AI新手入门教程从2020年开始整理零基础学习笔记，最初只是几个人在文档里互相提醒“别一上来就啃数学”。2023年生成式AI爆发后，越来越多完全没有技术背景的人涌进来，我们意识到真正缺的不是课程列表，而是一条不劝退的路径。于是把“先动手、再补缺”写成固定原则：先让模型跑起来，遇到问题再回头查概念。
2020 起步
2023 转向生成式AI
2026 智能体实操年
品牌简介
不堆课程，只给能走通的路
2026年的变化很具体：智能体不再只是演示视频里的概念，扣子、Dify这类低代码平台把“搭一个能干活的AI”的门槛降到了新手可以承受的范围。我们今年的内容重心也随之调整，把大量篇幅放在提示工程的可复用结构、RAG的最小可行实现，以及如何判断一个任务到底值不值得交给AI。不教“万能公式”，只教在什么场景下选什么工具。
避坑指南模块已按2026年常见误区重写，重点更新“生成即交付”的风险提示与验证习惯。
我们始终把学习者当作“要解决具体问题的人”，而不是“要成为算法专家的人”。大部分人的出路是用好现成模型，把AI接进自己的工作流。所以教程里出现的每个概念，都会配一个能当场跑通的小动作：一条提示词、一次API调用、一个低代码智能体。学完一个模块，你手里应该多出一个能用的东西，而不是多了一堆笔记。
八大内容导航
按学习阶段拆开，每一步都知道该做什么
今日热播
近三天学习者停留最长的教程与项目
主推教程
提示工程四要素实战：从模糊需求到可复用提示词
用一个真实的内容生成任务，走完“角色—目标—约束—示例”的完整设计流程。对比随意提问与结构化提示的输出差异，理解为什么同样的模型，结果可以差出几个量级。
项目
零基础用扣子搭一个资料整理助手
不写代码，把上传、检索、总结串成一个可用的工作流。
教程
RAG最小闭环：本地文档问答一次跑通
从切分到生成，用最小依赖理解检索增强的每个环节。
Python够用就好：跑通第一个AI脚本
AI幻觉识别：三个即时验证习惯
Dify入门：把提示词变成应用
Meta Prompting：不知道怎么写时先问AI
新手第一周学习计划：每天30分钟
平台资讯
教程更新与学习动态
04.18 2026
“先动手”原则专题页上线，汇总12个可当天跑通的小任务
针对新手最常见的“准备过度”问题，我们把分散在各教程里的动手环节单独整理成专题。每个任务控制在30分钟以内，不要求提前学完任何理论，做完再看解释。首批覆盖提示工程、工具调用与低代码Agent搭建。
04.15 2026
避坑指南模块完成2026年第一轮修订
新增“生成即交付”风险条目，重写“提示工程不是万能公式”一节，并补充低代码智能体场景下的验证步骤。所有条目均附有替代做法，不只指出问题。
04.12
RAG入门路径新增本地向量库对比
补充轻量方案与最小依赖选择建议。
04.10
Python起步模块精简为“够用清单”
移除与新手场景无关的高级特性。
04.08
智能体搭建新增Dify工作流拆解
逐步展示节点配置与调试过程。
04.05
工具实操页更新编程辅助分类
补充AI原生编辑器的适用边界。
04.02
提示工程AB测试思路新增案例
用同一任务对比两种提示结构。
03.30
项目实战新增“自动整理资料”模板
可复用工作流与参数说明。
03.27
FAQ新增“要不要先学数学”专题
给出分场景的判断标准。
03.24
学习路径页新增每周10小时参考节奏
按阶段拆解可执行任务量。
深度解析
为什么“先学工具”容易走进死胡同
很多新手打开AI教程的第一件事，是找一个“最值得学”的工具。今天学ChatGPT，明天试Midjourney，后天又开始研究Agent框架。每一步都觉得自己在进步，但关掉教程面对真实任务时，仍然不知道该从哪里下手。问题不在于工具本身，而在于学习顺序把认知层和执行层的关系倒置了[reference:0]。
工具是执行层的东西，它回答“怎么做”。但“什么时候该用、什么时候不该用、用了之后怎么判断结果靠不靠谱”，属于认知层的问题。跳过认知直接学操作，最典型的结果是“手里有锤子，看什么都像钉子”：用AI处理一个本不适合AI的任务，或者把生成结果直接当成答案交付[reference:1]。
“先动手”不等于“先学工具”。动手的对象应该是一个完整的任务闭环：判断适不适合、选择路径、执行、验证。工具只是其中一环。
2026年的AI生态比两年前友好得多，低代码平台让搭建智能体不再需要工程背景，工具的上手成本已经很低。这意味着新手真正的瓶颈不再是“会不会点按钮”，而是“有没有判断力”。同样是用扣子搭助手，有人搭出来能稳定干活，有人搭出来的东西连自己都不敢用，差别不在操作熟练度，而在对任务边界的理解[reference:2]。
