AI-Wiki：总览目录
⭐ 如果觉得有用，欢迎 Star！→ GitHub 仓库
贡献入口：提交 Issue / 提交 Pull Request
本文档是 ai-wiki 的正文总览页。完整内容已按章节拆分在 docs/chapterXX/ 目录下，便于持续维护与扩展图片等资源文件。
全景架构图
15 个章节可分为四层：模型与数据层 → 框架与协议层 → 工具与平台层 → 范式与方法论层
┌─────────────────────────────────── 范式与方法论层 ──────────────────────────────────┐
│ │
│ Vibe Coding(12) Prompt Engineering(14) │
│ 编程范式：灵感/Spec/Glue/Harness 交互范式：提示词框架与技巧 │
│ │
├─────────────────────────────────── 工具与平台层 ──────────────────────────────────┤
│ │
│ CLI(4) IDE(7) Skill(5) Claw(1) Coding Plan(2) │
│ 终端 AI 工具 AI 原生 IDE 技能市场与创建 智能体产品 订阅套餐 │
│ │
├─────────────────────────────────── 框架与协议层 ──────────────────────────────────┤
│ │
│ Agent 框架(8) RAG 框架(9) MCP(6) │
│ LangChain/CrewAI/ LlamaIndex/RAGFlow 工具调用协议 │
│ AutoGen/ReAct/... GraphRAG/Agentic AI 应用的 USB-C │
│ │
├─────────────────────────────────── 模型与数据层 ──────────────────────────────────┤
│ │
│ 模型 API(3) Embedding(11) 向量库(10) │
│ LLM 推理能力来源 文本→向量表示 向量存储与检索 │
│ │
└───────────────────────────────────────────────────────────────────────────────────┘
│
资源导航(13) + 实战项目(15)依赖关系：
- 模型与数据层是所有上层的基础——模型 API(3) 提供推理能力，Embedding(11) + 向量库(10) 是 RAG(9) 的前置
- 框架与协议层依赖模型与数据层——Agent(8) 调用模型推理，RAG(9) 依赖 Embedding+向量库，MCP(6) 是 Agent(8) 和 Skill(5) 的工具协议
- 工具与平台层依赖框架与协议层——CLI(4) 和 IDE(7) 内建 Agent 能力，Skill(5) 通过 MCP(6) 调用工具
- 范式层是方法论，指导所有层的使用方式
学习路径
根据你的目标，选择不同的学习路线：
路线 A：AI 编程入门（零基础）
适合想快速上手 AI 辅助编程的开发者。
模型 API(3) → CLI(4) → IDE(7) → Skill(5) → Vibe Coding(12) → Coding Plan(2)
"有哪些模型" "终端怎么用" "IDE怎么选" "技能怎么装" "怎么用AI写代码" "怎么省钱"目标：能用 AI 工具独立完成一个小项目。
路线 B：RAG 应用开发者
适合想构建知识库问答、文档检索系统的开发者。
模型 API(3) → Embedding(11) → 向量库(10) → RAG 框架(9) → MCP(6)
"选哪个模型" "文本怎么变向量" "向量存哪里" "怎么检索+生成" "怎么接外部工具"目标：能搭建一个端到端的 RAG 知识库问答系统。
路线 C：Agent 工程师
适合想构建自主推理、多步执行的 AI Agent 的开发者。
MCP(6) → Agent 框架(8) → RAG(9) → Skill(5) → Prompt Engineering(14)
"工具协议" "框架怎么选" "知识增强" "技能封装" "提示词工程"目标：能设计并实现一个多步骤、可调用工具的 AI Agent。
阅读方式
- 从本页按主题跳转到对应章节
- 每个章节页都提供「上一章 / 返回总览 / 下一章」互链
- 或按上述学习路径顺序阅读
章节目录
| 章节 | 文件 | 简介 |
|---|---|---|
| 一、龙虾 Claw 产品系列 | 01-openclaw-ecosystem.md | OpenClaw 生态、核心能力与国内产品矩阵 |
| 二、Coding Plan | 02-coding-plan.md | 主流订阅套餐、定价与趋势 |
| 三、三方模型（API） | 03-model-api.md | 国际/国产 API 模型与聚合平台 |
| 四、CLI 种类 | 04-cli-tools.md | 主流 AI CLI 工具盘点 |
| 五、好用的 Skill | 05-skills.md | Skill 生态和常见技能类型 |
| 六、MCP | 06-mcp.md | MCP 服务器、客户端与延伸阅读 |
| 七、编程工具 IDE | 07-ide-tools.md | IDE/编辑器与 Web 编程工具 |
| 八、Agent 框架 | 08-agent-frameworks.md | Agent 框架、低代码平台与对比 |
| 九、RAG 框架 | 09-rag-frameworks.md | 主流框架与演进方向 |
| 十、向量知识库 | 10-vector-databases.md | 向量数据库选型参考 |
| 十一、Embedding 模型 | 11-embedding-models.md | 主流 Embedding 模型与榜单 |
| 十二、Vibe Coding 四种 | 12-vibe-coding.md | 开发者原型与编程范式 |
| 十三、资源导航 | 13-resources.md | 导航站、榜单与社区资源 |
| 十四、Prompt Engineering | 14-prompt-engineering.md | 提示词核心技巧、框架与最佳实践 |
| 十五、端到端实战项目 | 15-hands-on-projects.md | RAG 知识库、MCP Server、Vibe Coding MVP |
术语表
| 术语 | 全称 | 含义 |
|---|---|---|
| LLM | Large Language Model | 大语言模型，如 GPT、Claude、Qwen |
| RAG | Retrieval-Augmented Generation | 检索增强生成，先检索相关文档再生成回答 |
| MCP | Model Context Protocol | 模型上下文协议，AI 应用的工具调用标准 |
| Agent | AI Agent | 能自主推理、规划、执行任务的 AI 系统 |
| Embedding | Text Embedding | 将文本转换为向量表示，用于语义检索 |
| HNSW | Hierarchical Navigable Small World | 基于图的向量索引算法，查询速度快 |
| IVF | Inverted File Index | 基于聚类的向量索引算法，适合大规模数据 |
| MTEB | Massive Text Embedding Benchmark | Embedding 模型的权威评测基准 |
| CoT | Chain of Thought | 思维链，让模型逐步推理以提升准确率 |
| ReAct | Reasoning + Acting | 推理+行动交替的 Agent 设计模式 |
| Skill | AI Skill | 为 AI 预定义的可复用专业能力包 |
| CLI | Command-Line Interface | 命令行界面，终端中使用的工具 |
| IDE | Integrated Development Environment | 集成开发环境，如 VS Code、Cursor |
| BM25 | Best Matching 25 | 经典关键词检索算法，常与向量检索组合使用 |
| RRF | Reciprocal Rank Fusion | 倒数排名融合，合并多路检索结果的排序方法 |