AI概述

AI（Artificial Intelligence，人工智能）是让机器具备感知、理解、推理、生成和执行能力的一组技术体系。近几年大模型让 AI 从传统的分类、预测、识别任务，进一步进入对话、写作、编程、检索、规划和工具调用等通用能力场景。

本章按照“AI 基础 -> 大模型基础 -> Prompt 工程 -> RAG -> Agent -> 应用开发 -> 工程化 -> 安全治理 -> 面试设计”的顺序组织。目标不是只追热点工具，而是建立一套能持续理解 AI 技术变化的知识框架。

# 1. AI 学习主线

AI 知识体系
├─ AI 基础：AI、机器学习、深度学习、模型训练与推理
├─ 大模型基础：Transformer、Attention、Token、Embedding、微调
├─ Prompt 工程：提示词结构、示例、约束、任务拆解、输出控制
├─ RAG：文档切分、向量检索、召回、重排、上下文拼接
├─ Agent：工具调用、规划、记忆、多智能体、执行闭环
├─ AI 应用开发：对话、知识库、代码助手、文档与数据分析
├─ AI 工程化：流式输出、上下文管理、成本、限流、评估、监控
├─ AI 安全与治理：Prompt 注入、数据泄露、权限边界、内容安全
└─ AI 面试与设计题：RAG 设计、Agent 边界、评估、成本与延迟

# 2. 为什么要系统学习 AI

角色	需要掌握的重点	典型收益
普通使用者	Prompt、模型能力边界、常见工具	提升搜索、写作、总结和办公效率
后端工程师	API 调用、RAG、Agent、工程化治理	能把 AI 能力接入真实业务系统
架构师	模型选型、数据边界、成本、可靠性和安全	能设计可落地、可评估、可治理的 AI 应用
平台工程师	模型服务、网关、观测、评估、权限和审计	能建设企业级 AI 基础设施

# 3. 本章节目录

# 1. AI 基础

建立 AI、机器学习、深度学习和大模型的基础认知，理解模型训练和推理的基本流程。

# 2. 大模型基础

理解大语言模型的核心概念，包括 Transformer、Attention、Token、Embedding、预训练、微调和推理参数。

# 3. Prompt 工程

学习如何把需求转化为模型容易理解和执行的提示词，并控制模型输出结构和质量。

# 4. RAG 检索增强生成

围绕企业知识库、文档问答和私有数据问答，学习检索增强生成的核心链路。

# 5. Agent 智能体

学习让大模型调用工具、拆解任务、维护记忆并执行多步骤任务的基本方法和工程边界。

# 6. AI 应用开发

面向业务系统落地，学习对话机器人、知识库问答、代码助手、文档处理、数据分析等典型应用。

# 7. AI 工程化

关注 AI 应用上线后的稳定性、可观测性、成本、限流、缓存、降级、评估和监控。

# 8. AI 安全与治理

理解 Prompt 注入、数据泄露、越权工具调用、内容安全和企业 AI 使用规范。

# 9. AI 面试与设计题

把 AI 知识转化成可复述、可设计、可落地的系统设计能力。

# 4. 从新手到专家的学习路径

阶段	学习目标	推荐动作
新手	会使用模型完成真实任务	先学 Prompt、模型能力边界和常见工具
初中级	能开发简单 AI 应用	学 API 调用、流式输出、上下文管理和 RAG
高级	能建设可靠 AI 系统	学评估、检索优化、Agent 边界、成本和安全
资深	能做企业级 AI 架构	关注平台化、权限治理、审计、模型选型和长期演进

# 5. 学习建议

先建立基础概念，不要一开始就陷入工具名和框架名。
学 Prompt 时要多做对比实验，观察不同表达对输出质量的影响。
学 RAG 时重点关注数据质量、切分策略、召回质量和答案可追溯性。
学 Agent 时要先明确工具权限和任务边界，不要把所有流程都交给模型自由发挥。
做工程化时要把 AI 当成不稳定外部依赖，提前设计超时、重试、降级、审计和评估。

# 6. Tips 快问快答

Q：学习 AI 一定要先学数学吗？

A：如果目标是应用开发，可以先理解核心概念和工程链路；如果目标是训练模型或研究算法，再系统补线性代数、概率统计和优化方法。

Q：大模型应用是不是只要会写 Prompt？

A：不是。Prompt 是入口，真实应用还需要数据接入、上下文管理、评估、成本控制、安全治理和系统集成。

Q：RAG 和微调怎么选？

A：需要回答私有知识、频繁更新内容时优先考虑 RAG；需要改变模型表达风格、任务格式或领域行为时再考虑微调。

Q：Agent 是不是越复杂越好？

A：不是。Agent 适合多步骤、需要工具和状态的任务；简单问答、固定流程和高确定性业务，通常用普通工作流更可靠。

# 7. 总结

AI 的学习重点不是追逐每一个新模型，而是理解模型能力、数据、工具、系统工程和安全边界之间的关系。真正能落地的 AI 能力，往往来自清晰的问题定义、可靠的数据链路、可评估的输出质量和可治理的工程体系。

上次更新: 2026/06/25, 17:53:09

AI基础概述→