使用目标
统一团队语言：让前端团队快速理解 AI 全栈核心概念
建立概念关系：模型、数据、工具、评估、安全、部署如何串起来
形成学习边界：两周目标是交付 AI 应用 PoC/MVP，不是从零训练模型
一、基础认知层
AI / 人工智能：让机器表现出理解、生成、推理、决策等智能行为的技术集合
ML / 机器学习：让系统从数据中学习规律，而不是完全靠人写规则
Deep Learning / 深度学习：使用多层神经网络学习复杂模式的机器学习方法
Generative AI / 生成式 AI：能生成文本、图片、音频、代码等内容的 AI
Foundation Model / 基座模型：在大规模数据上训练出的通用模型，可适配多种任务
LLM / 大语言模型：擅长理解和生成自然语言、代码、结构化数据的模型
工程理解：LLM 是语言与推理引擎，不是企业知识库
使用边界：需要结合 RAG、Tool Calling、Eval 和 Guardrails
Transformer：当前很多 LLM 的核心模型架构，Day 1 只需知道它是底层架构
Token：模型处理文本的基本单位，影响成本、上下文长度、流式输出和文档切分
Context Window / 上下文窗口：模型一次请求能看见的最大 token 范围
Hallucination / 幻觉：模型生成看似合理但不真实或无依据的内容
二、模型调用与 Prompt 层
Model API / 模型 API：通过 HTTP 或 SDK 调用大模型能力的接口
Prompt / 提示词：给模型的任务指令、上下文、输出要求和示例
工程建议：Prompt 是工程资产，需要版本化、测试和评估
System Prompt / 系统提示词：约束模型角色、边界和行为的高优先级指令
User Prompt / 用户提示词：用户本轮输入，需要清洗、截断、权限检查和上下文拼装
Few-shot Prompting：给模型几个输入输出示例，引导它按样例完成任务
Temperature：控制输出随机性，越低越稳定，越高越发散
Top-p：控制候选 token 采样范围，影响生成发散程度
Streaming / 流式输出：模型边生成边返回结果，是聊天体验的基础能力
Structured Output / 结构化输出：让模型输出符合 schema 的 JSON 等结构
JSON Schema：描述 JSON 字段类型和约束，用于减少输出格式漂移
三、知识增强与 RAG 层
Vector / 向量：一组数字，用于表示文本或图片的语义特征
Embedding / 嵌入：把文本、图片等内容转成向量的过程
Chunking / 文档切分：把长文档切成较小片段
注意：chunk 太大浪费上下文，chunk 太小容易丢语义
Vector Database / 向量库：存储向量并支持相似度检索的数据库
常见选择：pgvector、Weaviate、Pinecone、Milvus
Retriever / 检索器：根据用户问题从知识库中找相关内容的组件
RAG / 检索增强生成：先检索资料，再让模型基于资料回答
典型流程：文档解析 -> 切分 -> 向量化 -> 入库 -> 检索 -> 拼上下文 -> 生成回答 -> 引用 -> 评估
Rerank / 重排：对初步检索结果重新排序，提高上下文质量
Citation / 引用：回答中附带来源文档、段落、页码或 URL
Grounding / 事实锚定：让回答尽量基于给定资料，而不是自由发挥
Refusal / 拒答：资料不足或高风险时明确不回答
四、Tool、Agent 与 MCP 层
Tool Calling / 工具调用：让模型决定调用哪个工具以及传什么参数
Function Calling / 函数调用：Tool Calling 的常见实现形式
Tool / 工具：模型可请求使用的外部能力，例如查订单、查工单、查知识库
Workflow / 工作流：由程序固定控制步骤的任务流程
适合：规则明确、路径固定、需要强可控的任务
Agent / 智能体：能围绕目标多步调用模型、工具和状态完成任务的系统
组成：模型、指令、工具、状态、护栏、编排、评估
建议：两周冲刺先掌握单 Agent，不急着做多 Agent
Memory / 记忆：保存短期或长期上下文的机制
注意：不能什么都记，要考虑隐私、过期、错误记忆和权限
Human-in-the-loop / 人工介入：高风险或不确定任务中让人确认
MCP / Model Context Protocol：标准化连接工具、资源和提示模板的协议
MCP Tool：MCP server 暴露给模型可调用的动作
MCP Resource：MCP server 暴露的可读取上下文数据
