提示词工程学习路线

学完提示词工程以后，我们已经不只是 “会问 AI 几个问题” 了。面对一个真实任务，我们知道怎么补充背景、明确目标、设置约束、提供示例，也知道结果不理想时应该怎样继续调优。

提示词工程、Vibe Coding、AI 编程、AI Agent、大模型 API、LangChain、本地部署……

不过，新的困惑可能也随之而来：AI 领域的新概念实在太多了。这些名字听起来一个比一个像 “硬核进阶课”。到底应该先学哪个？是不是得一口气把它们全部学完？

先说结论：不需要。

咱们绿叶网把整个 AI 学习体系拆分成 8 门独立课程，是为了把各项能力分门别类讲清楚，而不是让所有人从第 1 门一路 “死磕” 到第 8 门。你可以把这套课程看作一张地图——先知道每条路通向哪里，再根据自己的目标决定要走到哪儿。

学完提示词工程，我们已经掌握了什么？

回头看这门教程，我们真正学会的并不是网上流传的几十句神秘 “咒语”，而是一套可以反复迁移到不同 AI 场景中的工作方法：

• 拆解任务：把模糊需求变成清晰任务，说明背景、目标、约束和输出要求。
• 组合方法：根据任务需要使用角色设定、示例、提示词链、多模态输入等方法，而不是逮住一个技巧反复套。
• 排雷避坑：识别幻觉、提示词注入、提示词越狱、系统提示词泄露等常见风险，不把模型回答直接当成事实。
• 科学评测：通过优化、对比、测试和评测判断新版 Prompt 到底有没有变好，而不是只凭 “感觉更顺眼”。
• 工程化管理：使用版本管理和上下文工程，让重要提示词能够持续复用、维护和迭代。

简单来说，我们已经从单纯的 “提问者”，变成了 “能把工作交代清楚，并知道怎么验收结果” 的指挥官。这套基本功，不会因为你换了工具、换了模型，或者以后开始写代码就失效。恰恰相反，在后面的课程里，我们还会反复用到它。

先看全图：8 门课各自负责什么？

先把整张地图摆出来。这 8 门课按照 “从基础认知、到使用 AI、再到产品与开发” 的思路逐步展开。它们彼此关联，但各自的核心任务不同，因此没有被揉成一锅 “大杂烩”。

学完提示词工程，下一站怎么选？

提示词工程处在整个体系比较靠前的位置，所以从这里开始，路线会第一次真正出现 “分叉”。与其纠结 “哪门课最厉害”，不如先问自己一句：我现在最想解决的问题是什么？

1. 只想把 AI 用得更好：先别急着往下学

如果你的目标主要是写作、翻译、总结资料或者处理日常办公任务，其实学到这里已经非常够用了。你下一步最有价值的事情，不是继续追新名词，而是把学过的方法带回真实工作中反复实践：

• 建立模板：把经常要做的周报、翻译、文案等任务，固化成自己的专属模板。
• 沉淀上下文：整理好常用的业务术语、写作风格和优秀示例，减少每次从零解释的成本。
• 养成验证习惯：关键事实、数据和结论依然要人工核对，别因为提示词写得漂亮就放松警惕。

普通用户完全可以在这里 “下车”。学习路线不是爬排行榜，已经能稳定解决自己的问题，就已经达到目的了。

2. 想把一个点子做成产品 →《Vibe Coding》

如果你没有什么编程基础，但脑子里经常冒出网站、小工具、报名系统、个人作品之类的点子，那么更合适的下一站不是直接啃《AI 编程》，而是《Vibe Coding》。

这门课关注的是 “从一个想法到一个产品”。你会继续使用提示词工程里的需求表达、任务拆解和反馈方法，但工作重心会从 “让 AI 回答得更好”，转向 “让 AI 真正去建文件、改页面、查报错、补功能，然后由我们持续运行和验收”。

这里尤其要注意：Vibe Coding 和 AI 编程不是一回事。前者更强调产品目标、实际效果和快速迭代，可以让零基础用户先把东西做出来；后者则会进一步深入代码、测试、协作和软件工程。

