。更稳的顺序是先搞清模型怎么工作再学控输出、喂上下文和记忆接着做检索、Function Calling以及把能力暴露给 Agent 的几种方式然后接 Skills 和编排最后才到意图识别、Supervisor 与多 Agent。推荐按这条线推进大模型架构与基本概念解码参数、流式调用、结构化输出与 Prompt CachePrompt EngineeringContext Engineering工作记忆、短时记忆与长时记忆Embedding、BM25 与 RAGFunction Calling、Tool Calling工具暴露方式进程内工具、CLI、MCP把 Skills 接到 Agent 上LangChain 与 LangGraph意图识别、Supervisor 与多 Agent前面没懂后面很容易把工程问题误判成模型能力问题。先搞清大模型在干什么先建立工程向的直觉不必从零推公式至少要弄清Token、上下文窗口、输入输出怎样计费Transformer 直觉模型如何根据已有 Token 预测下一个 Token预训练、微调、对齐各自解决什么问题为什么会幻觉、为什么会遗忘中间约束、为什么长上下文不一定更好聊天模型、推理模型和嵌入模型分别适合什么场景目标不是成为算法研究员而是后面调参数、写 Prompt、做记忆和 RAG 时知道系统边界在哪里。再学解码参数、流式调用、结构化输出与 Prompt Cache会调 API 不等于会控输出这一步要把常见控制项练熟temperaturetop_p、max_tokens、stop对结果稳定性和多样性的影响流式输出、超时、限流、重试和请求取消结构化输出与 Schema 校验字段缺失、类型错误时要重试、修复或失败返回输入输出 Token、首字延迟和单次成本怎么看这里也要把缓存先拆开。Prompt Cache 只解决重复前缀的计算成本不是业务记忆。以 Claude 为例它通常遵循工具定义、系统规则、消息前缀的层级稳定内容放前面、变化内容放后面才更容易命中。提示缓存说明 也要求用响应里的缓存写入和Context Engineering 要回答的是当前步骤真正需要哪些信息、哪些可信、哪些过期、怎样组织。常见错误是把聊天记录、全部文档和全部工具一次性扔给模型上下文越长并不代表效果越好。每次组装上下文前先判断当前步骤目标是什么哪些事实会影响下一步信息来自用户、数据库还是模型推测数据是否仍有效、是否有权限该留原文还是只留摘要步骤结束后哪些信息要写回状态或记忆层答不清就不该把整段资料原样塞进去。稳定前缀适合 Prompt Cache动态检索和当前问题按步骤构建。把记忆单独学清楚别和缓存、RAG 混为一谈很多项目把把聊天记录全塞回去当成记忆这不够。工程上至少要分清三层工作记忆当前这一轮 Agent 循环里的临时状态例如正在执行的步骤、中间工具结果、待确认项短时记忆本次会话里仍然有效的对话摘要和关键结论受上下文窗口限制通常要压缩、截断或摘要不能无限追加原文长时记忆跨会话仍要保留的事实例如用户偏好、项目约定、历史决策摘要落在数据库或专门的记忆存储里用时再取回同时还要和另外三件事划清边界Prompt Cache省的是重复前缀的计算成本不负责记住用户是谁RAG取的是外部知识文档不等于个人或任务记忆Checkpoint保存的是任务执行进度方便中断恢复也不等于长期记忆这一步要练的是写入、读取、更新、遗忘和权限。哪些内容值得进长时记忆哪些只能留在短时摘要哪些工具结果用完就丢什么时候摘要、什么时候原文都要有规则否则 Agent 要么失忆要么把过期、越权和噪声信息一起记住。再学 Embedding 和 BM25并把 RAG 做成数据系统有了上下文和记忆之后再做外部知识接入。检索至少要会两条路Embedding 向量检索适合语义相近、说法不同但意思接近的问题BM25 等关键词检索适合错误码、接口名、产品编号、专有名词这类需要精确命中的查询两条路解决的问题不一样只上 Embedding精确词容易漏只上 BM25换种说法又可能找不到。真实项目通常做混合检索让向量召回和 BM25 召回并行再视情况做 Metadata Filter、结果融合和 Rerank。RAG 远不止文档切片、写入向量库、相似度检索而是一条持续维护的数据链路文档解析与清洗保留标题、来源、版本和页码按文档类型切片而不是只按字符数切Embedding 召回加 BM25 召回必要时做 Metadata Filter、融合和 Rerank权限在检索前生效不能先召回再让模型决定能不能看文档更新、删除后向量、全文索引和缓存同步清理建立固定问题集检查召回、引用、拒答和权限隔离初期用 PostgreSQL 加 pgvector再配合全文检索或 BM25 做混合搜索就够了不必一上来堆多个向量库。能问出答案只是 Demo能更新、删除、隔离、引用和评估才算 RAG 系统。