AI / ML / DL / LLM / Agent 差異
建立全局視角，釐清名詞層級與實際用途，避免概念混用。
開始學習AI 基礎概念與落地能力（第一階段）
這一版一路從模型觀念、Prompt、選型與成本，延伸到 Skill、MCP、OpenClaw、Agent Workflow 與 AI 安全設計。主線很清楚：先懂模型，再懂能力，最後懂系統怎麼真的跑起來、又怎麼避免它出事。
章節清單
前四章建立 AI 與 LLM 基礎，第五章開始正式進入能力封裝、能力接入、執行環境、多步任務與安全防呆，整條學習路線會從「會問」一路走到「會做」，再走到「做得穩」。
LLM 基本原理
理解 token、上下文、溫度、成本與幻覺，建立使用底層思維。
開始學習LLM、Embedding 與 RAG 的分工
弄清 embedding 怎麼把 Markdown 文件轉成可檢索的向量、LLM 怎麼依據 retrieval 回答，以及 RAG 怎麼降低幻覺。
開始學習Prompt 基礎到進階
掌握角色、限制、格式、few-shot 與評估，讓提示詞可控又可重複。
開始學習模型選型與成本觀念
用速度、品質、價格、上下文四維度做取捨，避免只看模型大小。
開始學習Skill：讓 AI 從會回答到會穩定做事
把任務知識、操作流程與工具策略沉澱成可重用能力，正式從 Prompt 走向能力封裝。
開始學習MCP：讓 AI 從會做事到能接入外部能力
理解 MCP client / server 的分工，知道工具與資源怎麼被標準化接進 AI 系統。
開始學習OpenClaw：定位、看法與使用方式
把模型、Skill、MCP 與工具放回實際執行環境來看，理解它們在系統裡怎麼被組起來。
開始學習Agent / Workflow / 多步任務實戰
從單次問答走向可執行任務，理解多步任務如何拆解、執行、驗證與收斂。
開始學習AI 安全與防呆：Prompt Injection、資料外洩、權限邊界
理解 AI 一旦能接工具與 workflow，風險如何從內容錯誤升級成資料、權限與系統層問題。
開始學習