AI 应用核心范式

概述

AI 应用开发的四大核心范式：RAG（检索增强生成）、Agent（智能体）、Function Call（函数调用）、LLM 应用产品化。理解这些范式是从「会用 API」到「能交付产品」的关键分水岭，也是 AI 应用开发岗位面试的核心考察点。

• AI全景概览：从 AI 起源到 AutoML、神经网络压缩、AI 芯片、量子机器学习的全景地图

知识全景

AI 应用/
├── Prompt 工程/   ← 提示词设计、思维链、Few-shot
├── NLP 任务/      ← 文本分类、情感分析、NER、翻译、摘要
├── Function Call/ ← 函数调用协议、工具定义、参数解析
├── RAG/           ← 检索增强生成、向量数据库、文档切分
├── Agent/         ← AI 代理架构、工具调用、多代理协作
└── 产品化/        ← 产品形态、低代码编排、模型接入

知识点

Prompt 工程 — 提示词设计

核心基础能力，决定 LLM 输出质量的下限。

NLP 任务 — 文本理解

文本分类、情感分析、命名实体识别、机器翻译、文本摘要。

LLM 基础原理 — 大模型底层架构

• 大模型-基础：语言模型演进、LLM 架构、ChatGPT 原理、Fine-Tuning 与 Prompt-Tuning
• 大模型-强化学习：RLHF 全流程——On Policy 与 Offline 两大路线
• 大模型-知识扩展：激活函数、归一化、RoPE、推理加速、检索与重排序

Function Call — 函数调用

• Function Call 概述：LLM 如何选择和调用外部工具，JSON Schema 定义、多轮纠错
• Function Call 实战：Function Call 全流程实战指南
• Function Call 实战：天气查询：单一函数调用完整实战
• Function Call 实战：多函数与数据库查询：多函数编排与 SQL 自动生成

RAG — 检索增强生成

• RAG 概述：原理、项目流程、环境配置
• Milvus 向量数据库：核心概念、CRUD 操作、索引与检索
• RAG Query 改写：历史会话改写、关键词扩写、子查询拆分
• RAGAS 评估框架：上下文相关性、忠实度、答案相关性

Agent — 智能体

• AI Agent 概述：Agent 的核心架构、与传统软件对比、应用场景与实现工具
• CrewAI 多 Agent 协作实践：用 CrewAI 实现自动写信+邮件发送的完整项目
• n8n AI Agent 工作流：低代码 Agent 工作流编排，可视化搭建 AI 自动化流程

产品化 — 从 Demo 到交付

• LLM 产品形态：API / 聊天机器人 / 嵌入式插件 / SaaS 服务等六类产品形态

产业与趋势

• AI 产业格局：基础设施/模型层/应用层三层生态、闭源 vs 开源、国内格局

工具配置

文档	说明
n8n 本地部署	n8n 工作流自动化工具本地部署，含汉化
n8n AI Agent 工作流	n8n 中集成 AI Agent + MCP 工具
DeepSeek	DeepSeek 基础知识与模型部署使用
[[Claude Code 接入 DeepSeek 与 GLM	Claude Code 接入模型]]

学习路径

基础层：Prompt 工程 → NLP 任务
核心层：Function Call → RAG → Agent
实战层：产品化 → 低代码编排（n8n）→ 模型接入（Claude Code）

关联专题

• NLP 基础：Transformer、注意力机制等底层原理
• 模型部署-MOC：Docker/Ollama 部署实践
• 模型与对齐：大模型全景、强化学习对齐

（由 AI 辅助整理，请根据实际学习进度更新）（内容由AI生成，仅供参考）