最近和身边的同事和朋友聊天，几乎所有人都在讨论模型——哪个模型更强、哪个模型更便宜、哪个模型多模态能力更好。
但我们从和用户的沟通中发现，真实业务场景中模型的回答不准确，绝大多数场景都不是模型不行，而是它根本就没拿到正确的数据。AI 助手不够个性化，不是模型不懂你，而是它根本没有关于你的数据；Agent 做不好复杂任务，不是推理能力不足，而是它调用的知识和技能的数据基础有缺陷……
这门课程解决什么问题？
AI 的能力上限 = 模型能力 × 数据质量 ，现在 AI 爱好者认知的的空白主要在于：大家很多没有看到 AI 能力的另一半——数据 。
大多数人只盯着前者，我们这门课程会结合后者（Data），讲清 Data 在 GenAI/Agent 中扮演的角色 ——给出一个以数据为视角的完整认知框架。
为什么叫 Easy？
我们这是一门面向普罗大众的科普课程，不是传统的工程实训。
课程名叫“Easy Data x AI”，“Easy”是对学习者的承诺——轻量、清晰、有即时收获；“Data x AI”是课程的视角——从数据的角度解释 AI 应用的效果差异。
“Easy”的准确含义 ：Easy 是认知门槛低，不是内容浅薄。
课程会引用 CoALA 论文框架、ReAct 模式等业界前沿概念，但每个概念都用日常类比和直觉案例讲透，不需要学习者预先具备学术背景。
这门课程适合谁？
双轨并行，论道与习术
为了满足不同角色的学习需求，我们将课程精心设计为两条路径：“道篇”与“术篇”。
道篇
悟其道（零基础 AI 爱好者和产品决策者的“心法篇”）
“道篇” ：在这里，我们不谈代码，只论道 —— 建立判断力，理解基础原理，学习做出正确的判断和选择。
学习“道篇”的同学平时不需要写代码，但需要有足够的认知深度来进行一些判断和决策。
这条路径适合希望了解 AI 技术的爱好者，以及需要能够与 AI 技术团队对话，理解 Agent、RAG、Memory、Skill、MCP 这些概念在产品设计中的含义，能够评估一个 AI 功能的可行性，知道数据层的选择如何影响产品体验的产品决策者。
学完之后，你将收获：
- 场景判断力：学会评估“这个需求适不适合做 Agent”，掌握数据可得性、任务可定义性、失败可承受性的三维度评估法，避免在立项之初就走上弯路。
- 归因决策力：获得一套“三层度量框架”，当用户说“AI 答得不好”时，能精准定位问题出在数据层、模型层还是业务层，把资源花在刀刃上。
- 系统设计力：理解 RAG、MCP、Skill、Memory 背后的产品设计哲学。你将明白，知识库覆盖范围是产品决策，而“让 AI 学会忘记”比“让它记住”更考验产品设计。
“道篇”的每一课，都在回答一个 AI 爱好者或产品决策者在真实工作中会遇到的问题。
学完之后，你将不再是那个只会说“换个更好的模型”的人，而是能从数据视角审视 AI 产品全貌的领航者。
术篇
用其术（开发者的“功法篇”）
“术篇” ：在这里，我们以可运行的代码和可观察的结果为核心，让你在动手实践中建立工程直觉。
不用担心，我们会把代码体验控制在“五分钟跑通”的量级。深度工程细节一律放入“延伸阅读”，不让主线超载。
这条路径适合已经能够调用 LLM API，但对如何构建完整 AI 应用（知识库、记忆、Agent）缺乏系统认知，希望可以立即上手并看到效果的工具和清晰的架构参考，而不是理论框架的开发者。
学完之后，你将收获：
- 坚实的工程基础：从大模型 API 的“Hello World”开始，掌握流式输出（Streaming）和工具调用（Tool Use）——这是构建一切 Agent 能力的基石。
- 完整的数据层构建经验：基于轻量级 AI Native 数据库从零搭建一个同时支持向量、全文和关系查询的数据层。你将亲手验证，为什么“一个系统搞定”比“三个系统拼凑”不仅更简单，效果也更好。
- 看得见的性能差距：通过对比实验，亲眼见证“混合检索”与“纯向量检索” 在实际项目中表现的巨大效果差异。数据会告诉你，什么是生产级 RAG 的基本要求。
- 从零到一的 Agent 构建：亲手为你的 Agent 加上记忆系统（PowerMem），教会它使用技能（Skill），并最终通过 MCP 协议将你构建的所有能力变成任何 AI 工具都能调用的标准化服务。
“术篇”的每一课，都承诺“五分钟跑通，然后换成你的数据试试”。
我们相信，最好的学习是亲手实现它。
课程整体架构
公共基础篇
├── F1：大模型的本质与边界
└── F2：AI Agent 的完整图景
├── 道篇（P1-P5）
