《Easy Data x AI》

（Alpha 内测版，欢迎各位老师参与共建~）

面向所有 AI 爱好者的 Data 与 AI 基础知识入门教程

在线阅读社区在线课堂

Easy Data x AI

📚 这门课程适合谁？

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"。

道篇：悟其道（零基础 AI 爱好者和产品决策者的"心法篇"）

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

术篇：用其术（开发者的"功法篇"）

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

📖 课程目录

F 打底 → P 论道（为什么/怎么设计）→ D 习术（怎么动手实现）。

公共基础篇

| 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。

道篇

| 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。

术篇

| 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。

Extra Chapter（共建招募中）

| # | 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） |

🚀 快速开始

在线阅读

访问 https://datawhalechina.github.io/easy-data-x-ai 在线阅读课程内容。

本地阅读

# 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:dev

本地运行示例代码

cd code
安装 Python 依赖
pip install -r requirements.txt
配置 API Key
cp .env.example .env
编辑 .env 文件，填写你的 API Key
运行示例
cd D1
python3 d11base.py

🤝 参与贡献

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。

友情链接

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。

模型算力支持

本课程的模型算力由 硅基流动（SiliconFlow） 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。