和我一起在知识星球转向 AI：项目带路、卡片化、持续更新

以前我主要做前端。大模型浪潮起来后，我不想只“围观”，于是开始把前端工程能力一路“延伸”到后端与 AI 应用：从 Go 做服务、到 RAG/检索、再到工程化落地。这个过程踩了不少坑，也沉淀了大量可复用的笔记与代码。我把它们系统整理成一颗知识星球——不是资料大杂烩，而是我从前端转向 AI 的完整记录与复盘，给同样在转型路上的你参考。
星球里到底有什么？
围绕“能把功能做出来”的目标，我把内容拆成几条互相咬合的路径，并持续更新：
1）实战项目线：从 0 到 1 做得出东西
Go + AI 智能运维平台（从 0 起步）环境搭建、类型与集合、并发与迭代、项目结构，到“微宝塔”需求分析与技术选型。目标：把一个可跑的服务做起来，理解前后端 + AI 的接口与协作。

2）前端体系线：把地基打厚
深入 React：从基础到最佳实践组件设计与架构、Keys/Refs、状态管理（含进阶）、Hooks 深入、性能优化核心、调试与测试、TypeScript、工具链与环境优化。

Vue3/Vue2 技巧合辑组合式 API、组件复用模式、script setup + TS、环境变量管理、自动导入、性能与样式小技巧。

CSS 技巧/案例/动效专栏clamp() 自适排版、自定义滚动条、暗色模式、玻璃按钮、波纹/扫描/3D 变换等可直接上生产的效果与拆解方法。

3）AI 应用工程线：让模型“可用、可控、可维护”
LLM 应用开发（RAG & 检索增强）查询重写与融合、重排序 ReRank、Multi-Vector、多检索器混合、Step-Back/Self-Ask、CRAG（纠错型检索增强）等。核心是：把准确率做上去，把可解释性与稳定性做扎实。

4）通用编程内功
Python 技巧精讲字符串/列表最佳实践、命名与风格、异常与等值比较、数据结构与小工具、常见算法思路，提升“把思路落成代码”的速度。

我是怎么整理的？（方法论）
项目带路：先定一个能上线/能演示的小目标，再反推所需知识点。
拆解 → 卡片化：每篇只解决一个问题点（如“列表初始化的 4 种方式”“如何实现暗色模式切换”），便于检索与复习。
工程化视角：关注“为什么这样设计”，包括边界、权衡与可维护性。
可复用清单：提供配置清单、代码骨架、调试手册，减少重复踩坑。
不追热点，追效果：能提升稳定性与效率的才纳入路线。
你能获得什么？
一条从前端到 AI 的可复用路径：不走弯路，按模块补齐短板。
能即取即用的代码与清单：动效、组件、RAG 策略、服务脚手架。
决策与复盘：我为什么选这个库/架构、遇到什么坑、怎么权衡。
持续更新：新主题会以“问题—方案—清单—示例”的结构扩展。
适合谁 / 不适合谁
适合
有前端基础，想把能力延展到工程化 + AI 应用的同学；
0.5–3 年经验，想从“会写页面/接口”进阶到“会做产品/服务”；
需要可落地的示例与方法，而非只收藏资料的人。
不太适合
只想要“一键生成的成品工程”、不愿拆解与动手的人。
如何开始
选路线：做业务就先走 React/Vue + CSS；要转型就从 Go + AI 实战 或 LLM 应用工程 开始。
每周挑一个“最痛点”问题，照着卡片与清单做出一个可演示的小成果。
遇到问题，星球内检索关键词即可定位到对应卡点。
最后
转向 AI 不是推倒重来，而是把前端的工程化能力延伸到更广的边界。我把自己这段路的真实过程、选择与取舍都写在星球里，希望能帮你少踩坑、快闭环。