写在前面
现在网上有很多所谓”AI 技术文章”，点进去一看，满篇空洞的套话，逻辑混乱，读起来千篇一律。
这类文章有几个共同特点：
- 内容堆砌：大量概念罗列，但没有真正讲清楚原理，读完云里雾里。
- 缺乏实战视角：纸上谈兵，没有真实的项目踩坑经验。
- 没有配图：全是文字，读者很难建立直观的认知。
- 正确性存疑：很多技术细节经不起推敲，甚至存在明显错误。
我在写这一系列 AI 文章的时候，坚持一个原则：要么不写，要写就写透。每一篇文章我都投入了大量时间：
- 深度调研：查阅官方文档、技术博客、学术论文，确保内容准确。
- 精心配图：绘制了几十张配图帮助理解。
- 实战导向：内容都来自真实项目的踩坑经验，不是纸上谈兵。
- 反复打磨：每篇文章都修改了十几遍，确保逻辑清晰、表达准确。
希望这些文章能真正帮到你。
持续更新中
AI 面试系列目前正在持续更新中，后续会陆续补充更多高频面试考点。
当前内容可能还不够完善，如果你有想要了解的主题或任何建议，欢迎在项目 issue 区留言反馈。
这个专栏能帮你解决什么问题？
如果你正在准备 AI 应用开发相关的面试，或者想要系统学习 AI 应用开发的核心知识，这个专栏就是为你准备的。
通过这个专栏，你将获得：
1. 扎实的大模型基础知识
很多开发者在构建 Agent 工作流或调优 RAG 检索时，往往会在最底层的 LLM 参数上踩坑。比如：
- 为什么明明设置了温度为 0，结构化输出还是偶尔崩溃？
- 为什么往模型里塞了长文档后，它好像失忆了，忽略了 System Prompt 里的关键指令？
- Token 到底怎么算的？为什么中文和英文的消耗不一样？
这些问题，如果你不理解 LLM 的底层原理，就永远只能“知其然不知其所以然”。在中，我会带你扒开 LLM 的黑盒，把 Token、上下文窗口、Temperature 等概念还原为清晰、可控的工程概念。
2. 系统的 AI Agent 知识体系
AI Agent 是当下 AI 应用开发最热门的方向。但网上的资料要么太浅，要么太散，很难形成系统的认知。
在中，我会带你：
- 梳理 AI Agent 从 2022 年到 2025 年的六代进化史
- 理解 Agent、传统编程、Workflow 三者的本质区别
- 掌握 Agent Loop、Context Engineering、Tools 注册等核心概念
在中，我会带你：
- 掌握 Prompt 四要素框架（Role + Task + Context + Format）
- 学会六大核心技巧：角色扮演、思维链、少样本学习、任务分解、结构化输出、XML 标签与预填充
- 了解 Prompt 注入攻击原理与三层防护体系
在中，我会带你：
- 理解 Context Engineering 和 Prompt Engineering 的本质区别
- 掌握静态规则编排、动态信息挂载、Token 预算降级三大核心技术
- 学会 Compaction、结构化笔记、Sub-agent 三种长任务上下文持久化方案
3. 深入理解 RAG 检索增强生成
RAG 是企业级 AI 应用的核心技术。但很多开发者只知道“把文档切成块，转成向量，然后检索”这个流程，却不理解背后的原理。
在 RAG 系列文章中，我会带你深入理解：
- ：RAG 是什么？为什么需要 RAG？RAG 的核心优势和局限性是什么？
- ：HNSW、IVFFLAT 等索引算法的原理是什么？如何选择合适的向量数据库？
4. 掌握工具与协议
在 AI 应用开发中，工具接入的碎片化是一个大问题。MCP 协议的出现，就是要解决这个问题。
在中，我会带你理解：
- MCP 是什么？为什么被称为“AI 领域的 USB-C 接口”？
- MCP 的四大核心能力和四层分层架构
- 生产环境下开发 MCP Server 的最佳实践
在中，我会带你理解：
- Skills 是什么？为什么说它是“延迟加载”的 sub-agent？
