LLM / AI Agent
大语言模型与智能体——从原理到工程实践，掌握 AI 时代的核心技术栈。
内容导航
本模块覆盖大语言模型（LLM）和 AI Agent 的完整知识体系：
| 主题 | 核心内容 |
|---|---|
| LLM 原理与架构 | Transformer、注意力机制、预训练与微调、推理优化 |
| Vibe Coding 与 AI 辅助开发 | AI 编程工具、Cursor / Claude Code、开发工作流、风险与边界 |
| Prompt Engineering | 提示词设计、Few-shot、CoT 思维链、提示词攻防 |
| RAG 检索增强生成 | 向量数据库、Embedding、检索策略、Chunking、重排序 |
| MCP 协议与工具生态 | Model Context Protocol、工具注册与调用、MCP Server 开发 |
| Function Calling 与工具调用 | 函数调用协议、工具选择与编排、结构化输出 |
| AI Agent 架构 | ReAct、Planning、Memory、工具使用、单 Agent 设计 |
| 多 Agent 协作 | 多智能体通信、任务分解、协作模式、编排框架 |
| AI 工程化实践 | AI 应用部署、监控与可观测性、成本优化、安全合规 |
| 评估与对齐 | RLHF、DPO、基准测试、幻觉检测、安全对齐 |
为什么需要掌握
- 技术趋势：LLM 和 Agent 正在重塑软件开发范式，从辅助编码到自主任务执行
- 面试热点：越来越多的技术面试涉及 AI/LLM 相关问题
- 工程实践：理解 RAG、Function Calling、Agent 架构是构建 AI 应用的基础
学习路径
建议按顺序学习：LLM 原理 → Vibe Coding → Prompt Engineering → RAG → MCP → Function Calling → Agent 架构 → 多 Agent → AI 工程化 → 评估对齐