面向 AI 应用开发者
把零散知识，连成学习路径。
从模型基础开始，经过检索、工具与任务状态，再走到应用上线。按系列学，也可以直接找眼前的问题。
3 篇 · 系列
模型与 API
理解模型的边界，写好第一次调用，再用评测做选择。
开始这个系列3 篇 · 系列
RAG 与知识检索
把文档变成可检索的证据，让答案有出处、系统可评估。
开始这个系列3 篇 · 系列
Agent 工程
厘清工作流、工具与状态，把一次演示变成可恢复的任务。
开始这个系列3 篇 · 系列
AI 应用上线
处理安全、延迟与失败，在真实约束下交付 AI 应用。
开始这个系列全部文章
12 篇文章先理解上下文，再写第一次模型调用
分清 token、上下文窗口与输出预算，用一个离线示例练习如何组织模型输入。
流式输出与结构化结果：两种不同的可靠性
理解流式事件和完整业务结果的区别，用本地 Python 示例验证结果字段，而不是把半段 JSON 当答案。
选模型之前，先做一份任务评测集
用真实任务定义成功标准，比较模型质量、耗时与失败模式，避免仅凭排行榜做选型。
RAG 的最小闭环：检索、证据、回答
拆解知识检索与生成两条链路，用离线关键词检索示例理解出处、无答案与权限过滤。
文档怎么切：先保留语义，再讨论向量索引
理解切块、重叠、元数据与向量索引的职责，用窗口切分示例观察边界与证据完整性。
如何评估 RAG：把检索和回答分开检查
用 Recall@k、证据支持与无答案用例定位 RAG 问题，用小数据集演示检索评估。
什么时候需要 Agent，什么时候工作流就够了
从控制权、任务路径和失败成本判断是否需要 Agent，用路由示例划清模型和程序的职责。
工具调用与 MCP：协议之外，还要有执行边界
定义参数、结果、错误和权限契约，用离线工具分发器示例防止模型输出直接执行。
让 Agent 能恢复：任务状态、重试与幂等
用 SQLite 演示任务状态迁移，区分对话历史、持久状态与外部副作用，处理重试造成的重复执行。
提示注入防护：把不可信内容留在数据边界内
识别检索文档和工具结果中的间接指令，在程序侧限制工具、权限和资源访问。
AI 应用怎么观测：首字延迟、总耗时与成本
拆分检索、模型和工具耗时，正确计算延迟分位数，用最小示例建立请求级观测。
从演示到上线：给 AI 应用补齐失败路径
用失败矩阵检查超时、限流、权限、无证据和工具异常，把可用性与模型质量一起验收。
没有找到匹配的文章。试试更短的关键词，或查看其他系列。
下一次更新，直接送到你的阅读器。
通过 RSS 订阅新的系列文章，按自己的节奏学习。