@@ -31,18 +31,16 @@ head:
3131
3232如果时间有限，先看 [ AI 应用开发面试指南] ( ./interview-questions/ai-interview-guide.md ) ，把大模型、Agent、RAG、Skills、MCP 和 AI 系统设计里最容易被追问的问题过一遍；如果你还没确定学习顺序，或者正从后端开发转向 AI 应用开发，可以先看 [ Java/Go 开发者 AI 应用开发与 Agent 学习路线（2026 最新版）] ( ../roadmap/java-to-ai-roadmap.md ) 和 [ 后端开发者转型 AI Agent 学习建议（2026 最新版）] ( ../roadmap/backend-to-ai-agent-roadmap.md ) ；如果想补得扎实一些，再按下面的阅读顺序推进。
3333
34- 这应该是当前最全面系统的讲解，每一篇都花费了大量时间完善和优化，每篇文章都画了大量配图辅助理解 ：
34+ 专题内容按大模型基础、Agent、RAG 和系统设计组织，文章之间通过阅读顺序和相关链接串联 ：
3535
3636![ AIGuide 内容概览，大量配图] ( https://oss.javaguide.cn/github/aiguide/aiguide-overview.png )
3737
38- 本专栏所属 AIGuide 项目，对标 JavaGuide 质量（免费开源，欢迎 Star 鼓励） ：
38+ 本专栏内容同时收录在开源 AIGuide 项目中 ：
3939
4040- ** 项目地址** ：[ https://github.com/Snailclimb/AIGuide ] ( https://github.com/Snailclimb/AIGuide )
4141- ** 在线阅读** ：[ https://javaguide.cn/ai-coding/ ] ( https://javaguide.cn/ai-coding/ )
4242
43- 发布之后，也是收到了很多读者朋友的好评和推荐。非常感谢，一定会持续用心维护！
44-
45- ![ AIGuide 收到了很多读者朋友的好评和推荐] ( https://oss.javaguide.cn/github/aiguide/ai-guide-received-many-positive-reviews-and-recommendations-from-readers.png )
43+ 文章会随 API、框架和模型能力变化持续校订，涉及版本、价格和产品能力时请同时核对对应官方文档。
4644
4745## 适合谁看
4846
@@ -68,9 +66,9 @@ AI 应用一旦上线，稳定性、可观测、成本控制、质量回归这
6866
69671 . [ AI 核心概念总览] ( ./ai-core-concepts.md ) ：先把 LLM、Token、Agent、RAG、MCP、Skills、ReAct 这些概念放到同一条链路里。
70682 . [ AI 应用开发面试指南] ( ./interview-questions/ai-interview-guide.md ) ：建立高频问题清单，知道面试和项目复盘最常被追问哪些点。
71- 3 . [ 万字拆解 LLM 运行机制] ( ./llm-basis/llm-operation-mechanism.md ) 、[ 大模型 API 调用工程实践] ( ./llm-basis/llm-api-engineering.md ) ：理解模型调用链路、上下文和结构化返回。
72- 4 . [ 一文搞懂 AI Agent 核心概念] ( ./agent/agent-basis.md ) 、[ 大模型提示词工程实践指南 ] ( ./agent/prompt-engineering.md ) 、[ 上下文工程实战指南 ] ( ./agent/context-engineering.md ) ：建立 Agent 和 Prompt/Context 的基础认知。
73- 5 . [ 万字详解 RAG 基础概念] ( ./rag/rag-basis.md ) 、[ RAG 文档处理与切分策略] ( ./rag/rag-document-processing.md ) 、[ 万字详解 RAG 检索优化] ( ./rag/rag-optimization.md ) ：补齐企业知识库问答主线。
69+ 3 . [ LLM 运行机制] ( ./llm-basis/llm-operation-mechanism.md ) 、[ 大模型 API 调用工程实践] ( ./llm-basis/llm-api-engineering.md ) ：理解模型调用链路、上下文和结构化返回。
70+ 4 . [ AI Agent 核心概念] ( ./agent/agent-basis.md ) 、[ 大模型提示词工程 ] ( ./agent/prompt-engineering.md ) 、[ 上下文工程 ] ( ./agent/context-engineering.md ) ：建立 Agent 和 Prompt/Context 的基础认知。
71+ 5 . [ RAG 基础概念] ( ./rag/rag-basis.md ) 、[ RAG 文档处理与切分策略] ( ./rag/rag-document-processing.md ) 、[ RAG 检索优化] ( ./rag/rag-optimization.md ) ：补齐企业知识库问答主线。
74726 . [ AI 应用系统设计] ( ./system-design/ai-application-architecture.md ) 、[ 大模型网关详解] ( ./system-design/llm-gateway.md ) 、[ AI 应用评测体系] ( ./llm-basis/llm-evaluation.md ) ：把 Demo 放进真实后端系统里，补齐网关、评测和治理。
7573
7674## 核心文章
@@ -90,32 +88,32 @@ AI 应用一旦上线，稳定性、可观测、成本控制、质量回归这
9088### 大模型基础
9189
9290- [ 大模型基础专题] ( ./llm-basis/ ) ：从模型运行机制、API 调用、结构化输出到 AI 应用评测，先把调用链路看明白。
93- - [ 万字拆解 LLM 运行机制] ( ./llm-basis/llm-operation-mechanism.md ) ：把 Token、上下文窗口、Temperature 等概念还原为清晰、可控的工程参数。
