关于 Hello-AI
AI 工具越来越多，大模型概念越来越密，但真正的新手常常卡在第一步：
- 不知道 AI、机器学习、深度学习、LLM 之间到底是什么关系；
- 会用聊天工具，但不知道 Prompt 为什么有时稳定、有时失控；
- 听过 RAG、Agent、Function Calling，却分不清它们解决什么问题；
- 想做一个 AI 应用，但不知道 API、部署、评测和安全边界怎么串起来；
- 信息来源太散，教程深浅不一，学完一堆名词却仍然没有路线感。
Hello-AI 想做的是做一条面向中文学习者的 AI / LLM 入门路径：用尽量清楚的语言，把基础概念、工具实践、工程搭建和安全意识串成一个能从头走到尾的知识站。
项目参考了 Hello-CTF 这类开源入门教程的组织方式：仓库即内容源，Markdown 编写，MkDocs 构建，GitHub Pages 自动发布。
项目定位
Hello-AI 面向三类读者：
| 读者 |
典型问题 |
Hello-AI 提供什么 |
| AI 小白 |
“我想入门，但不知道先学什么” |
从概念到工具的顺序化学习路径 |
| 内容创作者 / 运营 / 产品 |
“我想把 AI 用到工作里” |
Prompt、工具选择、工作流和常见任务模板 |
| 初级开发者 |
“我想做一个 AI 应用” |
API、RAG、Agent、评测、部署和安全基础 |
先帮读者建立方向感，再逐步把关键概念讲透。
内容模块
当前站点规划为以下主线：
| 模块 |
内容重点 |
| 前言 |
新手起步、学习路线、阅读方式 |
| AI 基础 |
AI、机器学习、深度学习、LLM、Token、Embedding、上下文窗口、幻觉 |
| Prompt |
Prompt 基础结构、模板、稳定输出、常见任务、失败案例 |
| AI 工具使用 |
Chat 产品、模型选择、API 入门、工具调用、本地模型与在线模型 |
| RAG |
文档切分、向量化、检索、重排、生成与故障排查 |
| Agent 智能体 |
Agent 与 Workflow、工具调用、任务拆解、反思循环、失败模式 |
| AI Build 实战 |
API 接入、最小 AI 应用、本地模型、部署、Docker 基础 |
| AI Evals |
主观与客观指标、幻觉评测、输出质量判断、简单评测方法 |
| AI 与大模型安全 |
数据泄露、提示注入、越权调用、使用边界与合规提示 |
| 实验 |
Prompt 改写、RAG 基础、Agent 拆解等可操作练习 |
| 相关资源 |
模型平台、API 平台、RAG / Agent 框架、评测工具、书单与文章 |
学习路线
建议按下面的顺序阅读：
前言与路线
-> AI 基础
-> Prompt
-> AI 工具使用
-> RAG
-> Agent
-> AI Build 实战
-> AI Evals
-> AI 与大模型安全
-> 实验与资源
如果你只是想“先用起来”，可以先读：
新手起步 -> Prompt 基础 -> Chat 类产品怎么用 -> 如何选择模型 -> Prompt 常见失败案例
如果你想“做一个 AI 应用”，可以先读：
什么是 LLM -> API 入门 -> 函数调用与工具调用 -> RAG 总览 -> 最小 AI 应用 -> 简单评测
如果你关注“AI 安全与可靠性”，可以先读：
为什么模型会胡说 -> 幻觉评测 -> 数据泄露 -> 提示注入 -> 越权调用 -> 使用边界与合规提示
项目状态
Hello-AI 当前处于初始化建设阶段：
- 已完成 MkDocs Material 站点骨架；
- 已完成基础导航结构；
- 已配置 GitHub Pages 自动构建与发布；
- 已建立本地构建检查脚本；
- 正在逐步补齐各章节正文内容。
现阶段重点是先保证结构清晰、路径成立、每个章节都能回答一个明确的新手问题。
本地预览
1. 克隆仓库
git clone https://github.com/Unclecheng-li/Hello-AI.git
cd Hello-AI
2. 安装依赖
pip install -r requirements.txt
3. 启动预览
如果只是快速预览 Markdown 与站点导航，可以直接运行：
mkdocs serve
然后访问：
http://127.0.0.1:8000/
如果需要预览和线上更接近的静态构建结果，包括先将 Mermaid 图表转换为 SVG，再启动本地静态站点，可以运行：
python scripts/preview_static.py
默认访问：
http://127.0.0.1:8001/
也可以指定端口：
python scripts/preview_static.py --port 8002
本地检查
项目提供了本地构建检查脚本：
python scripts/build_local.py
检查内容包括：
- MkDocs 导航引用是否正确；
- 文档内部链接是否可解析；
- 静态资源引用是否存在；
- Mermaid 图表是否能成功预编译为 SVG；
- MkDocs 严格构建是否通过。
如果只是执行 MkDocs 构建，也可以运行：
mkdocs build --strict
项目结构
Hello-AI/
├── .github/
│ └── workflows/
│ └── deploy.yml # GitHub Pages 自动构建与发布
├── assets/ # 项目级图片与附件
├── docs/ # 站点正文内容
│ ├── index.md # 首页
│ ├── preface/ # 前言与学习路线
│ ├── basics/ # AI / LLM 基础
│ ├── prompt/ # Prompt 工程入门
│ ├── tools/ # AI 工具使用
│ ├── rag/ # RAG 入门
│ ├── agent/ # Agent 智能体
│ ├── build/ # AI 应用开发实战
│ ├── eval/ # AI 评测
│ ├── safety/ # AI 与大模型安全
│ ├── lab/ # 实验练习
│ └── resources/ # 相关资源
├── overrides/ # MkDocs Material 主题覆盖
├── scripts/ # 本地检查与构建脚本
├── mkdocs.yml # MkDocs 配置与导航
├── requirements.txt # Python 依赖
├── LICENSE # 开源许可证
└── README.md # 项目说明
archive/、research/、.workbuddy/ 等目录用于本地资料沉淀或工作流记录，不作为站点正式内容发布。
编写约定
为了让文档对新手更友好，正文内容建议遵循以下约定：
- 先讲问题，再讲概念：不要一上来堆定义，先说明这个概念解决什么困惑。
- 少用黑话，必要时解释黑话：首次出现的术语尽量给出简短解释。
- 优先给路径，不只给资料：告诉读者先学什么、后学什么、学到什么程度即可。
- 示例要能运行或能复现：Prompt、API、RAG、Agent 示例尽量避免只停留在口号。
- 安全边界要写清楚：涉及 API Key、数据上传、模型输出、自动化调用时，要提醒风险。
- 避免制造焦虑：Hello-AI 的目标是降低入门门槛，不是用概念堆叠劝退新手。
许可证
本项目使用 MIT License。
Hello-AI — 给中文 AI 初学者的一条清晰入口路径。
评论