AI 文档导航

这一组文档面向零基础读者，目标不是让你马上训练一个大模型，而是先理解 AI 应用开发里最常见的概念、流程和工程落地方式。

如果你完全没有 AI 背景，可以先把 AI 理解成一种“会根据上下文生成结果的能力”。它不像传统程序那样只执行固定规则，而是根据你输入的问题、资料、约束和示例，生成一个最可能合适的回答。

先学什么

建议按下面顺序学习，不要一开始就跳到微调、Agent 或本地部署。

mermaid

flowchart TD
    A["AI 是什么"] --> B["大模型基础"]
    B --> C["提示词工程"]
    C --> D["Embedding 与向量数据库"]
    D --> E["RAG 知识库"]
    E --> F["AI 应用架构"]
    F --> G["AI 评估与安全"]
    G --> H["Agent、微调、本地部署"]
    H --> I["Spring AI 等工程化框架"]

这个顺序的原因是：

先知道 AI 能做什么、不能做什么，避免把 AI 当成万能工具。
再理解大模型、Token、上下文窗口、幻觉这些基础概念。
然后学习提示词，因为提示词是最容易上手、最常用的 AI 应用能力。
接着学习 Embedding、向量库和 RAG，因为真实项目通常需要让 AI 使用自己的资料。
最后再看评估、安全、Agent、微调和部署，这些属于工程化和进阶内容。

核心目录

学习阶段	推荐页面	学完应该掌握什么
总路线	从零到商业生产级掌握	建立从模型原理到 RAG、Agent、评估、安全、LLMOps 和商业落地的完整主线
深度验收	从零到精通验收清单	检查是否能讲清 AI 全链路原理、商用风险、Demo、排查和面试回答
入门认知	AI 是什么	AI、机器学习、大模型之间的关系
模型基础	大模型基础	Token、上下文、训练、推理、幻觉
模型结构	Transformer 原理	注意力机制为什么能处理文本关系
提示词	提示词工程	怎样把任务说清楚，让模型稳定输出
向量检索	Embedding 与向量数据库	文本如何变成向量，如何做相似度检索
RAG	RAG 知识库	如何“先查资料，再让模型回答”
RAG 工程	RAG 流程	文档切分、检索、重排、生成的完整链路
微调	模型微调	什么时候需要微调，什么时候不需要
Agent	AI Agent	模型如何规划任务、调用工具、循环执行
工具调用	工具调用	如何让模型调用业务接口
架构落地	AI 应用架构	一个 AI 应用通常有哪些后端模块
Java AI 工程化	Spring AI	如何在 Spring 项目中接入模型、RAG 和工具调用
商业落地	AI 商业场景落地	客服、知识库、抽取、数据分析、Agent 如何商业落地
当前应用	当前应用说明	当前项目 AI 问答页的大致链路
本地部署	本地模型部署	本地模型适合哪些场景
本地模型	DeepSeek	如何理解 DeepSeek、本地部署、Embedding 和知识库组合
质量保障	AI 评估	如何判断 AI 回答是否可用
安全边界	AI 安全	Prompt 注入、数据泄露、越权工具调用
面试复习	AI 面试题	常见问法和回答思路

AI 应用的通用工作流

不管你做的是客服助手、企业知识库、合同抽取、数据分析助手还是业务 Agent，常见流程都类似。

mermaid

flowchart TD
    A["用户输入问题"] --> B["后端接收请求"]
    B --> C["补充上下文"]
    C --> D{"是否需要查资料"}
    D -- "不需要" --> E["构造 Prompt"]
    D -- "需要" --> F["检索知识库"]
    F --> G["筛选相关资料"]
    G --> E
    E --> H["调用模型"]
    H --> I["解析模型输出"]
    I --> J["安全检查与格式化"]
    J --> K["返回给用户"]
    K --> L["记录日志与评估数据"]