- Skills 和 Prompt、MCP、Function Calling 的本质区别
- 如何在实战中设计优秀的 Skill
在（六层架构、上下文管理与一线团队实战）中，我会带你理解：
- Agent = Model + Harness，为什么说决定 Agent 天花板的是 Harness 而不是模型？
- Harness 六层架构、上下文管理的 40% 阈值现象
- OpenAI、Anthropic、Stripe 等一线团队的 Harness 工程化实战经验
5. AI 编程面试准备
AI 编程工具正在深刻改变开发者的工作方式。在面试中，你可能会被问到：
- 用过什么 AI 编程 IDE？有什么使用技巧？
- 如何看待 AI 对后端开发的影响？AI 会淘汰程序员吗？
- 未来程序员的核心竞争力是什么？
在中，我会分享 7 道高频开放性面试问题的回答思路。
6. AI 编程实战
纸上得来终觉浅。只有亲手用过 AI 编程工具，才能真正理解它的工作边界和使用技巧。在 AI 编程实战系列中，我会通过真实场景的实战案例，分享 AI 辅助编程的使用经验：
- ：从接口优化到代码重构，展示如何在 JetBrains IDE 中利用 AI 完成从分析到落地的完整闭环
- ：使用 Trae IDE 接入 MiniMax 大模型，通过 Redis 故障排查和跨语言重构场景，分享 AI 辅助编程的实战经验与踩坑心得
- ：通过 Claude Code 接入 GLM-5.1，完成 JVM 智能诊断助手搭建和百万级数据量慢查询治理，分享 AI 辅助编程的工作方法与踩坑经验
文章列表
大模型基础
- - 深入剖析大模型底层原理，把 Token、上下文窗口、Temperature 等概念还原为清晰、可控的工程概念
- - 7 道高频开放性面试问题，涵盖 AI 编程 IDE 使用技巧、AI 对后端开发的影响等
AI Agent
- - 梳理 AI Agent 六代进化史，掌握 Agent Loop、Context Engineering、Tools 注册等核心概念
- - 掌握 Prompt 四要素框架、六大核心技巧及企业级安全实践
- - 深入理解 Context Engineering 核心概念，掌握静态规则编排、动态信息挂载、Token 预算降级等关键技术
- - 深入理解 Skills 的设计理念，掌握 Skills 与 Prompt、MCP、Function Calling 的本质区别
- - 理解 MCP 协议的核心概念、架构设计和生产级最佳实践
- - 深度解析 Harness Engineering，拆解 OpenAI、Anthropic、Stripe 等一线团队的 Agent 工程化实战经验
RAG（检索增强生成）
- - 深入理解 RAG 的工作原理、核心优势和局限性
- - 掌握 HNSW、IVFFLAT 等索引算法原理，学会选择合适的向量数据库
AI 编程实战
- - 通过深分页优化、祖传代码重构两个真实案例，展示 AI 辅助编程的实战效果
- - 使用 Trae IDE 接入 MiniMax 大模型，通过 Redis 故障排查和跨语言重构场景，分享 AI 辅助编程的实战经验
- - 通过 Claude Code 接入 GLM-5.1，完成 JVM 智能诊断助手搭建和百万级数据量慢查询治理
配图预览
为了帮助读者更好地理解抽象的技术概念，我在每篇文章中都绘制了大量配图。这里展示几张：
上下文窗口是 LLM 的“工作记忆”，决定了模型能处理的最大文本量
RAG 的核心思想：先检索相关上下文，再让 LLM 基于上下文生成回答
MCP 被称为“AI 领域的 USB-C 接口”，统一了 LLM 与外部工具的通信规范
写在最后
这个专栏我会持续更新。如果觉得有帮助，欢迎分享给身边的朋友。有问题或建议，直接在项目 issue 区留言就行。