│ ├── P1：找准 Agent 的用武之地 —— AI Agent 场景识别
│ ├── P2：让 Agent 会查资料 —— RAG 产品设计
│ ├── P3：让 Agent 真正记住你 —— 记忆系统设计
│ ├── P4：把经验变可复用 —— Skill 与知识管理
│ └── P5：用数据验证价值 —— 案例与度量
└── 术篇（D1-D5）
├── D1：打通 Agent 与数据 —— 大模型 API 入门
├── D2：一个系统搞定 —— 统一 AI Native 数据层实战
├── D3：实践出真知 —— Agentic RAG 实战
├── D4：记哪些、忘哪些？—— Agent 记忆系统开发
└── D5：授 AI 以渔 —— 综合实战，从 Skill 开发到 MCP 标准化
课程更新时间为：2026 / 3 / 23 ~ 2026 / 5 / 20。
一共 12 节课，公共基础篇 2 节 + 道篇 5 节 + 术篇 5 节。
道篇和术篇，每周会分别更新一期。
| 篇章 | 课程编号 | 上线时间 | 课程标题 |
|---|---|---|---|
| 公共基础篇 | F1 | 3 / 23 | 大模型的本质与边界 |
| F2 | 3 / 30 | AI Agent 的完整图景 | |
| 道篇 | P1 | 4 / 8 | 找准 Agent 的用武之地 —— AI Agent 场景识别 |
| P2 | 4 / 15 | 让 Agent 会查资料 —— RAG 产品设计 | |
| P3 | 4 / 22 | 让 Agent 真正记住你 —— 记忆系统设计 | |
| P4 | 4 / 29 | 把经验变可复用 —— Skill 与知识管理 | |
| P5 | 5 / 11 | 用数据验证价值 —— 案例与度量 | |
| 术篇 | D1 | 4 / 13 | 打通 Agent 与数据 —— 大模型 API 入门 |
| D2 | 4 / 20 | 一个系统搞定 —— 统一 AI Native 数据层实战 | |
| D3 | 4 / 27 | 实践出真知 —— Agentic RAG 实战 | |
| D4 | 5 / 6 | 记哪些、忘哪些？—— Agent 记忆系统开发 | |
| D5 | 5 / 13 | 授 AI 以渔 —— 综合实战，从 Skill 开发到 MCP 标准化 | |
| 结营 | 5 /20 | 结营仪式 |
洞察先行，自然跟随
我们相信，当你看懂了数据，才是真正看懂了 AI 的未来。
《Easy Data x AI》的核心哲学是“洞察先行”，每一节课程都力求传递一个核心洞察。我们希望这些凝练的观点，能成为您认知工具箱里的一部分。
无论你是零基础的 AI 爱好者，还是需要建立 AI 判断力的产品决策者，还是渴望动手实践的工程师，我们都诚挚地邀请你加入《Easy Data x AI》第一季课程。
在这里，你将收获的不仅是知识与技能，更会获得一个看待 AI 产品的全新视角。
福利环节
- 福利一：完成本期课程学习及课后习题，即可领取结课证书。集齐2026年度新上线的两张结课证书，还可额外获得社区 1000 积分，可用于兑换社区积分商城的各种好礼。
- 福利二：在学习过程中，欢迎各位申请成为讲师、助教或参与内容共建，成为我们的社区共建者。即有机会获得 OBCP 免费考试券、限量开发者 T 恤、技术大会门票等奖励。表现优异者，更有丰厚惊喜等你来拿！
- 福利三：在学习期间，还将开启更多福利活动，抽取并发放各种合作社区为社区课程赞助的定制礼物。记得保持关注，惊喜随时降临！（例如下面这本书的作者张海立老师，就会在本课程中，亲自为大家分享和 LangChain / LangGraph 相关的知识，并发放书籍福利~）
所有参与课程学习的同学，也均可向 OB 社区小助手（微信号：OBCE666）申请成为讲师、助教、内容共建者。
参与课程共建的同学，可以获得 OBCP 免费券、限量版开发者 T 恤等社区定制礼品，还有机会成为 OceanBase 社区版主、OceanBase 社区大使、OceanBase 社区年度之星，并享受相应权益。
课程地址
课程在 OceanBase 社区的在线课堂 中同步更新，欢迎大家关注！
后续本课程也会上线到 OceanBase 的 github ，欢迎各位老师们以提 issue 和 pr 的形式，参与课程的讨论和共建。
最后
欢迎各位佬友，扫码加入课程交流微信群，和我们一起参与课程内容的共建和讨论！
