我是一名深圳信息职业技术大学的大一学生，读工业互联网专业。作为互联网专业的学生，AI 早已成了日常的一部分——生活琐事、作业难题，第一反应都是问问 AI。AI 像水电一样普及，有人靠它实现了自我成长，有人赶上了时代红利，但也有不少人只是把 AI 当成了一个高级聊天机器人。我想用自己的经历聊聊：怎么靠 AI 把脑子里的蓝图变成实际跑起来的项目。
梦开始的地方：OpenClaw 本地部署
2026 年 3 月，OpenClaw 爆火，加上老师的介绍，我开始了本地化部署的尝试。肯定有人问：为什么不云端一键部署？我的回答是——我想先挑战一下自己。
一开始我在 B 站看教程，视频里步骤简单又快速，结果上手完全不是那么回事。各种报错纷至沓来：API rate limited、402 报错、网关配置、飞书配置……这些问题视频里根本没提。这时候我开始靠 AI 排查 bug、找解决办法。一开始只用豆包，但发现它给的方法有时完全不可行，甚至把本来没问题的功能搞坏了。后来我同时打开千问，把同一个问题丢给两个模型，再把两份答案交叉验证——高度重合的部分直接照做，有分歧的地方继续追问。相当于让两个 AI 相互印证，避免过度依赖单一模型的局限性。
最大的蜕变：RAG-Skeleton 项目
真正让我脱胎换骨的，是后来做 RAG-Skeleton 的时候。RAG 是近几年的新技术，作为初学者我完全不知道从哪下手。于是我让 WorkBuddy（腾讯的 AI）帮我规划了学习 RAG 的日程。
这里要提醒刚开始用 AI 做项目的同学：千万别让 AI 一股脑生成代码，然后自己对着屏幕"拔剑四顾心茫然"。这个坑我踩过。我们要做的是"使用 AI"，而不是"被 AI 使用"。无脑复制粘贴不仅学不到东西，反而会让你对 AI 产生依赖，离开它就不会写了。
我的学习计划分成了五步：
- 理解核心：RAG 的功能和流程是什么
- 读懂代码：关键函数的作用和核心逻辑
- 每日复习：AI 出题，巩固当天所学
- 手写笔记：用自己的话复述，检验理解程度
- 跑通全流程：把零散知识串成闭环
第一天，AI 生成了一段很简单的代码，让我先理解 RAG 的基本概念。我的主观感受是：脑袋空空，好像什么都没学到。但这非常正常。跟着 AI 规划的方向一步一步走，你会经历从"茫然"到"顿悟"的蜕变。
接下来几天，我系统学习了 RAG 的核心概念：元数据过滤的作用是什么，过滤不当会怎样；Top-K 调参里 K 值大小对答案生成的影响；BM25 和向量检索的区别；为什么要用混合检索 + Reranker；FastAPI 在这套架构里扮演什么角色……在 AI 的带领下，不知不觉就由浅入深。最重要的是每天让 AI 出题复习，这样知识才能真正扎实。
我的学习心法：不求写代码，只求懂原理
我靠 AI 学习时，并没有死磕编程细节，而是让 AI 把代码写好，然后我去理解关键函数的作用和核心流程。接着自己上手改几个参数，观察运行效果的变化——这种"失之毫厘，差之千里"的体感，比看十遍文档都管用。比如 Top-K 调参，把 K 值放大或缩小，答案质量的变化立竿见影；修改 Chunking 策略里的 chunk_size 和 chunk_overlap，也能直观感受到对检索结果的影响。
写在最后
在我看来，AI 是一位功能强大且极度耐心的老师。它会根据你的学习情况实时调整节奏，你有任何问题都可以随时追问。如果你现在还不知道第一步该往哪走，不妨先问自己一个问题：我真的会用 AI 吗？
希望这篇博客对你有所帮助，感谢阅读！