3. 想真正进入工程化开发 →《AI 编程》

如果你已经会一些编程，或者做出来的项目越来越复杂，开始遇到 “AI 到底改了哪些文件” 、 “这次修改会不会把别的功能搞崩” 、 “代码以后谁来维护” 这些问题，就该进入《AI 编程》了。

在这门课里，AI 不再只是帮你 “把功能凑出来”，而是会深入真实代码库，参与代码理解、多文件修改、调试、测试、重构和 Review。你也需要更认真地管理 Git、上下文、权限以及每一次变更的影响范围。

4. 想搞懂 “能自己干活” 的 AI →《AI Agent》

如果你不满足于 “一问一答”，而是希望 AI 能围绕一个目标拆任务、选择工具、执行步骤、检查结果，那就进入《AI Agent》。

这一门课的重点不是记住某个框架的 API，而是先把 Agent 这套工作方式真正搞明白：目标是什么、当前状态是什么、它能调用哪些工具、什么时候继续、什么时候停止、失败以后怎么恢复，以及哪些操作必须让人来审批。

也就是说，Agent 的 “自主性” 越强，权限、日志、验证和可回滚性就越重要。不能因为一个系统会自己调用工具，就默认它一定比普通工作流更高级、更可靠。

5. 想把大模型接进自己的程序 →《大模型 API 开发》

如果你是一名开发者，想给网站加 AI 客服、给 App 加内容生成，或者在自己的业务系统里调用模型，就需要学习《大模型 API 开发》。

到了这里，提示词会从聊天框走进代码。除了怎么写 Prompt，我们还要处理请求与响应、流式输出、结构化结果、工具调用、历史消息、错误处理、限流、成本、安全等真实工程问题。

一句话理解：提示词工程解决 “怎么把任务交代清楚”，大模型 API 解决 “怎么让自己的程序真正和模型建立连接”。

6. 想构建更完整的 AI 应用 →《LangChain 教程》

当一个 AI 应用开始同时涉及模型、知识库、检索、工具、状态和多步骤流程时，全部自己手搓会越来越累。这时候，LangChain 这类框架的价值才真正体现出来。

《LangChain 教程》重点讲的是：框架到底替我们封装了什么，以及怎样把模型、检索、工具和工作流组织成一个完整应用。它不是 Agent 的同义词，也不是大模型 API 的替代品。

因此，如果你准备认真做 AI 应用，建议先把 API 层的基本数据流搞明白，再进入 LangChain。否则一旦程序出问题，很容易只看到一大串框架调用，却不知道真正是哪一层出了岔子。

7. 想让模型跑在自己手里 →《大模型本地部署》

如果你的重点是隐私、离线运行、企业内部数据，或者希望更自由地控制开源模型，那么可以学习《大模型本地部署》。

这门课解决的核心问题是 “模型在哪里、怎么运行”。你会接触硬件条件、显存、模型大小、量化、推理框架和部署方式，并把开源模型运行在自己的电脑或服务器上。

不过，本地部署并不会让其他知识自动失效。模型搬回自己家以后，提示词、权限、安全、评测和应用开发照样要做。它只是把模型运行的位置和控制权换到了我们自己手里。

这几个地方，最容易走偏

课程拆开以后，边界反而更重要。下面几个概念如果重新混在一起，学着学着就很容易又变成 “一锅 AI 大杂烩”。

1. 别把《Vibe Coding》和《AI 编程》揉在一起

两者都在用 AI 写代码，但目标不同。Vibe Coding 的重点是 “把产品做出来”，允许零基础学习者从需求和结果出发；AI 编程的重点是 “把软件工程做好”，会更加深入代码、测试、版本管理、协作和长期维护。

当然，两者之间并没有一道不可逾越的墙。开发者做原型时也会很 “Vibe”，零基础学习者把项目做大以后，也会自然而然地补上 AI 编程的能力。课程之所以拆开，是为了让大家在每个阶段都能清楚自己真正需要掌握什么。