从工程角度看，AI 应用不是只有“调用模型”这一步。真正要做稳定，需要考虑：

输入是否清晰。
上下文是否足够。
检索资料是否准确。
模型输出是否可控。
失败时如何兜底。
线上效果如何评估。
是否会泄露隐私或调用危险工具。

零基础要先避开的误区

误区一：AI 回答一定是对的

大模型的本质是根据上下文生成最可能的文本，它可能生成看起来很像真的错误内容，这叫“幻觉”。

所以在知识库、法律、医疗、财务、生产运维这类场景里，不能只相信模型生成结果，必须让模型基于资料回答，并保留引用来源和人工审核机制。

误区二：Prompt 写得越长越好

Prompt 的重点不是长，而是清楚。一个好提示词应该明确：

你是谁。
你要模型做什么。
有哪些背景资料。
输出格式是什么。
有哪些限制条件。
不确定时应该怎么处理。

误区三：RAG 可以解决所有问题

RAG 适合“从资料中找答案”的场景，例如文档问答、政策查询、知识库助手。但如果问题需要复杂计算、实时业务操作或多步骤决策，还需要结合工具调用、工作流和业务系统。

误区四：微调是 AI 项目的第一步

大多数应用不应该一开始就微调。更常见的路线是：

先用提示词跑通。
再接入 RAG。
再做评估和监控。
只有当模型风格、专有任务或固定格式长期不稳定时，再考虑微调。

入门 Demo：最小 AI 问答接口

下面用 Python 写一个最小后端接口。真实项目中，前端不要直接保存模型密钥，而是请求自己的后端，再由后端调用模型服务。

安装依赖：

bash

pip install fastapi uvicorn requests

新建 ai_api.py：

python

import os
import requests
from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()


class ChatRequest(BaseModel):
    message: str


@app.post("/ai/chat")
def chat(req: ChatRequest):
    if len(req.message.strip()) == 0:
        return {"answer": "请输入问题。"}

    api_key = os.getenv("MODEL_API_KEY")
    if not api_key:
        return {"answer": "服务端没有配置模型密钥。"}

    # 这里用伪地址表示模型服务，实际项目替换成你的模型平台地址。
    response = requests.post(
        "https://example.com/v1/chat/completions",
        headers={"Authorization": f"Bearer {api_key}"},
        json={
            "model": "demo-model",
            "messages": [
                {"role": "system", "content": "你是一个耐心的技术文档助手。"},
                {"role": "user", "content": req.message},
            ],
        },
        timeout=30,
    )
    response.raise_for_status()
    data = response.json()
    return {"answer": data["choices"][0]["message"]["content"]}

启动：

bash

uvicorn ai_api:app --reload --port 8000

测试：

bash

curl -X POST http://127.0.0.1:8000/ai/chat ^
  -H "Content-Type: application/json" ^
  -d "{\"message\":\"用一句话解释 RAG\"}"

学习检查清单

学完 AI 基础阶段后，你应该能回答这些问题：

大模型为什么会出现幻觉。
Token 和上下文窗口是什么。
Prompt 里为什么要写角色、任务、上下文和输出格式。
Embedding 为什么能用于相似度检索。
RAG 和微调分别解决什么问题。
向量数据库和普通数据库有什么区别。
AI 应用为什么需要评估集。
Prompt 注入为什么危险。
为什么模型密钥不能放在前端。
一个 AI 问答接口后端大概需要哪些模块。

如果这些问题还说不清楚，建议先按目录继续学习，不要急着进入部署或微调。

AI 文档导航 ​

先学什么 ​

核心目录 ​

AI 应用的通用工作流 ​

零基础要先避开的误区 ​

误区一：AI 回答一定是对的 ​

误区二：Prompt 写得越长越好 ​

误区三：RAG 可以解决所有问题 ​

误区四：微调是 AI 项目的第一步 ​

推荐实践路线 ​

入门 Demo：最小 AI 问答接口 ​

学习检查清单 ​

AI 文档导航

先学什么

核心目录

AI 应用的通用工作流

零基础要先避开的误区

误区一：AI 回答一定是对的

误区二：Prompt 写得越长越好

误区三：RAG 可以解决所有问题

误区四：微调是 AI 项目的第一步

推荐实践路线

入门 Demo：最小 AI 问答接口

学习检查清单