一个可操作的替代路径是：每次接触新工具之前，先用一句话写下“这个工具解决的是哪一类问题、它的输出需要什么条件才能被信任”。然后再去操作，操作完对照那句话检查。这样做看起来慢，但学一个工具就真正多一份可迁移的判断力，而不是多一段很快就会过期的按钮记忆。
当然，“工具先行”并非绝对错误。有一部分学习者正是通过先摆弄工具获得了直观感受，再回头理解抽象概念，这条路同样走得通[reference:3]。关键在于不能停在操作层。如果学完一个工具后，你只能说清楚“怎么点”，而说不清楚“什么时候用、结果怎么验”，那就需要补上认知的那一步，否则下一款工具出现时，一切又要从头再来。
AI新手入门教程把“判断”放在每个模块的最前面，原因就在这里。提示工程先讲清楚什么任务适合结构化提示，工具实操先说明适用边界，智能体搭建先讨论什么流程值得自动化。操作步骤当然有，但它服务于判断，而不是反过来。
使用体验指南
怎样把教程用出效果
结构清晰：按“问题”找内容，不按“难度”爬梯子
每个模块开头都写明它解决哪一类具体问题。如果你现在卡在“提示词写不长、写不具体”，直接进提示工程；如果卡在“工具太多不知道选哪个”，直接进工具实操。不必从第一篇顺着读，按当前卡点跳转效率最高。
补充：每篇末尾的“最小可行动作”值得优先做。
筛选高效：用“场景标签”判断是否与你有关
分类和标签都按真实使用场景命名，而不是按技术热度命名。看到“低代码Agent”先想你有没有重复性流程要自动化，看到“RAG”先想你有没有一批文档需要问答。标签对不上，内容再好也可以先跳过。
补充：场景不匹配时硬学，是新手最大的时间浪费。
移动友好
卡片单列堆叠，手机上随时翻看步骤，不用横向滚动。
便于收藏
每张卡片独立成块，按浏览器书签或笔记收藏单卡即可。
延伸扩展
模块之间用场景互链，提示工程学完可以顺路进RAG。
这份教程不要求你按顺序读完。更有效的用法是：先挑一个你手上真实存在的小任务，带着任务进对应模块，跑通一个最小动作，再回头看解释。AI新手最常见的停滞不是“学得太少”，而是“准备得太多、动手得太少”。把教程当成任务手册而不是知识库，每一次打开都应该让你多一个能用的东西，而不是多一条待读的链接。
常见问题答疑
新手最高频的12个卡点
学AI是不是要先学好数学？
不需要。入门阶段真正影响使用的数学概念很少：知道矩阵乘法在做什么、理解梯度的含义、了解基本概率分布，就足够支撑你读懂绝大多数教程里的解释。遇到不懂的概念时针对性补，比一开始啃完微积分高效得多。把时间花在微积分上而迟迟不动手，是新手最常见的浪费之一[reference:4]。
Python要学到什么程度才能开始用AI？
能写简单脚本、会用列表和字典、能看懂示例代码并改参数，就可以开始。不需要先精通装饰器、异步或框架设计。入门阶段的目标是“能跑通”，不是“能写库”。绝大多数AI工具和API都有现成的Python示例，你要做的是看懂输入输出、替换成自己的内容，而不是从零造轮子[reference:5]。
提示工程是不是就是“话术模板”？
不是。模板只是结果，提示工程真正教的是结构化表达：角色、目标、约束、示例。掌握结构之后，你可以针对不同任务写出合适的提示，而不是到处收集“万能模板”。模板脱离场景就不起作用，结构可以迁移。拆解任务、用元提示让AI帮你写提示、做AB对比，都是比背模板更值得学的技能[reference:6]。
AI工具那么多，新手应该先学哪一个？
不要按“工具热度”选，按你当前的任务选。如果主要做文字处理，先把一个综合聊天工具用熟；如果涉及图像，再去看图像生成；如果想让AI接进重复性流程，低代码Agent平台比单个聊天工具更值得花时间。先把一个工具用出稳定结果，再横向扩展，比每个都摸一下要有效得多[reference:7]。
RAG听起来很难，零基础能学吗？
能。RAG的最小闭环只有三步：把文档切分成小块、根据问题检索相关块、把检索结果和问题一起交给模型生成答案。你不需要先学向量数据库的底层原理，先跑通一个本地示例、亲眼看到“检索到的内容如何影响输出”，再逐步优化切分和召回。先有体感，再补原理，顺序反过来容易卡住。
AI生成的内容可以直接用吗？
不建议。AI可能编造数据、引用不存在的来源、在细节上出错，这被称为“幻觉”[reference:8]。“生成即交付”是新手最容易养成的坏习惯。一个可操作的替代做法是：凡涉及事实、数字、引用，至少用另一个来源交叉验证一次；凡涉及对外交付，加一道人工审阅。把AI输出当作需要验证的中间产物，而不是最终答案[reference:9]。