2. Agent、API、LangChain，也不是一回事

这 3 个词经常挨着出现，所以特别容易混淆。可以用一句大白话记住它们的分工：

Agent 解决的是 “AI 怎样围绕目标持续行动”；API 解决的是 “我们的程序怎样调用模型”；LangChain 则解决 “怎样把模型、数据、工具和流程更系统地组织起来”。

它们会在同一个项目里配合出现，但关注的问题完全不同。把边界理清以后，你就不会学了半天，才发现三门课其实都在重复同一段 “调用大模型” 的代码。

3. 本地部署不是 “毕业考试”

有些小伙伴一看到 “第 8 阶段”，就觉得如果不把模型部署到自己的服务器上，好像前面都白学了。完全不是这么回事。本地部署只是一个专业方向，并不是 AI 学习的最终证明。

如果云端模型已经能满足你的业务、成本和隐私要求，那就安心用云端；只有当现实需求真的把你推到本地部署这条路上时，再去研究硬件和推理环境，这时候的学习效率反而更高。

基础概念不牢？先回《大模型教程》补地基

有些小伙伴可能是通过搜索引擎直接跳到了《提示词工程》，还没来得及系统看《大模型教程》。这不影响你先练 Prompt（提示词），但如果下面这些概念还比较模糊，后面遇到 Agent、API 或本地部署时可能就会有些吃力：

• 模型基础：Token、上下文窗口、幻觉、通用模型、推理模型和多模态模型。
• 知识与检索：RAG、Embedding、向量数据库等基础概念。
• Agent 基础：Function Calling、ReAct、MCP，以及 AI Agent 到底是什么。
• 模型定制与部署：微调、LoRA、量化和本地部署的基本原理。

当然，也不用走极端——非得把每个概念背得滚瓜烂熟才肯往下学。哪里不懂，就回去查漏补缺。把《大模型教程》当成一本随时能翻的 “地基手册”，学起来反而更轻松。

不同人群，推荐怎么走？

如果看完前面还是有点选择困难，可以直接按自己的目标参考下面几条路线。它们只是推荐组合，不是死板的考试标准，已有基础的小伙伴完全可以根据实际情况灵活调整。

1. 普通办公与内容创作

《大模型教程》
    ↓
《提示词工程》

学到这里就可以先稍作停留了。重点是把 AI 真正融入到学习、办公、写作和内容创作中，而不是为了 “显得学了很多” 去堆砌课程。

2. 零基础做产品

《大模型教程》
    ↓
《提示词工程》
    ↓
《Vibe Coding》

适合没有传统编程基础，但想把自己的点子做成网站、小工具、MVP 或轻量级 Web 产品的小伙伴。

3. AI 时代的软件开发

《大模型教程》
    ↓
《提示词工程》
    ↓
《Vibe Coding》
    ↓
《AI 编程》

这条路线会从 “让 AI 帮我把产品做出来”，逐步过渡到 “我能控制 AI 参与真实的软件工程”。如果你本来就是有经验的开发者，可以根据自己的基础，快速略过部分零基础的内容。

4. Agent 与 AI 应用开发

《大模型教程》
    ↓
《提示词工程》
    ↓
《AI 编程》
    ↓
《AI Agent》
    ↓
《大模型 API 开发》
    ↓
《LangChain 教程》

适合希望真正构建 AI Agent、知识库问答、自动化工作流或其他完整 AI 应用的开发者。这一条路线知识之间关联最紧密，但同样可以跳过自己已经熟练的部分。

5. 本地私有化

《大模型教程》
    ↓
《提示词工程》
    ↓
《大模型本地部署》
    ↓
按需要继续学习《大模型 API 开发》或《LangChain 教程》

适合重视隐私、离线运行和企业内部数据的学习者。需要提醒的是，把模型搬回本地并不等于 “绝对安全”，权限控制、数据边界、测试、日志和维护依然一个都不能省。

至此，咱们的《提示词工程》就告一段落了。小伙伴们，我们下一门进阶课《Vibe Coding》见！