明确学会 Function Calling、Tool CallingOpenAI 生态里常叫 Function CallingAnthropic 和其他文档里常叫 Tool Use 或 Tool Calling说的是同一件事模型不会真的查库、发邮件或改订单它只会返回一份结构化的函数或工具调用请求由应用读取请求、校验参数、执行函数再把结果作为下一条消息交回模型。边界要先立住模型负责提出要调哪个函数、传什么参数业务系统负责决定能不能执行。自己先手写一轮最小循环把这些契约写清楚函数或工具的名称、用途、输入输出 Schematool_choice一类控制强制调用、自动选择还是禁止调用是否支持并行调用多个函数超时、权限、是否有副作用、是否要人工审批失败结果、重试和幂等方式最大循环次数、Token 预算、终止条件和审计记录金额计算、权限判断、库存扣减、状态变更交给确定性程序模型适合意图识别、文本理解、候选方案和非结构化整理。没有这些约束Agent 很容易在失败分支里反复调同一个函数或把没有报错当成任务完成。工具怎么暴露给 Agent进程内工具、CLI 和 MCPFunction Calling 解决的是模型怎么提出动作不解决工具以什么形态接进来。这一层至少要分清三种暴露方式它们不是升级关系更不是MCP 比 Function Calling 更高级进程内工具应用进程里注册函数模型一调用就本地执行延迟低、好调试适合核心业务动作CLI、Shell给 Agent 终端能力直接跑git、gh、rg、kubectl、测试和自定义脚本。Coding Agent 里很常见模型对 CLI 训练充分组合管道强Token 开销通常更低MCP用统一协议发现和调用外部能力适合跨客户端复用、结构化 Schema、需要统一鉴权和审计的外部系统。见 MCP 服务端概念选型可以按场景判断高频、本地、已有成熟命令的优先 CLI不必硬包一层 MCP要跨 Cursor、Claude Code、自建 Agent 共用同一套外部能力或需要强类型发现时再上 MCP核心业务写库、支付、权限校验优先进程内工具加网关不要只靠模型拼命令MCP 的 Tools 规范 也强调敏感工具要能拒绝服务端要校验和限流客户端要确认、超时和审计。无论走 CLI 还是 MCP权限、幂等和审计都不能省。生产里更稳的结构仍是 Agent 提出调用网关解析身份业务服务再校验权限和状态高风险走人工确认执行后写审计再把结构化结果返回。把 Skills 接到 Agent 上Function Calling 解决的是单次动作Skills 解决的是一类可重复任务怎么做。第一阶段里为 Coding Agent 写的项目 Skill和这里给业务 Agent 接的 Skill是同一套思路把触发条件、必读资料、步骤、边界和验收写清楚让 Agent 按需加载而不是每次靠口头 Prompt 从头讲。接入时重点练这几件事Skill 元数据怎么注册名称、描述、适用场景保证 Agent 能靠描述命中而不是把全部 Skill 一次性塞进上下文命中后怎样加载先读摘要确认相关后再加载完整SKILL.md、参考资料和脚本Skill 与工具怎样配合Skill 规定流程和边界真正改数据、查库、发消息仍走 Function Calling具体执行可以是进程内工具、CLI 或 MCP开源 Skill 只当模板最终要改成贴合本项目规则的版本用该触发、不该触发、该停下来追问三类任务验证接入是否正确Skills 没接稳就上多 Agent只会把混乱的流程复制成多份。再用 LangChain 组装用 LangGraph 管长任务单 Agent、Function Calling、工具暴露方式和 Skills 跑通后再引入框架。LangChain 适合快速组装模型、Prompt、结构化输出、工具和短任务 AgentLangGraph 更适合长时间运行、有状态、可恢复的任务重点是 State、条件分支、Checkpoint、Interrupt、人工批准和失败恢复。学习顺序也固定先对应自己手写过的函数调用和 Skill 加载看框架替你挡了什么需要跨请求保存运行事实、等待审批或中途恢复时再上 LangGraph。确定性流程继续用普通程序只有下一步确实要靠语义和当前状态动态判断时才交给 Agent 决策。再学意图识别、Supervisor 与多 Agent大多数项目先把一个可靠的单 Agent 做稳等任务边界清楚、单 Agent 已经频繁在多种职责间打架时再拆多 Agent。这一步按这个顺序练意图识别先判断用户要查知识、改数据、走售后还是闲聊再决定路由到哪条链路或哪个 AgentSupervisor由一个主管 Agent 负责任务拆解、分派、汇总和终止子 Agent 只做自己的窄职责多 Agent 协作明确各自工具、Skills、上下文和权限约定交接格式、共享状态和结果合并规则失败与冲突子 Agent 失败时谁重试、谁升级、谁对用户负责都要事先写清没有意图识别和 Supervisor多 Agent 很容易变成互相抢话、重复调用工具、结果无法合并。