AI 的學習範圍從「搞懂 LLM 是什麼」到「自己蓋一個 AI Agent」，跨度非常大。這篇把部落格裡 37+ 篇 AI 相關文章按學習階段串起來，依你的角色和目標給不同的路線建議。不管你是完全不懂的新手，還是想把 AI 接進工作流的工程師，都能在這張地圖上找到自己的位置。
Level 0：全景圖
flowchart TD A[AI 基礎概念] --> B[Prompt Engineering] A --> C[AI 工具實戰] B --> D[RAG 架構] B -.->|可跳過 RAG| E C --> D D --> E[自動化工作流] E --> F[AI Agent] F --> G[進階：安全 / 架構 / 多 Agent] B -.->|只需 Prompt 技巧可停在此| B style A fill:#e3f2fd,stroke:#1976d2 style B fill:#e3f2fd,stroke:#1976d2 style C fill:#e8f5e9,stroke:#388e3c style D fill:#ede7f6,stroke:#5e35b1 style E fill:#fff3e0,stroke:#f57c00 style F fill:#f3e5f5,stroke:#8e24aa style G fill:#fce4ec,stroke:#c62828
從基礎概念出發，經過 Prompt Engineering 和工具實戰，進入 RAG 架構，再到自動化工作流和 AI Agent，最後是安全與多 Agent 等進階主題。每一層都可以獨立學習，但越往下越需要前面的基礎。
Level 1：AI 基礎概念
搞懂 AI / ML / DL / LLM 這些詞到底在講什麼。不需要懂數學，但你得知道 LLM 的能力邊界在哪——它能做什麼、不能做什麼、容易出錯的地方。
AI 全景 — 從機器學習到大型語言模型的關係。 → AI 技術全景：AI / ML / DL / LLM 的差異與關係 → AI 是什麼：給完全不懂的人的入門 → AI 能做什麼：實際應用場景總覽 → AI 不能做什麼：能力邊界和常見誤解
核心觀念 — Token、Temperature、Context Window，這些術語搞懂了，後面才不會卡。 → LLM 術語：Token、Temperature、Top-P、Context Window → Fine-tuning vs RAG：什麼時候該微調、什麼時候用 RAG → 部署與成本：自建 vs API、成本計算 → AI 風險：幻覺、偏見、隱私問題
Level 1：Prompt Engineering
寫 prompt 不是「聊天」，是有方法的。給角色、給背景、給格式——三個步驟就能讓回答品質翻倍。
→ Prompt Engineering：系統化的 prompt 撰寫方法 → 第一次跟 AI 對話：新手的第一步 → AI 日常任務：把 AI 用在日常工作
Level 1：AI 工具實戰
市面上工具太多，不需要每個都學。先搞懂你的場景，再選工具。
工具比較與選型 — ChatGPT、Claude、Gemini、Copilot，各有擅長。 → AI 工具比較：主流 LLM 能力對比 → AI 工具總覽：給非工程師的工具介紹 → AI 工具生態系：開發者的工具全景 → AI Coding Assistants：Copilot、Cursor、Claude Code
工具設定與工作流 — 不只是用，而是設定好讓它融入你的工作流。 → AI 工具設定：各工具的進階設定 → AI 工具工作流（一）：基礎串接 → AI 工具工作流（二）：進階組合 → AI 工具工作流（三）：自動化場景 → AI 工具工作流（四）：團隊協作 → AI 工具工作流（五）：效率最佳化
Level 1：RAG 架構
RAG（Retrieval Augmented Generation）讓 AI 不再亂掰——先去你指定的資料庫找資料，再根據找到的內容回答。這是企業 AI 應用最核心的架構。
→ RAG 架構：整體設計、檢索 + 生成的流程 → Chunking & Vector DB：文件切分策略、向量資料庫選型 → 檢索與評估：怎麼衡量 RAG 的效果 → Flowise RAG：用 Flowise 搭建 RAG → Flowise RAG Pipeline：完整的 RAG 流程實作
Level 1：自動化工作流
把 AI 接進你的工作流程。不是手動複製貼上，而是 n8n / Langchain 這類工具串接。
→ Workflow 自動化：AI 驅動的工作流設計 → n8n + Langchain 實作：低代碼串接 AI → 打造 AI Bot：從零建一個 AI 助手
Level 1：AI Agent
