AI 信息太多了，我现在反而不建议关注太多来源。 我的做法是分三层： 第一层看官方。模型能力、价格、API 变化、废弃通知，尽量回到官方博客和文档。二手消息可以提醒你，但不要当最终依据。 第二层看少量高质量作者。不是每天转新闻那种，而是能讲清楚为什么重要、适合谁、有什么限制的人。 第三层看社区讨论。社区的价值不只是新闻，而是真实使用者会讲失败、吐槽、替代方案和坑。 我还会定期清理信息源。一个账号关注了一个月，如果只制造焦虑，没有帮我做出更好判断，就取消。 还有个很朴素的标准：输入要变成输出。看到一个新工具，最好能写一段笔记、做一次小测试、发一个讨论，而不是只收藏。 跟上 AI 不靠刷得多，靠筛得准。信息源越多，越需要自己的判断框架。

如果你是开发者，想从零开始做 AI 应用，我建议不要从“训练模型”开始。 更实际的路线是： 第一步，调通模型 API。理解 token、上下文、流式输出、错误处理和费用。做一个最简单的命令行问答就行。 第二步，练 Prompt。不是背咒语，而是学会把任务、上下文、约束、输出格式说清楚。 第三步，做 RAG。拿自己的文档做一个问答工具，理解切分、embedding、检索、引用来源。 第四步，再碰 Agent。让模型调用一两个工具，观察它什么时候会乱来，怎么加限制。 第五步，补工程化：日志、评测、成本控制、权限、失败重试、人工审核。 微调放最后。大多数应用用好现成模型、RAG 和工具调用就够了，不需要一开始就训练自己的模型。 学习时最好每一步都有小项目。只看教程很容易觉得懂了，真接 API、真处理报错、真算成本，才会知道坑在哪。

给刚入门的 AI 开发者一份工具清单。我不追求全，先按用途分，能跑通一条链路就行。 写代码： GitHub Copilot：轻量补全 Cursor：编辑器里改代码很顺手 Claude Code / Codex：更适合让 AI 读项目、改多文件、跑任务 做 Prompt 和 Agent： Dify：适合先搭工作流 LangChain / LlamaIndex：适合更工程化地组织链路 MCP：适合给 AI 接工具，但要注意权限 做 RAG： pgvector：小团队、简单项目可以先用 Milvus：数据量和性能要求上来后再考虑 embedding 模型：一定要拿中文资料实测 模型 API： OpenAI、Claude、Gemini 可以做能力对比 DeepSeek、Qwen、Kimi 更适合国内可获得性和成本优先的场景 我的建议是别收藏一百个工具。先选一个编程工具、一个模型 API、一个 RAG 框架，做出一个能问自己文档的小项目。跑通之后，你自然知道下一步缺什么。