AI 工程知识库

本页负责选择入口。Agent 的定义、存在原因和完整学习地图见第一篇导论。

按顺序学习

1. 导论：什么是 AI Agent，这条路怎么走——先建立整体地图，知道自己站在哪一环。
2. LLM 接口与提示词工程——先把模型调用和输出稳定性做扎实，这是后面一切能力的地基。
3. RAG 架构与工程落地与 Function Calling 与 Agent 范式——两条主线：让模型用上私有知识，让模型调用工具。
4. 框架化开发：Python 三件套与 MCP 协议与工具生态——从手写循环过渡到框架与标准协议。
5. Agent 编排与状态持久化与 Memory 长期记忆——解决复杂任务的拆分、断点续跑和跨会话记忆。
6. 端到端实战：从 0 到 1 搭一个生产 Agent——把前面的能力串成一个可上线的系统。

从问题进入

你现在的问题	入口
模型输出不稳定或提示词难以维护	LLM 接口与提示词工程
要让模型使用私有知识	RAG 架构与工程落地
要让模型调用工具并执行任务	Function Calling 与 Agent 范式
不想用裸 SDK 手写循环	框架化开发：Python 三件套
工具接入方式不统一，难以复用	MCP 协议与工具生态
要组织多步流程、状态和长期记忆	Agent 编排，再到 Memory 长期记忆
上线前不知道效果好不好、出了问题查不到	评估与可观测性
担心越权调用、提示词注入和敏感数据泄露	安全护栏
想先完整跑通一个项目	端到端实战

内容边界

模型接口、框架和协议变化较快。示例以正文标注的适用版本或时间为范围；生产升级前核对对应官方文档和发布说明。组件级机制放在各自专题，跨组件业务方案放在场景实战。