低代码Agent平台和直接写代码，新手该选哪个？
先选低代码。扣子、Dify这类平台把模型、记忆、工具调用变成了可视化节点，你可以把精力放在流程设计上，而不是环境配置上。等你能稳定搭出可用的工作流、并且明确知道瓶颈在哪里之后，再考虑用代码做更细的控制。反过来，一上来就写框架代码，很容易在调试环境上耗尽热情。
学AI需要买很贵的显卡吗？
入门阶段不需要。绝大多数学习任务可以在浏览器里完成：在线Notebook、云GPU按小时租用、低代码平台都是更划算的选择。把大量预算投入硬件而迟迟不开始，是本末倒置。等你明确要长期做本地训练或推理、并且现有算力确实成为瓶颈时，再考虑硬件投入[reference:10]。
为什么我写的提示词总是得不到想要的结果？
最常见的两个原因：一是信息不够，模型不知道你的场景、受众、格式要求；二是一次性要求太多，把多个任务塞进一条提示。先检查你是否交代了“谁在什么场景下用、输出长什么样、什么不能出现”。如果还不行，把任务拆成几步，逐步迭代。提示词很少一次成型，迭代是正常流程，不是失败[reference:11]。
智能体和普通聊天工具有什么区别？
普通聊天工具是你问一句它答一句；智能体可以在你设定目标之后，自己决定调用什么工具、按什么顺序执行、中间结果怎么处理。简单说，聊天工具解决“说”的问题，智能体尝试解决“做”的问题。但智能体不是万能的，流程越复杂，出错和跑偏的概率越高，所以新手应该从单任务、短流程的助手开始。
每天应该花多少时间学AI？
比时长更重要的是连续性。每天30分钟带着一个具体小任务动手，一周下来的效果通常好过周末集中啃6小时教程。入门阶段的核心是建立反馈循环：做—看到结果—调整—再做。如果时间有限，优先保证“每天都有一个最小动作”，哪怕只是改一条提示词、跑一个示例，也比只看不练强。
学了后面忘了前面怎么办？
正常，尤其是工具类操作。解法不是反复重看教程，而是把学过的内容变成可复用的“外脑”：提示词存成片段、工作流截图存档、关键判断写成检查清单。下次用到时直接调用，比凭记忆可靠。AI新手入门教程的每个模块末尾都会提示可以存档的最小产物，目的就是帮你把一次性的学习变成可积累的资产。
用户评论精选
来自学习者的真实反馈
陈
陈默
3天前
之前收藏了几十个AI教程，越看越焦虑。这里让我最有收获的一点是“先跑通再补理论”真的被落实到了每个模块里，不是口号。跟着做了一个提示词对比，才发现自己以前写的东西模型根本没法稳定理解。
林
林小满
5天前
避坑指南里的“生成即交付”直接戳中我。以前AI说什么我就用什么，被编造的数据坑过一次之后才后怕。现在至少会交叉验证关键数字，这个习惯比多学两个工具值钱。
赵
赵一川
1天前
扣子搭资料助手那篇跟着做下来了，第一次觉得智能体不是玄学。
苏
苏禾
2天前
Python起步精简得刚好，没有让我在装饰器上卡三天。
何
何叙
4天前
深度解析那篇把“工具先行”的问题讲透了，我就是那个学了五个工具还是不会干活的人。
周
周见野
6天前
RAG最小闭环跟着跑通了，第一次理解检索到底在干什么。
吴
吴声
1周前
FAQ里的“生成的内容能不能直接用”应该放在每个AI工具的开屏页上。
郑
郑野
1周前
学习路径按周拆开之后，终于知道自己每天该干什么了。
许
许一诺
1周前
元提示那个技巧很实用，不知道怎么写的时候先让AI帮我想。
沈
沈知路
1周前
Dify入门那篇步骤很清楚，没有跳步，对新手友好。
方
方既明
1周前
每天30分钟的建议很实在，比那些“21天精通”靠谱多了。
顾
顾行舟
1周前
终于有人讲清楚智能体和聊天工具的区别了，不是堆概念。
平台热点
学习者正在讨论的话题
“AI生成的内容到底能不能直接交？”
话题从一份被AI编造数据坑掉的周报开始，延伸到不同场景下的人工验证成本。共识是：越是对外交付的内容，越不能跳过验证。
低代码Agent搭出来的东西，真的能用吗？
有人晒出稳定跑了两周的扣子工作流，也有人吐槽搭完只用了一次。分歧点在于：任务边界是否清晰，以及有没有设计失败后的处理路径。
提示词收藏了几百条，为什么还是写不好
讨论指向同一个结论：缺的不是模板数量，是拆解任务的能力。
零基础第一周应该做什么
高赞回答只有一句：选一个你本来就要做的任务，用AI做一遍。
RAG和长上下文，新手先学哪个
建议先理解检索的边界，再考虑把更多内容塞进上下文。
2026年还有必要学提示工程吗
有，但重点从“写模板”转向了“定义任务和验证结果”。