AI

从 AI、机器学习、深度学习到语言模型与 AI 工程，梳理核心概念的包含关系。

从文本序列的概率建模出发，理解 Token、词表，以及掩码语言模型和自回归语言模型的区别。

从模型规模与自监督学习出发，梳理大语言模型的训练流程、架构演进、推理和优化方法。

认识基础模型的定义及多模态分类，比较文本、图像、语音和其他领域的代表性模型。

理解 AI 工程的定位、出现背景、应用场景与技术栈，并与传统软件工程进行对比。

以传统软件交付链路为参照，回顾需求、调研、实现、测试、性能和运维之间的关系。

围绕检索增强生成的动机、索引与检索链路、上下文构建、效果优化和评估展开。

从 Agent 的定义和适用问题出发，理解工具调用、规划、ReAct 模式和可靠执行。

梳理微调的作用与边界，比较不同训练策略，并分析微调流程、优化方法及评估。

从提示词的组成与有效性出发，讨论上下文、示例、约束、安全风险和提示词优化。