跳到主要内容

AI全链路核心概念地图：从底层到应用层

目录​

为什么要看全链路​

很多人学 AI 会“点状理解”：知道 Prompt、知道 RAG、也知道 Agent，但不知道它们在系统里如何衔接。
全链路地图的目标是让你回答三个问题：

  • 当前问题属于哪一层？
  • 该优先优化模型、检索、工具还是产品流程？
  • 出错时该从哪里排查？

第1层：数据与训练层（底座）​

  • 语料与数据集：模型能力的上限由数据质量决定。
  • 预训练：学习通用语言与世界知识。
  • 对齐/后训练（SFT、偏好对齐）：让模型更符合“可用性”。
  • 蒸馏、量化：把大模型能力迁移到更低成本形态。

常见误区：只关注模型参数规模，忽略数据质量和评测反馈。

第2层：模型能力层（推理与生成）​

  • 推理能力：多步任务分解、结构化输出、工具决策。
  • 多模态能力：文本、图像、语音、视频输入输出。
  • 上下文窗口：影响长文档、长会话任务质量。
  • 采样策略（temperature/top_p）：影响稳定性与创造性。

关键风险：幻觉（Hallucination）
定义：模型生成看似合理但未经证据支持的内容。

第3层：增强与编排层（把能力变成系统）​

  • RAG：通过检索私有知识增强回答准确性。
  • Embedding：把文本映射到向量空间，用于语义检索。
  • 重排序（Rerank）：提升检索结果相关性。
  • 工具调用/函数调用：让模型执行外部动作而非“口头承诺”。
  • Agent 编排：规划 -> 执行 -> 反馈 -> 重试。
  • MCP/工具协议：统一模型与外部系统交互方式。

这一层是“从 demo 到产品”的分水岭。

第4层：应用与产品层（价值交付）​

  • 场景选择：优先高频、高痛点、可量化收益。
  • 工作流设计：输入、处理、输出、反馈闭环。
  • 交互设计：流式响应、中断恢复、可追溯输出。
  • 商业模型：订阅、按量、按结果混合计费。

核心判断标准：是否让用户“更快、更准、更省”。

第5层：评测、安全与治理层（可控落地）​

  • 评测：任务成功率、事实性、成本、延迟。
  • 安全：提示注入、越权调用、数据泄露、内容风险。
  • 治理：权限、审计、变更门禁、应急回滚。
  • 合规：数据处理、日志保留、可解释与可追踪。

没有这一层，应用通常无法稳定进入生产。

必须掌握的关键概念清单​

  • 幻觉（Hallucination）
  • RAG（检索增强生成）
  • Embedding / 向量检索
  • Rerank（重排序）
  • Tool Calling / Function Calling
  • Agent / Multi-Agent
  • Prompt Injection（提示注入）
  • Guardrails（护栏机制）
  • Eval（评测）与 Benchmark（基准）
  • Routing（模型路由）与 Caching（语义缓存）

学习顺序建议​

  1. 先掌握 01-03 的底层与模型能力。
  2. 再学习 04-05 的 RAG、工具调用、Agent 编排。
  3. 接着进入 07-08 做场景落地与产品化。
  4. 最后用 10-11 完成安全治理与实时多模态进阶。