只有任务能明确拆分并且合并规则清楚时才值得引入。这些能力串起来以后AI 本体这条线才算立住可以用一张总览图把学习顺序钉死。这一阶段怎样算过关不是装了多少框架而是能按上面顺序讲清每一步解决什么问题并说清 Function Calling、CLI、MCP 各自管哪一层。自己的项目里要做出可控的模型调用、可测试的 Prompt、可解释的上下文、分层记忆、带权限的 RAG、带契约的 Function Calling、按场景选择的工具暴露方式、可按需加载的 Skills以及在确有必要时才上的意图识别、Supervisor 和多 Agent。第五阶段评估、AI 监测和安全决定 Agent 能不能上线普通接口返回 200通常说明请求执行成功。AI 系统返回 200只能说明模型响应成功既不能证明答案正确也不能证明工具调用安全所以评估和监测都不能拖到项目最后临时补。这一步要同时盯住三件事组件和任务有没有固定评估线上有没有可追查的 AI 监测与 Trace高风险动作有没有按副作用分级的权限门禁。组件级评估至少覆盖分类正确率、Schema 解析成功率、RAG 召回、引用正确性、工具选择、工具参数和拒答结果。任务级评估则要看 Agent 是否完成目标、路径是否合理、有没有多余工具调用、有没有越权、是否正确停止、失败后能否恢复以及最终结果是否符合业务要求。工具不要一上来全装先分清离线评估和线上监测Promptfoo偏上线前的离线评估和 CI 门禁用固定用例、断言、多模型对比甚至红队探测拦住明显回退再发版Langfuse偏生产监测开源可自托管负责 Trace、Prompt 管理、评分、Token 与成本延迟LangSmith同样覆盖 Trace、数据集和线上评估和 LangChain、LangGraph 集成更深Helicone偏网关代理式监测改baseURL就能记请求、延迟和花费适合先把成本看清楚Arize Phoenix偏 OpenTelemetry 路线适合已有 OTel 体系、要框架中立 Trace 和评测工作流的团队常见闭环是Promptfoo 管发布前回归Langfuse、LangSmith 或 Phoenix 管线上真实链路Helicone 一类网关先把花费和延迟摊开。失败样本再回流进离线测试集而不是只靠人工点几次 Demo。AI 监测和普通服务监控也不完全一样。除了错误率和可用性还要持续看这些信号请求级模型、Prompt 版本、输入输出、Token、首字延迟、总延迟、缓存命中、失败原因链路级检索召回、工具选择与参数、工具结果、状态跳转、审批与人工接管质量与成本用户反馈、拒答率、幻觉相关投诉、单次任务成本、日预算告警、模型降级次数Trace 记录的是执行事实不是事后总结。一条完整 Trace 至少要能串起用户输入、Prompt 版本、模型、上下文来源、检索结果、工具名称与参数、工具结果、状态变化、审批记录、Token、Prompt Cache 命中、延迟、最终输出和用户反馈。没有这些信息线上出错时往往只能看到最终答案很难判断问题来自模型、检索、Prompt、工具还是状态管理。权限要按副作用分级。只读搜索和普通知识检索风险较低修改数据、发送消息、执行代码、控制设备、发布内容和发起支付具有真实副作用需要更严的控制。至少要有工具白名单、最小权限、参数校验、超时、调用次数限制、Token 和费用预算、沙箱、人工审批、审计日志以及回滚或补偿。生产闭环可以收成一张风险门禁图这一阶段怎样算过关Promptfoo 能拦住发布前的明显回退Langfuse、LangSmith、Helicone 或 Phoenix 一类监测能定位一次线上失败并解释成本与延迟高风险操作能被拦截中断后能恢复新版本能通过固定测试证明没有明显回退。第六阶段用一个主项目串起整条路线学习路线不能拆成十几个互不相关的 Demo。Node 写一个 TodoPrompt 做一个翻译器RAG 做一个 PDF 问答Agent 再调用一次天气接口每个项目都能运行但能力之间没有形成连接。更有效的方法是选一个主项目一直往上加能力。例如我们最近做的 Coding Agent 桌面工作台早期只是 pnpm Monorepo 和 Electron 壳能跑起来后面才一点点补 Agent 循环、权限沙箱、Skills、上下文压缩、完成校验和中断续跑。面试时你讲的是这个项目怎么长大不是五个小 Demo 各吹一遍。共享包里的目录也得跟着职责长agent、context、permission、prompt、skills、provider各管一段打开就能知道改权限去哪、改提示词去哪而不是让 AI 按需求往一个大文件夹里堆文件过两周自己都找不着北。