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。

对比模型内部知识、短期上下文与外部长期记忆，梳理记忆管理和检索机制。

围绕 AI 系统的评价标准、评估方法、模型选择与决策，组织一套可落地的评估思路。

从数据需求、采集、合成、清洗、验证到质量控制，系统整理数据集工程的全过程。

将网关、上下文工程、安全防护、缓存、Agent 与可观测性纳入统一架构，并讨论用户反馈闭环。

从延迟、吞吐量、显存和成本等指标入手，梳理模型、推理引擎与服务层的优化方法。

以算力基础设施、模型、应用平台和 AI 应用四层结构，建立 AI 技术体系的整体视图。