MCP Prompt：MCP server 暴露的可复用提示模板
五、框架与工具层
AI SDK：Vercel 提供的 TypeScript AI 应用开发工具包，适合前端团队
LangChain：构建 LLM 应用、RAG、Agent、工具链的框架
LangGraph：构建可控 Agent / 多步工作流的框架
LlamaIndex：偏数据索引、RAG、知识库应用的框架
Ollama：本地运行大模型的工具，适合本地模型和本地 RAG Demo
Dify：开源 LLM 应用开发平台，适合快速搭知识库和工作流原型
Coze / 扣子：智能体与工作流平台，适合低代码快速验证 Agent 场景
FastGPT：知识库问答和工作流平台，常用于 RAG 快速落地
n8n：自动化工作流工具，可与 AI 工具结合做业务自动化
六、评估与可观测性层
Eval / 评估：用测试集和评分标准衡量 AI 输出质量
Eval Dataset / 评估集：一组固定测试问题、期望行为和评分规则
Rubric / 评分规则：判断回答好坏的打分标准，例如正确性、忠实性、引用质量、安全性
LLM-as-a-judge：用另一个模型按规则给输出打分，需要人工校准
Trace：一次 AI 请求或 Agent 执行过程的完整记录
Observability / 可观测性：日志、trace、指标、成本等监控能力
Prompt Versioning：记录 Prompt 的版本、变更和效果
Regression Test / 回归测试：改 Prompt、模型或 RAG 后复跑评估集
七、安全、治理与生产化层
Guardrails / 护栏：输入、输出、工具、权限、格式等安全控制
Prompt Injection / Prompt 注入：恶意输入诱导模型忽略规则或泄露信息
RBAC / ACL：控制谁能访问哪些数据和工具，RAG 检索也必须做权限过滤
Rate Limit / 限流：限制请求频率和调用次数，控制成本和防止滥用
Cost Control / 成本控制：管理 token、模型、向量库、日志等成本
Audit Log / 审计日志：记录用户、工具、敏感操作和结果
Fallback / 回退机制：主模型、工具或解析失败时切换备用方案
Cache / 缓存：缓存模型或检索结果，减少重复调用，但要注意数据过期
Model Gateway / 模型网关：对多模型供应商做统一封装
Gray Release / 灰度发布：小范围上线验证效果，便于回滚
八、关键关系
LLM 与知识库：LLM 不是企业知识库，企业知识要通过 RAG 或工具接入
RAG 与 Agent：RAG 负责找资料，Agent 负责围绕目标动态选择步骤和工具
Tool Calling 与 MCP：Tool Calling 是调用模式，MCP 是工具/资源暴露协议
Prompt 与 Guardrails：Prompt 能约束行为，但不能替代权限、审计和安全护栏
Eval 与上线：没有 eval，就很难证明模型、Prompt 或 RAG 改动真的变好
九、 自测题
LLM 是什么？它为什么不是数据库？
Token 为什么会影响成本和上下文长度？
RAG 的完整流程是什么？
Embedding 和向量库分别解决什么问题？
Tool Calling 和普通模型问答有什么区别？
Agent 和 Workflow 的区别是什么？
MCP 的 tools、resources、prompts 分别是什么？
为什么 AI 应用必须做 Eval？
Prompt Injection 是什么？为什么 Prompt 本身不是安全边界？
两周冲刺里为什么不建议把微调作为主线？
十、推荐资料
OpenAI Docs：https://platform.openai.com/docs
Vercel AI SDK：https://ai-sdk.dev/docs/introduction
LangChain JS Docs：https://docs.langchain.com/oss/javascript/langchain/overview
Model Context Protocol：https://modelcontextprotocol.io/
Hugging Face LLM Course：https://huggingface.co/course
Pinecone RAG Guide：https://www.pinecone.io/learn/retrieval-augmented-generation/
Phoenix Evals：https://arize.com/docs/phoenix/evaluation/llm-evals
