学习站.
Layer 00 · 入口

AI 工程
协作知识系统

从思维方式到可验收交付——
一套写给构建者、审查者与交付者的方法论全书。

开始阅读 ↗ 浏览目录 入门路径
编者按 · Editor's Note

这不是一本关于"如何使用 AI 工具"的手册，而是一套关于"如何与 AI 协作工程"的系统思考。我们相信，真正的效率提升来自清晰的意图、结构化的流程，以及可验证的交付标准——而非更多的提示词技巧。

01 / 06
20 MIN · 入门 预计 20 分钟

环境准备

从终端到 agent 的完整环境。工具不是学习目标，但稳定的版本管理、AI 工作台、远程仓库和网络条件，是后续知识沉淀与工程实践能够持续发生的前提。

核心要点 · Key Takeaways
Git 是基础设施。所有产出可追溯、可回滚、可复现。
本地 AI 工作台（OpenCode / Claude Code）是日常主力，配合远程仓库形成闭环。
先跑通一次完整流程，再回头理解每一步的意义。
查看准备清单，预计 20—40 分钟。
02 / 06
60 MIN · 基础 预计 60 分钟

思维底座

认知、结构与方法的整体连接。先理解思维如何从经验、确定性模型走向统计与不确定性管理，才能理解为什么 AI 工程需要数据、验证和持续迭代。

核心要点 · Key Takeaways
认知系统不是工具清单，而是连续结构：建模 → 活动 → 抽象 → 动静分析 → 工具。
数据 → 信息 → 知识 → 智慧，逐层转化需要假设、关系和决策的介入。
程序员数学的核心是连接——微积分、概率、线代、最优化，构成 AI 的知识骨架。
浏览 27 张认知图谱，按主题分组。
推荐 · 4 篇深度
03 / 06
45 MIN · 方法 预计 45 分钟

学习方法

把抽象方法变成可照做的学习路径。新手先走通闭环，再回到证据中理解每个工程决策；写作则是思考本身的外化。

核心要点 · Key Takeaways
10 步实战：从收集聊天到验收归档，每一步都有明确动作和检查结果。
你是在组织协作，不是写提示词——需求、设计、实现、质检与修复，模拟的是专业分工。
写作本身就在思考：备忘、缓存、反思、交流、语言生成，构成完整的思考循环。
三条路径：10 MIN 建立全局 · 45 MIN 复盘项目 · DEEP 深度学习。
配套教程 · 3 条路径
04 / 06
30 MIN · 实践 预计 30 分钟

知识实践

让大模型维护 Wiki，人类负责方向。传统知识管理的获取、筛选、提炼、组织与应用，被 LLM Wiki 编排为三层架构：原始资料不可变，模型增量生成相互链接的 Wiki，Schema 约束结构。

核心要点 · Key Takeaways
原始资料保持不可变——所有变化以增量追加发生，永远保留"当初为什么"的证据链。
Schema 约束结构：每篇 Wiki 有固定字段，机器可索引、可检索、可对比。
人类负责方向判断、边界定义和"不做什么"——这些是模型无法代替的决策。
查看 LLM Wiki 方法论，含架构与流程拆解。
05 / 06
90 MIN · 闭环 预计 90 分钟

工程闭环

需求、设计、实现、质检、修复的完整链路。核心案例回答"发生了什么"，工程链路回答"如何从一段真实对话走到可验收交付"。

核心要点 · Key Takeaways
从群公告开始：串起 RPA 技能升级、文档生成、多 Agent 流水线、进度汇报、五轮盲审修复和最终归档。
六个节点：对话 → PRD → 需求 v2 → 技术方案 → 修复记录 → 最终验收。
把"AI 理我了吗？"这样的真实问题作为输入，验证方法论在真实场景中的可运行性。
阅读核心故事，或 看案例拆解。
6 个工程节点 · 完整链路
06 / 06
20 MIN · 证据 预计 20 分钟

证据系统

从聊天记录到可核验交付物。按知识类型检索原始交付物——它们不是并列文章，而是工程主线中不同阶段留下的可追溯证据。

核心要点 · Key Takeaways
四类证据：定义（PRD / 需求）· 设计（技术方案）· 质量（修复记录 / 验收报告）· 教学（案例拆解）。
从 A 到 L，共 12 份文档，覆盖从产品定义到最终验收签署的完整链路。
每次交付后做一次 5 分钟复盘——哪里顺利？哪里卡住？下次如何改进？
把优秀的协作经验沉淀为项目模板，让下一个人更快开始。