84 篇教学网页，全部来自 Palantir Foundry 官方文档，按学习顺序编排、全文中文讲解。 每篇都保留原文截图与官方链接，零基础也能顺着读完。
AIP 内容多，别乱翻。按这个顺序走，先建立全局，再深入应用。
先搞懂 AIP 是什么、能做什么、怎么管起来。这组是全局认知，建议从头顺读。
AIP（Artificial Intelligence Platform）不是孤立的模型平台，它长在你的数据与 Ontology 之上，目标是把 AI 变成可运营、…
02平台里几乎每个应用都配备了 AIP 驱动能力。这一篇把它们按应用分类列全，作为你的能力索引表。
03这一篇很短，只回答一个问题：该按什么顺序学 AIP。
04写提示词（prompt）这件事，直接决定 LLM 输出的质量。这一篇讲怎么写出稳定可靠的提示词，是所有 AI 应用的基本功。
05AIP 支持来自 xAI、OpenAI、Anthropic、Meta、Google 等提供商的多种 LLM 与文本嵌入模型。这一篇是选型参照表。
06Foundry 为主流 LLM 提供商提供代理端点，按各提供商原生 API 的格式接收请求 —— 你可以继续用熟悉的开源 SDK，同时白拿平台的限流、数据保护能力。…
07Palantir 把负责任 AI 当作构建方式本身，而不是事后补丁。这一篇讲他们的伦理原则与治理机制。
08把 AI 接进企业数据，安全是第一道门槛。这一篇讲 AIP 如何保护客户数据的隐私与安全。
09LLM 按 token 计费：输入文本和输出文本都要算钱。这一篇讲清用量从哪来、怎么算、怎么控。
10AI 跑出问题了，怎么查？这一篇讲 Workflow Lineage 里的一组能力，让你看清每条 AI 流程的来龙去脉。
11AIP 能力默认可能并未全部开启。这一篇是管理员的操作指南：在哪些界面、按什么顺序把能力开出来。
12LLM 容量在行业层面是有限资源，所有提供商都会限制账户的最大可用容量。这一篇讲 AIP 如何在组织内分配这份稀缺资源。
13这一篇是纯数值参照表：各注册层级在商业环境与政府环境下的 TPM（每分钟 token 数）与 RPM（每分钟请求数）上限。
平台自带模型不够用？这组讲怎么把外部模型、自建模型接进来。
平台自带模型不够用？自带模型（Bring-your-own-model，BYOM）让你把自己的 LLM 或账号接进 AIP，成为一等公民资源。这一篇是总览与选路指南…
02当你的模型暴露标准供应商 API时，通过 Data Connection 里的 REST API 来源接入是最省事的路径。
03把 LLM 服务跑在 compute module 里，再注册给 AIP —— 这条路径适合需要自定义推理逻辑或私有部署的场景。
04在自己的基础设施上跑开源或私有模型，数据完全不出环境。这篇说明自托管的做法与代价。
05代理层夹在 AIP 与外部模型供应商之间，让你精确控制哪些数据会离开你的环境，以及请求怎么转发。
AIP 的核心应用：用块（Block）把 LLM 串成可靠的业务流程。想上手 AIP，这组最值得精读。
AIP Logic 是 AIP 的核心应用：在可视化环境里构建、测试、发布由 LLM 驱动的函数，无需写代码就能借助 Ontology 构建功能丰富的 AI 逻辑。…
02读懂这一页，后面所有 Logic 文档都会顺畅很多。这里把 block、prompt、tool、output 等关键概念一次讲清。
03这一篇带你实际走一遍：进入 AIP Logic、认识界面、组合 LLM block、在调试器里看 LLM 的思维链（chain of thought）。
04Block 是 AIP Logic 的积木，每块都有特定用途：读写 Ontology、做计算、聚合数据、调用函数、与 LLM 交互。这篇是积木图鉴。
05让 AI 直接改你的 Ontology 太危险怎么办？暂存写入让改动先停下来等人审，通过后才落库。
06AIP Logic 与 Global Branching 集成，让你在隔离的分支上安全地改 Logic 函数，改完再合并。
07Logic 函数有两种执行模式，决定了"以谁的身份运行、数据权限从哪来" —— 这是个容易踩坑但很关键的选择。
08Logic 函数可以被自动化触发，让 Ontology 编辑自动落地，或先暂存等人工审核 —— 触发源可以是已有对象，也可以是新建对象。
