AI 交流论坛

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。

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。

看一个开源 AI 项目，我不建议先看 star 数。star 只能说明它被关注过，不能说明你能不能用。 我会按这个顺序拆： 它解决什么问题？一句话能不能说清 最近还维护吗？看 commit、issue、release 文档能不能跑通？不要只看 README 漂亮 核心抽象是什么？比如 Agent、工具、检索、工作流怎么组织 适合二开吗？插件、配置、接口是否清楚 许可证能不能商用 如果是 RAG/Agent 类框架，我还会特别看失败处理。比如工具调用失败怎么办、检索为空怎么办、模型输出格式错了怎么办。这些地方比 demo 更能看出项目成熟度。 真正值得学习的开源项目，不只是“能跑”，而是它在复杂场景里怎么划边界、怎么处理错误、怎么组织扩展点。 大家如果看到不错的开源 AI 项目，也欢迎发到这个板块。最好不只贴链接，顺手写两句你觉得它好在哪里。