学 AI 技术，最难的不是找到资料，而是真正理解。
为什么写这个手册
网上不缺 AI 教程，缺的是从困惑到清晰的真实过程。
大多数教程告诉你”MCP 是什么”、“Agent 怎么用”，但不会告诉你学习者在哪里容易理解错、追问了多少轮才真正搞懂、以及常见误解为什么会产生。
AI Handbook 记录的不是整理好的标准答案，而是完整的认知建构过程——包括我理解错的地方、追问了多少轮、以及最终怎么建立起体系化认知的。
内容地图
目前覆盖的核心模块：
AI Handbook
├── MCP · 模型上下文协议（最完整的部分）
│ ├── 协议层原理
│ ├── 三类能力：Tool / Resource / Prompt
│ ├── 实战：Adapter & Gateway
│ └── 面试题库 & 误解纠错
├── Agent · AI 智能体
│ ├── 规划与推理的五个维度
│ └── 交互式可视化笔记
├── RAG · 检索增强生成
│ ├── 基础架构
│ └── 客服系统实战
├── Agent Research · 生态拆解
│ ├── ATDF 方法论
│ ├── 2026 生态趋势
│ └── Deep Dives（OMC / gstack / Letta）
└── 方法论 · 5D 知识习得框架
5D 知识习得框架
在学习过程中，我总结出了一套可迁移到任意领域的学习框架：
| 维度 | 含义 | 实践 |
|---|---|---|
| D1 · Decompose | 分层解构 | 把复杂概念拆成协议层/应用层/生态层 |
| D2 · Distinguish | 对比辨析 | 有它 vs 没有它，到底解决了什么问题 |
| D3 · Draw Analogy | 类比迁移 | 找跨域同构结构（MCP 之于 AI ≈ USB 之于硬件） |
| D4 · Debug | 错误雷达 | 维护”误解地图”，记录哪里容易理解错 |
| D5 · Deploy | 实战锚定 | 锚定到自己的项目，用代码验证理解 |
核心洞察：真正的知识掌握不是”知道答案”，而是能在新场景中重新推导出答案。
知识掌握的五个层次
| 层次 | 特征 | 测试方法 |
|---|---|---|
| L1 记忆 | 能复述定义 | ”MCP 是什么？“ |
| L2 结构 | 能画出层次关系 | ”Host/Client/Server 各自职责？“ |
| L3 迁移 | 能类比到其他领域 | ”MCP 和 USB 有什么共同逻辑？“ |
| L4 批判 | 能指出局限 | ”MCP 有哪些真实的反对意见？“ |
| L5 创造 | 能基于此设计新方案 | ”为你的场景设计一个 MCP Server” |
MCP 学习示例：误解纠错
以 MCP（Model Context Protocol）为例，记录几个常见误解：
误解 1：MCP 是一个 API
MCP 不是 API。API 是”我定义接口，你来调用”；MCP 是”我声明我有什么能力，你来发现和使用”。这是发现机制，不是调用约定。
误解 2：MCP Server 需要联网
MCP Server 可以是本地进程。Host 和 Server 之间通过 stdio 通信，不需要网络。
误解 3：MCP 只能用来调工具
MCP 定义了三类能力：Tool（工具调用）、Resource（数据读取）、Prompt（提示词模板）。工具只是其中之一。
为什么误解记录比标准答案更有价值
标准答案告诉你正确的是什么，但不告诉你为什么会错。而学习过程中 80% 的时间花在纠正错误理解上。
如果你也在学同样的内容，我的误解记录可能帮你少走弯路——因为我们大概率会在同一个地方卡住。
开源
完整内容：github.com/bob798/ai-handbook
包含交互式可视化笔记，下载后浏览器直接打开即可体验。