91+ - [ LLM 运行机制：Token、上下文窗口与采样参数怎么影响输出 ] ( ./llm-basis/llm-operation-mechanism.md ) ：把 Token、上下文窗口、Temperature 等概念还原为清晰、可控的工程参数。
9492- [ 大模型 API 调用工程实践] ( ./llm-basis/llm-api-engineering.md ) ：拆解 Prompt 组装、模型网关、流式响应、重试限流和结构化返回。
9593- [ 大模型结构化输出详解] ( ./llm-basis/structured-output-function-calling.md ) ：讲清 JSON Schema、Function Calling、Tool Calling 与 MCP 的底层链路。
9694- [ AI 应用评测体系] ( ./llm-basis/llm-evaluation.md ) ：覆盖 Golden Set、LLM-as-Judge、RAG/Agent 指标、Trace 回放和线上灰度闭环。
9795
9896### AI Agent
9997
10098- [ AI Agent 专题] ( ./agent/ ) ：从 Agent 基础概念、Memory、Prompt、Context 到 MCP、Skills 和 Harness Engineering。
101- - [ 一文搞懂 AI Agent 核心概念] ( ./agent/agent-basis.md ) ：理解 Agent 和传统编程、Workflow 的区别，以及 Agent Loop、Tools 注册等核心概念。
99+ - [ AI Agent 核心概念] ( ./agent/agent-basis.md ) ：理解 Agent 和传统编程、Workflow 的区别，以及 Agent Loop、Tools 注册等核心概念。
102100- [ AI Agent 记忆系统] ( ./agent/agent-memory.md ) ：深入理解短期记忆、长期记忆、记忆生命周期和生产级优化策略。
103- - [ 大模型提示词工程实践指南 ] ( ./agent/prompt-engineering.md ) ：掌握 Prompt 四要素、常见技巧和 Prompt 注入防护。
104- - [ 上下文工程实战指南 ] ( ./agent/context-engineering.md ) ：理解静态规则编排、动态信息挂载、Token 预算降级和上下文持久化。
101+ - [ 大模型提示词工程 ] ( ./agent/prompt-engineering.md ) ：掌握 Prompt 四要素、常见技巧和 Prompt 注入防护。
102+ - [ 上下文工程 ] ( ./agent/context-engineering.md ) ：理解静态规则编排、动态信息挂载、Token 预算降级和上下文持久化。
105103- [ 万字拆解 MCP 协议] ( ./agent/mcp.md ) ：理解 MCP 的分层架构、核心能力和 MCP Server 生产实践。
106104- [ 万字详解 Agent Skills] ( ./agent/skills.md ) ：理解 Skills 与 Prompt、MCP、Function Calling 的本质区别。
107- - [ 一文搞懂 Harness Engineering] ( ./agent/harness-engineering.md ) ：拆解 Model + Harness 的工程化架构和一线团队实践 。
105+ - [ Harness Engineering：六层检查框架、上下文管理与工程实践 ] ( ./agent/harness-engineering.md ) ：拆解 Model + Harness 的工程化架构和团队实践 。
108106- [ AI 工作流中的 Workflow、Graph 与 Loop] ( ./agent/workflow-graph-loop.md ) ：理解 AI 工作流的节点、边、状态、安全边界和实现方式。
109107- [ Loop Engineering 是什么？为什么说它是新瓶装旧酒？] ( ./agent/loop-engineering.md ) ：说明代码 Agent 外层循环的触发、上下文、验证、状态和停止条件。
110108
111109### RAG 检索增强生成
112110
113111- [ RAG 专题] ( ./rag/ ) ：围绕企业知识库问答，梳理文档处理、向量数据库、GraphRAG、检索优化和知识库更新。
114- - [ 万字详解 RAG 基础概念] ( ./rag/rag-basis.md ) ：理解 RAG 是什么、为什么需要它、核心优势和局限性。
112+ - [ RAG 基础概念] ( ./rag/rag-basis.md ) ：理解 RAG 是什么、为什么需要它、核心优势和局限性。
115113- [ RAG 文档处理与切分策略] ( ./rag/rag-document-processing.md ) ：覆盖文档解析、清洗、结构化、Chunking 和多模态内容处理。
116- - [ 万字详解 RAG 向量索引算法和向量数据库] ( ./rag/rag-vector-store.md ) ：掌握 HNSW、IVFFLAT 等索引算法和向量数据库选型。
117- - [ 万字详解 RAG 检索优化] ( ./rag/rag-optimization.md ) ：覆盖 Chunk 策略、Hybrid Search、Query Rewrite、Rerank 和上下文压缩。
118- - [ 万字详解 GraphRAG] ( ./rag/graphrag.md ) ：理解实体、关系、社区发现、全局检索与局部检索。
114+ - [ RAG 向量索引算法和向量数据库] ( ./rag/rag-vector-store.md ) ：掌握 HNSW、IVFFLAT 等索引算法和向量数据库选型。
115+ - [ RAG 检索优化] ( ./rag/rag-optimization.md ) ：覆盖 Chunk 策略、Hybrid Search、Query Rewrite、Rerank 和上下文压缩。
116+ - [ GraphRAG] ( ./rag/graphrag.md ) ：理解实体、关系、社区发现、全局检索与局部检索。
119117- [ RAG 知识库文档更新策略] ( ./rag/rag-knowledge-update.md ) ：掌握增量更新、版本控制、去重和全量重建。
120118
121119### AI 系统设计
0 commit comments