09Logic 函数跑一次，钱花在哪？这一篇把用量拆开算给你看，帮你预测成本、优化设计。
10Logic 资源底层由函数支撑。这篇讲怎么看到成功/失败次数与 P95 执行时长，判断一个 Logic 函数是否健康。
11按问题组织的一页，适合当速查手册用。遇到具体疑问时先来这里翻一翻。
LLM 输出不确定，怎么知道它变好了还是变坏了？这组讲评测套件的搭建与运行。
LLM 的输出是不确定的（non-deterministic），传统单元测试不够用。AIP Evals 是专门为此设计的测试环境：建测试用例、定评估标准、跟历史版本…
02Logic 的 Preview 面板适合一次性试跑；但要建立真正的信心，必须拿大量输入去测。这篇是入门路径。
03评估套件 = 测试用例 + 目标函数 + 评估函数。这篇讲怎么把它搭起来，包括同时测多个目标函数的做法。
04LLM 函数往往包含多个步骤，只看最终结果可能看不出是哪一步出了问题。这篇讲怎么评测中间 block 的输出。
05测一个会写 Ontology 的函数，难道每次都要真改数据？不用 —— 每个测试用例在 Ontology 模拟环境里跑，真实数据毫发无损。
06套件可以从多个地方运行：AIP Logic 的 Evals 侧边栏、AIP Evals 应用。可以整跑，也可以只跑单个用例 —— 后者是调试的利器。
07想知道哪个模型性价比最高、哪版提示词效果最好？用实验系统性地跑多个参数组合，而不是靠猜。
08Evals 界面不是给所有人用的。把结果写进数据集，就能在 Workshop 等应用里跟其他信息一起展示，让领域专家也能看到。
09结果视图告诉你：函数在各测试用例与评估标准上的表现具体如何。可以在 Evals 应用里看，也能在 Logic / Chatbot Studio 的侧边栏里看。
10把多次运行的结果收拢到一处，用图表和统计呈现，还能比较聚合结果或单个测试用例的表现。
从零搭一个有上下文、能引用、能调工具的聊天机器人。
想做一个懂你业务、能引用出处、能调工具的对话机器人？AIP Chatbot Studio（原名 AIP Agent Studio）就是干这个的。
02这页把搭建聊天机器人要用到的关键概念一次讲全：应用状态、检索上下文、工具、引用等。
03这一篇带你从零搭一个基础聊天机器人：认识界面、配置信息与工具，然后部署到生产并监控。
04聊天机器人要记住会话里的信息，才能做多轮推理。应用状态就是它的"工作记忆"。
05机器人回答得好不好，八成取决于喂给它的上下文。检索上下文针对每一条新消息确定性地运行，把相关内容塞进模型。
06回答要可信，就得能指出来源。配置了文档或 Ontology 上下文的机器人会输出引用，点击可跳回原始材料。
07工具是外部功能或 API，让 LLM 能执行操作或获取自身不具备的信息。有了工具，机器人从"能说"变成"能做"。
08平台里的命令（command）可以直接挂成机器人的工具 —— 用户一句自然语言，就能触发应用里的具体操作。
09发布为函数（Function）后，你的聊天机器人就能在平台里任何可执行函数的地方被调用 —— 复用性大幅提升。
10每次聊天机器人的执行都会被结构化成事件记录下来，可导出到流式数据集，用于监控与分析。
11把聊天机器人打包成产品，分发给别的团队/环境安装使用 —— 这是从"自己用"到"组织内复用"的一步。
12要在 Foundry 平台之上自建应用？这一篇讲用 Palantir API 调起会话、发消息、拿回复。
内置问答助手，以及怎么把你的私有文档喂给它。
AIP Assist 是内建在平台里的 LLM 支持工具：用自然语言问它怎么用 Palantir，实时拿到答案。它同时是"产品文档的对话式入口"。
02同样一个助手，会问的人和不会问的人拿到的答案质量差很多。这一篇讲怎么高效跟它打交道。
03官方文档回答不了你公司内部的问题。这一组讲怎么把私有文档接进去，让助手也能回答运营与流程类问题。
04这一步是把内部文档登记进平台，让 AIP Assist 能检索到它。用它可以加速工作流、改善新人上手、自动回答支持类问题。
05注册完还不够，要在 Control Panel 里配置它对哪些用户可见，才能真正用上。
