AI 工程核心技术栈
掌握 AI 应用的四大核心技术：提示词工程、RAG、Agent 和 AI 评测——这是构建生产级 AI 应用的基础能力。
前置知识
- 模型是怎么工作的 — 理解 LLM 的能力边界（token 生成、temperature、上下文窗口）
- 推理引擎与量化 — 理解推理服务的延迟和成本约束
- 什么是 FDE — 理解 FDE 岗位的职责范围
为什么需要学这个
模型部署只是第一步。要让 LLM 产生业务价值，FDE 还需要掌握应用层的核心能力：
- 控制输出质量：同样的模型，不同 Prompt 的输出差异巨大
- 注入私有知识：LLM 的训练数据不包含你的业务信息，RAG 是桥梁
- 实现自主行动：Agent 让 AI 从"对话工具"变成"自动化执行者"
- 保证系统可靠：没有评测体系，AI 的每一次迭代都是盲盒
这四门技术是 FDE 向"应用层"延伸的核心能力，也是面试中高频考察的部分。
本模块学习地图
| 顺序 | 文档 | 解决什么问题 | 时长 |
|---|---|---|---|
| 1 | 提示词工程 | 如何稳定地让模型输出想要的结果 | 30 分钟 |
| 2 | RAG 原理 | 如何让模型基于私有数据回答 | 1 小时 |
| 3 | Agent 架构 | 如何让 AI 自主规划、调用工具、完成任务 | 1 小时 |
| 4 | AI 评测 | 如何量化和保证 AI 系统质量 | 45 分钟 |
核心概念速览
这四门技术构成了 AI 应用开发的完整闭环：
| 技术 | 一句话概括 | 核心能力 |
|---|---|---|
| 提示词工程 | 用自然语言"编程"大模型 | 结构化指令、思维链、工具调用 |
| RAG | 让 LLM 拥有"外挂知识库" | 文档索引、向量检索、上下文增强 |
| Agent | 让 LLM 自主完成任务 | 规划、记忆、工具、多 Agent 协作 |
| AI 评测 | 量化 AI 系统的好坏 | 精度/性能/安全/用户体验评估 |
面试视角
| 技术 | 常考题型 |
|---|---|
| 提示词工程 | 如何设计生产 Prompt、Prompt vs 微调、减少幻觉 |
| RAG | RAG 架构、检索优化、延迟优化、评估方法 |
| Agent | Agent 架构、记忆系统、Multi-Agent、可靠性 |
| AI 评测 | Benchmark 选择、性能测试、RAG 评估、安全扫描 |
学完本模块后，你应该能够...
- 设计生产级 Prompt 模板并减少幻觉
- 构建 RAG 系统并优化检索质量
- 解释 Agent 的核心组件（规划、记忆、工具）
- 设计 AI 系统的评测方案（精度 + 性能 + 安全）
上一节：大模型怎么部署到多块 GPU 上 | 下一节：提示词工程