相信大家都在之前的 《Android Studio Otter 2 Feature 发布》已经了解过，为什么这是一个比较值得更新的 Android Studio 版本，与此同时，谷歌也和我们展示了未来（Canary）全新的 AI Agent 有什么特别之处。

对于一个 AI Agent 来说，最重要的有三个基础概念：工具 (Tools)、**上下文 (Context)**和 MCP (模型上下文协议)，而大多数人对于它们的理解，可能还比较片面。

比如工具 ，实际上 AI Agent 不只是一个聊天场景，更多是 Agent 通过“工具”来执行任务，而不是单纯用来做文本回复，最重要的是，Agent 不会将整个代码库发送给模型，毕竟这太浪费 token ，而且还慢，事实上它只是根据用户的 Prompt（提示词），自行决定调用哪些工具 。

比如一般内置的有包括 Find Files（查找文件）、read_file（读取文件）、version_lookup（版本查询）、gradle_sync等等，例如：

❝

开发者询问：“主题在哪里定义？”，Agent 会推断并使用 Find Files搜索 theme.kt，而不是扫描所有文件

你也可以通过收入 /tools让 AI 展示现在存在的工具：

另外的工具就是 **Android 知识库 (Knowledge Base)**：为了解决大模型数据滞后的问题，例如不知道最新的 Navigation 3 API 等场景，Android Studio 集成了 search_android_docs工具，它允许 Agent 搜索 Android 文档、Firebase 和 Kotlin 的最新资料等。

❝

所以官方建议，需要是可以在 Prompt 中加上“check the docs”（检查文档），增加触发工具执行的概率。

❝

有了知识库之后，以后就算不更新 Android Studio ，AI 也可以通过最新知识库获取到最新的 API 和文档。

而对于 (MCP - Model Context Protocol)，作为模型上下文协议 ，它属于扩展能力，可以让开发者连接外部服务，比如和 Figma 集成，连接本地运行的 Figma MCP 服务器，开发者可以直接在 IDE 中要求 Agent “截取我在 Figma 中选中的内容并转换当前屏幕”，从而打通设计与开发的流程 ：

而 Context 则是用于智能感知， Agent 能够自动获取项目名称、当前打开的文件等信息作为上下文 ，而一般开发过程中，推荐用户添加自己的规则或者偏好，避免 AI 过度自我发挥，例如：

• agents.md：团队共享的标准文件，可以在其中定义项目架构（如 Hilt）、代码风格或业务描述，Agent 会在执行任务时读取文件保持一致性
• 层级结构：Agent 会从当前目录向上递归查找所有 agents.md文件，允许在不同模块（如 data 模块）定义不同层级的上下文

而官方也演示了覆盖从“从零创建”到“微调完善”的 UI 开发全流程，注意这里用的也是 Canary 版本：

• 通过自然语言 Prompt 生成完整的应用原型，Agent 会先生成一个计划（包含库和工具），用户确认后，它会生成 ViewModels、Compose UI 代码甚至单元测试

  

• 之后用户可以将 UI 截图拖入会话，Agent 会分析并生成对应的 Jetpack Compose 代码 ，这个过程它会尝试重用现有组件，如果缺少资源（如特定图标），它甚至会尝试生成新的 Vector Drawable

  

• 接着就是代码分析与修复，利用 IDE 现有的 Lint 和静态分析能力，通过 AI 自动修复问题（如未使用的导入、弃用的 API），避免运行耗时的 Gradle 构建

• 然后是 UI 匹配，当现有组件需要根据新设计图进行迭代时使用，用户上传新设计图，Agent 会分析差异并自动调整现有代码从而匹配新设计

• 然后是预览，Agent 会调用 Render Compose Preview工具在聊天窗口中直接渲染预览，从而验证修改是否正确且可编译

• 接着就是通过自然语言指令修改 UI，比如输入“左对齐设置、增大字体、添加柔和的渐变背景”，Agent 会将这些指令转化为代码修改

• 最后结合 UI Check 模式（用于检测可访问性、屏幕适配等问题），当 UI Check 检测到“颜色对比度不足”时，用户可以点击“Fix with AI”，Agent 会自动寻找合适的颜色代码并修复该可访问性问题，最后重新运行检查以确保问题已解决

可以看到，未来的 Android Studio Agent 会有更加丰富的多模态处理能力，比如更好的设计稿理解，图片理解，可以做到设计图和现有 UI 的差异识别并进行改动，甚至直接生成预览效果，同时还支持 UI 检测等，对于 Android 开发者来说，以后也许真的就是动动嘴皮子而已。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】