面向所有 AI 爱好者的 Data 与 AI 基础知识入门教程
双轨并行，论道与习术
为了满足不同角色的学习需求，我们将课程精心设计为两条路径："道篇"与"术篇"。
适合人群： 零基础 AI 爱好者、产品决策者
学完收获：
- 🎯 场景判断力：学会评估"这个需求适不适合做 Agent"，避免在立项之初就走上弯路
- 🔍 归因决策力：获得一套"三层度量框架"，精准定位问题出在数据层、模型层还是业务层
- 🏗️ 系统设计力：理解 RAG、MCP、Skill、Memory 背后的产品设计哲学
适合人群： 已能调用 LLM API 的开发者
学完收获：
- 💪 坚实的工程基础：掌握流式输出（Streaming）和工具调用（Tool Use）
- 🗄️ 完整的数据层构建经验：基于轻量级 AI Native 数据库从零搭建数据层
- 📊 看得见的性能差距：通过对比实验见证"混合检索"与"纯向量检索"的效果差异
- 🤖 从零到一的 Agent 构建：为 Agent 加上记忆系统，教会它使用技能
F 打底 → P 论道（为什么/怎么设计）→ D 习术（怎么动手实现）。
| 课程编号 | 课程标题 |
|---|---|
| F1 | 大模型的本质与边界 |
| F2 | AI Agent 的完整图景 |
F = 公共基础篇，Foundation（基础），F1/F2 是所有人都要先看的入门内容。
| 课程编号 | 课程标题 |
|---|---|
| P1 | 找准 Agent 的用武之地 —— AI Agent 场景识别 |
| P2 | 让 Agent 会查资料 —— RAG 产品设计 |
| P3 | 让 Agent 真正记住你 —— 记忆系统设计 |
| P4 | 把经验变可复用 —— Skill 与知识管理 |
| P5 | 用数据验证价值 —— 案例与度量 |
P = 道篇，Product / PM（产品视角，"悟其道"），面向产品决策者、零基础 AI 爱好者，讲设计哲学与判断力。
| 课程编号 | 课程标题 |
|---|---|
| D1 | 打通 Agent 与数据 —— 大模型 API 入门 |
| D2 | 一个系统搞定 —— 统一 AI Native 数据层实战 |
| D3 | 实践出真知 —— Agentic RAG 实战 |
| D4 | 记哪些、忘哪些？—— Agent 记忆系统开发 |
| D5 | 课程总结 |
D = 术篇，Dev / Developer（开发者视角，"用其术"），面向能调 LLM API 的开发者，讲可运行的工程实战。
| # | 扩展章节标题 | 热点趋势 | 共建入口（对应列表 A） |
|---|---|---|---|
| X1 | 探究 AI Agent 记忆系统：从遗忘曲线到永久记忆 | AI 记忆 | 多 Agent 记忆冲突解决（→ #19/#20/#21） |
| X2 | 多 Skill 给上下文工程带来的麻烦：如何应对 Agent「爆上下文」 | 多 Skill / 上下文工程 | Skill 设计规范（→ #22/#23） |
| X3 | 从零到一上手混合检索：AI Native 统一数据基座实战 | Agentic RAG / 混合检索 | 扩充 RAG 评测数据集（→ #29/#30） |
| X4 | 海量 AI Agent 多模数据降本：数据湖库登场 | 数据湖库 × AI | 开源「湖到 RAG」教程（→ #32/#33） |
| X5 | 从 Skill 到 MCP Tool | Skill / MCP | 从零实现 MCP Server（→ #34） |
访问 https://datawhalechina.github.io/easy-data-x-ai 在线阅读课程内容。
# 克隆仓库
git clone https://github.com/datawhalechina/easy-data-x-ai.git
cd easy-data-x-ai
# 安装依赖
npm install
# 本地预览
npm run docs:devmacOS/Linux：
# 在仓库根目录创建 Python 3.11 虚拟环境
python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install -r code/requirements-test.txt
python -m pip check
# 先跑不需要 API Key 和数据库的离线评测
PYTHONPATH=code/D3:code python code/D3/d3_5_evaluate.py