06自定义内容源还能进一步变成独立的对话机器人（通过 AIP Chatbot Studio），面向特定场景提供聚焦的协助。
07要让答案好，先得懂原理：AIP Assist 底层用的是检索增强生成（RAG）。这一篇从 RAG 机制反推内容该怎么写。
08AIP Assist 不只是个浮窗，它与平台各应用有多处集成点，让你在具体应用里就能拿到针对性帮助。
09助手会主动推荐"下一步可以做什么"，包括导航类和操作类建议 —— 对新人尤其友好。
从 PDF/扫描件里抽取结构化信息，并部署成可复用的策略。
企业里大量信息锁在文档里。AIP Document Intelligence 是 Foundry 中文档抽取的统一入口：打开文档、试验抽取策略、验证效果、再部署成批…
02搞清传统抽取与 LLM 驱动抽取的本质区别，才能选对策略。这一篇把概念讲透。
03验证好的策略可以部署成 Python transform，对媒体集里所有文档的所有页面跑批量抽取 —— 这是从"试验"到"规模化"的关键一步。
04如果需要按需、单次抽取（而不是批量跑），部署成函数更合适。这篇给出操作路径与生成的代码。
05这是底层能力：把多种格式的文档转成文本，并且保留版面结构（段落、标题、表格）。抽取质量的上限由它决定。
用自然语言问数据，自动生成分析并沉淀成资源。
AIP Analyst 是面向智能体工作流的界面：用自然语言在 Ontology 上做即席分析，不用写查询、不用搭看板。
02AIP Analyst 靠工具（tool）来搜索、分析并呈现答案。工具在 Tools 菜单里按类别分组，可整体或单独启用/禁用。
03这一篇逐个介绍构成一次分析会话的功能与概念，让你知道界面上每个部分在做什么。
04一次有价值的分析不该用完就丢。把分析保存为 Compass 资源，就能回头再看、共享给协作者、并纳入项目管理。
05AIP Analyst 是智能体式应用：一个问题可能引发大量模型调用与 Ontology 查询。理解用量来源，才能预测成本、选对模型、设计高效分析。
06把 AIP Analyst 作为 Workshop widget 嵌进业务应用，用户在自己的工作界面里就能用上 AI 分析，还能精细控制数据访问与工具范围。
07通过 iframe 把 AIP Analyst 嵌到 Workshop 或 OSDK 应用里，并用 URL 参数做定制化。这篇列出可用参数。
对话式操作 Foundry 的智能体：模式、能力、安全边界与最佳实践。
AI FDE（AI-powered forward deployed engineer）是一个交互式智能体：你用自然语言下指令，它直接在 Foundry 里替你操作…
02这一篇概览 AI FDE 的界面、导航与可用控件，动手前先认清每个部分在哪、干什么。
03AI FDE 用模式（mode）界定当前在做什么大类任务，用能力（capability）表示跨模式的细粒度技能。理解这两层，才用得准。
04安全与治理是内建在 AI FDE 里的，因为它完全以你的身份和权限运行 —— 它不是独立服务账号，只是"换了个交互方式的你"。
05让智能体替你操作平台，如何既高效又不失控？这一篇给出实操建议。
Evolve、Model Catalog、Realtime audio、Threads —— 按需查阅。
AIP Evolve 负责编排成群的 AI FDE 智能体，用于持续改进 Foundry 里的 AI 系统 —— 从"一个智能体帮你做事"升级为"一群智能体协同优化…
02Model Catalog 是平台里所有模型资源的总目录：统一查看有哪些模型、各自状态如何、被谁在用。选型与治理都从这里入手。
03模型供应商经常弃用模型，依赖它的工作流就会被打断。这一篇讲 Palantir 如何通知、如何用 Upgrade Assistant 帮你迁移到替代模型。
04音频是通过 Ontology 与平台交互的一种模态：对话前后从本体拉取上下文，实时模型边听边转写，可选地回话并触发工具调用，结果再写回本体。
05这是一篇动手教程：用 OSDK 把实时语音能力接进你自己的应用。注意 —— 录音与知情同意由你负责。
06AIP Threads 让你与文档、数据"对话"：把资料放进来，围绕它提问、追问、推进工作，形成一条可持续的线索。
07一个简单的工作流教程：上传文档 → 与文档交互 → 与 AIP Chatbot 交互。