Agent 不只是聊天——它能規劃步驟、呼叫工具、自主完成任務。這是目前 AI 發展最熱門的方向。
→ AI Agent 模式：ReAct、Tool Use、Planning → Agent 記憶與錯誤處理：長期記憶、錯誤恢復 → MCP & Multi-Agent：多 Agent 協作架構 → Claude Task Agent：用 Claude 建 Task Agent
Level 1：進階主題
安全與隱私 — AI 不是萬能的，用不好會出事。 → AI 安全與隱私：Prompt injection、資料外洩防護 → AI 安全基礎：給所有人的安全意識 → 你需要 AI 助手嗎：何時該用、何時不該用
Claude Code 深入 — 如果你是重度 Claude 使用者。 → Claude Code：Plan + PR Review → Claude Code 設計哲學 → Claude Code 架構參考 → Claude Code PR Review 報告 → Claude 1M Context 實測 → Claude 動態模型選擇 → Claude Code Review Git Hook
AI 與職涯 — AI 對你的工作會有什麼影響。 → AI 與你的職涯 → AI 職涯指南 → Hermes Agent vs OpenClaw：Agent 框架比較
不同角色的學習路線
工程師
- 基礎概念（快速掃過）→ AI 全景
- Prompt Engineering → Prompt Engineering
- AI Coding 工具 → Coding Assistants
- RAG 架構 → RAG
- Agent 模式 → Agent Patterns
- Claude Code 系列（如果你用 Claude）
設計師
- AI 能做什麼 → AI 能做什麼
- 第一次對話 → 第一次對話
- 日常任務自動化 → 日常任務
- AI 工具總覽 → 工具總覽
- 圖像生成 prompt → Prompt Engineering
行銷人
- AI 基礎 → AI 是什麼
- 日常任務 → 日常任務
- 工具比較 → 工具比較
- 工作流自動化 → Workflow 自動化
- 內容產出 + SEO → AEO 基礎
學生
知識缺口
| 缺口 | 為什麼重要 | 建議放在哪 |
|---|---|---|
| ⚠️ LLM 原理深入篇 | Transformer、Attention 機制的直覺解釋 | ai/ |
| ⚠️ Embedding 與向量搜尋 | RAG 的核心技術，目前只在 chunking 篇帶過 | ai/ 或 database/ |
| ⚠️ AI 圖像生成實戰 | Midjourney、DALL-E、Stable Diffusion 的實際工作流 | ai/ |
| ⚠️ LLM 評估框架 | 怎麼量化比較不同模型的輸出品質 | ai/ |
| ⚠️ AI 倫理與法規 | GDPR、AI Act、版權問題 | ai/ |
FAQ
Q: 不會寫程式能用 AI 嗎？ A: 完全可以。AI 工具（ChatGPT、Claude、Gemini）的介面就是打字聊天，不需要任何程式基礎。從 第一次對話 開始，你可以用 AI 寫 email、做摘要、翻譯、分析資料。想做更多（例如自動化工作流），可以用 n8n 這類低代碼工具。
Q: RAG 是什麼？跟直接問 AI 有什麼不一樣？ A: RAG 是讓 AI 先去你指定的資料來源搜尋，再根據找到的內容回答。直接問 AI，它只能用訓練時看過的資料（可能過時或不完整）。RAG 讓 AI 的回答有依據、不亂掰。詳見 RAG 架構。
Q: 要不要學 Prompt Engineering？ A: 要，但不用花太多時間。掌握「給角色、給背景、給格式」三個原則就能覆蓋 80% 的場景。Prompt Engineering 的投資報酬率非常高——花 30 分鐘學，能讓你每天用 AI 的效率提升一倍。看 Prompt Engineering。
Q: AI 會取代工程師嗎？ A: 短期內不會取代，但會改變工作方式。AI Coding Assistant 讓工程師從「寫每一行程式碼」變成「Review AI 寫的程式碼」。不用 AI 的工程師會被用 AI 的工程師取代。詳見 AI 與你的職涯。
Q: 自建 LLM 還是用 API？ A: 大部分情況用 API（OpenAI、Anthropic、Google）就夠了。自建只有在你有嚴格的資料隱私要求、或每月 API 費用超過自建成本時才值得。詳見 部署與成本。
Q: Agent 跟 RAG 差在哪？ A: RAG 是「搜尋 + 回答」，Agent 是「規劃 + 執行」。RAG 讓 AI 回答更準確，Agent 讓 AI 能自主完成多步驟任務。Agent 通常會把 RAG 當作它的工具之一。詳見 Agent 模式。