主项目能长期加能力靠的就是这种边界还在而不是功能清单越写越长、目录却越来越糊。意图识别也一样。刚开始做单意图分类就够了可用户真会说这个项目有什么内容啊要多少次更新啊都是谁提交的啊。一句话里项目内容、提交次数、贡献者都要硬贴一个标签肯定漏后面才改成先拆成多条意图能并行的一起查。拆开之后一条去读README一条去数提交一条去列作者比假装只有一个查项目意图靠谱得多。Coding Agent 的 Prompt 也翻过车。刚开始觉得 system prompt 写得越全越好把 Skills 全文、项目说明、安全规则一股脑塞进去用户才问两轮上下文就爆了有时还把内部指令复述出来。后来才改成 prompt 里只放 Skills 索引和底线规则正文用UseSkill按需加载AGENTS.md单独走指令装配不跟记忆混在一块。也不用一上来就按完整产品开干。仓库和进程边界先稳住模型能改文件、跑命令再说。权限和沙箱往往是翻车之后才补的上下文爆了、做到一半断了、它自己说做完但测试没过这些坑踩到了再加压缩、记忆、校验和续跑比空想一张大架构图实在。开源的话别人打开仓库得能看懂你做了什么闭源的话至少得给人能用的入口安装包、在线演示或可申请的试用都行。架构怎么拆、AGENTS.md怎么约束、Skills 怎么用、权限怎么拦、完成怎么验、断了怎么续再留一两个真实翻车记录该公开的写清楚不能公开的就在演示和说明里把边界讲明白。简历里不要只写给 Coding Agent 写了一套很长的系统提示词。更有效的表达是Coding Agent 早期把 Skills 全文和项目规则塞进 system prompt上下文很快膨胀后来改成只注入 Skills 索引、按需UseSkill加载正文AGENTS.md走指令层并与记忆隔离再用固定改码任务看有没有漏加载、有没有把内部指令泄给用户。其中所有数字都要来自真实测试不能为了简历效果编造。学习过程中最容易走偏的几个地方路线越长越容易先堆工具、框架和抽象却迟迟碰不到一个能反复交付的真实任务。更稳的起点往往是自己正在做的事。例如做抖音内容时选题、角度、标题、脚本和发布素材会反复出现步骤一旦稳定就可以先收成一个 Skill把触发条件、素材来源、输出格式和验收标准写清楚再谈自动化。先跑通选题到生成这一条链路比空着手写几十个通用 Skill 更有用。不要用抽象清单代替真实场景先选定一个会反复发生的任务再选一个 Coding Agent把上下文文件、权限、Diff、测试和这个 Skill 跑顺。切换工具很容易建立项目级使用习惯更难。任务只出现一次、步骤还不稳时先写进笔记或临时 Prompt不要急着封装。不要用未版本化的 Prompt 凭感觉改Skill 能跑起来以后下一处常踩的坑是改 Prompt。多写两句、换个模型、调一下温度当场看起来更好了却说不清比上一版强在哪里也回不到上一版。Prompt 要按用途版本化例如douyin-选题-v3每次改动保留变更说明和对应测试集。改完先用 Promptfoo 跑离线回归看选题相关性、标题可用性、脚本结构、敏感词和任务完成必须由外部证据证明类型检查通过、测试通过、浏览器行为正确、Diff 没有越界、权限没有放宽、数据没有被破坏以及真实验收条件成立。对内容类 Skill还要能说明选题是否贴合账号定位、脚本是否可拍、有没有触线表述。Agent 的总结只能当参考不能代替验证。总结前端没有因为 AI 消失变窄的是过去那种只盯页面和接口的职责边界。Next.js 给 Coding Agent 补AGENTS.md和运行时可见性支付宝把 Skills 放进接入链路说明 Agent 已经进了正式交付而不只是个人提效工具。转 AI 全栈别一上来堆框架。先把 Coding Agent 用进真实项目规则和 Skills 写清楚再补后端。语言选 Node 还是别的不重要HTTP、鉴权、数据库、缓存、任务、部署这些工程问题逃不掉。全栈底座有了再按模型、Prompt、上下文、记忆、RAG、Function Calling 往下学工具上分清进程内、CLI 和 MCP单 Agent 稳了才谈多 Agent最后才是评估、监测、权限和失败恢复。整条路线最好压进一个主项目里长而不是拆成一堆互不相关的 Demo。代码可以让 Agent 写得更快项目边界、验证标准和最终交付责任还是工程师的事。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。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势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大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取