# 真实模型示例才需要复制并填写本地配置
cp code/.env.example code/.env
python code/D1/d1_1_base.pyWindows PowerShell：
python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install -r code/requirements-test.txt
python -m pip check
$env:PYTHONPATH = "code/D3;code"
python code/D3/d3_5_evaluate.py
Copy-Item code/.env.example code/.env
python code/D1/d1_1_base.py示例代码会优先读取 code/.env；如果该文件不存在，也支持从父目录向上查找 .env（例如仓库根目录 .env）。已有系统环境变量不会被 .env 覆盖。.env 已被 Git 忽略，但提交前仍应检查差异，避免密钥和个人数据库配置进入仓库。
-
如果你发现了一些问题，可以提 Issue 进行反馈。
-
欢迎加入课程共建，一起完善课程内容。如果您希望参与课程共建，请阅读：贡献指南 CONTRIBUTING.md，欢迎提交 Pull Request。
-
参与贡献的收获，详见：贡献指南 CONTRIBUTING.md 的 “致谢与收获” 部分。
这里为大家介绍本课程开发者 沧海九粟 在 DataWhale 开源的另外一门进阶课程 —— 《Deep Agents 实战》。
这门课程，会面向想要动手构建 Agent 的开发者，系统地讲解虚拟文件系统、任务规划、子 Agent、Skills、Memory 等核心能力。欢迎大家来学习和积极参与共建。
|
本课程的模型算力由 阿里云百炼（Alibaba Cloud Bailian） 提供支持。阿里云百炼大模型服务平台，是企业级的大模型应用开发平台，一站式提供丰富的通义大模型与灵活的智能应用开发工具，助力企业快速落地AI应用，加速业务创新。 |
- 🚀 阿里云百炼课程专属福利：通过 课程专属福利页面 即可领取百炼平台为课程共建、课程实验、课程学习提供的专属模型算力福利。
- 百炼用户通过专属福利页面，可获得 1 亿 Token 的模型免费使用额度（具体以活动页面规则为准，实测新、老用户均可获得）；
- 个人、企业新老用户均可参与无门槛 Token 满返补贴；
- 另有最高 100 万元等额 Token 的 OPC 创新助力；
- 以及高校学生 模型通兑补贴。
|
本课程的模型算力也由 硅基流动（SiliconFlow） 提供支持。硅基流动是一站式大模型云服务平台，基于自研推理引擎实现大模型高效推理加速，提供高效能、低成本的多品类 AI 模型服务，让开发者和企业聚焦产品创新，无须担心大规模推广带来的高昂算力成本。 |
- 🎁 新用户福利：通过 课程专属注册链接 注册并完成实名认证，即可获得 16 元全平台通用代金券，可用于平台上百余种模型的调用，足够跑通本课程的全部示例。
- 🧪 实验配额补贴池：用上面的链接注册时，作者也会获得平台返利。这部分返利会全额回馈给学员——汇集成一个「实验配额补贴池」：跟着课程做实验、复现示例时如果额度不够用，可以联系作者申请额外的算力配额补贴，把福利转回给真正在动手的同学。
Haili Zhang (webup) 项目维护者 |
Zlatan (liboyang0730) 项目维护者 |
感谢每一位参与共建的贡献者！下方头像墙由 GitHub Action 自动更新，所有合并过 PR 的同学都会出现在这里（详见 CONTRIBUTING.md）。
liboyang073… 97 commits |
Kratos‑Lee 21 commits |
knqiufan 10 commits |
haoye2 6 commits |
amber‑moe 1 commit |
hu‑qi 1 commit |
Iridescent1… 1 commit |
JasonZhang1… 1 commit |
jay666mnj 1 commit |
oiahoon 1 commit |
pzb5471 1 commit |
webup 1 commit |
欢迎扫描下方二维码加入 Data x AI 课程交流群
本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可，完整条款详见 LICENSE 文件。
