前言在家休息了半年半年没学习新的东西AI 迅猛发展感觉已经与外界格格不入可以申请非物质文化遗产了。人都是时代的产物人在这个时代滚滚洪流面前连一粒沙子都算不上。把握好时代趋势为了拥抱 AI 时代从今天开始打开停更半年的博客恢复持续学习的能力学习和输出 AI 相关的内容防止沦为笑话开除速度一定要快。言归正传从 AI 基础开始学起。AI基础概念扫盲如图所示1. 核心基础层这是AI的“地基”所有AI能力都建立在这些概念之上。LLM大语言模型就像一个读过海量书籍看过无数网页的“超级学霸”能听懂人话、写文章、写代码、回答问题。我们平时用的豆包、GPT、Claude背后都是它。Prompt提示词你对AI说的话、提的要求就是提示词。比如“帮我写一篇旅游文案”或“解释一下什么是RAG”AI就是根据这些指令来干活的。Context上下文对话的“短期记忆”。比如你先问“北京有什么景点”再问“那附近有什么好吃的”AI能知道你问的是北京附近就是因为它记住了之前的上下文。Memory记忆比上下文更持久的“长期记忆”。比如你告诉AI“我喜欢科幻小说”它之后给你推荐书时就会优先考虑科幻这就是记忆在起作用。Token令牌AI处理文字的“最小单位”可以理解成AI的“字数”。比如中文里一个词或一个字英文里一个单词片段都可能是一个Token。AI的回答长度、收费多少都和Token数量有关。2. 能力增强层在地基之上给AI装上各种“超能力”让它更聪明、更有用。RAG检索增强生成让AI在回答前先去一个“专属知识库”里查资料再结合资料来回答。这样它就不会胡说八道回答更准确也能用到你自己的私有数据。Search搜索就是让AI像用搜索引擎一样去互联网上实时查找最新信息然后再整理成答案。Function Calling函数调用比如你让AI“查一下明天的天气”它就会调用天气查询的函数把结果拿回来再告诉你。Fine-tuning微调用你自己的专属数据对大模型进行“再培训”让它更懂你的行业、你的业务回答更贴合你的需求。3. 应用架构用这些工具和框架把AI能力搭建成可用的应用。Langchain一个非常流行的AI开发框架就像一个“乐高积木箱”里面有各种现成的模块记忆、检索、工具调用等开发者可以快速拼出一个复杂的AI应用。MCP模型上下文协议一个让AI和各种工具、数据、系统之间顺畅沟通的“通用翻译器”能够从外部系统获取信息。Workflow工作流完成一个任务的固定步骤。比如“写一篇公众号文章”的工作流可能是确定主题→搜集资料→写初稿→润色→排版发布。SKILL技能给AI Agent赋予的特定能力比如“订酒店”“写周报”“分析财报”每个技能都是一套预设的操作流程。PLUGIN插件可以理解为将你本地部署的AI工具打包一次性给其他人这样其他人安装就可以使用。API接口让AI和其他软件“对话”的桥梁。比如你开发的App可以通过API接口调用大模型的能力让你的App也变得智能。4. 智能体Agent生态这是AI从“回答问题”进化到“自主完成任务”的关键。Agent智能体一个能自己思考、自己行动的AI小助手。它不只是回答问题还能帮你查资料、订机票、写代码甚至自己规划步骤去完成一个复杂任务。SubAgent子智能体Agent手下的“小工”。当一个复杂任务比如“策划一场婚礼”被拆解后会交给不同的SubAgent去完成比如一个负责找场地一个负责联系司仪。Multi-Agent多智能体协作多个Agent像一个团队一样分工合作共同完成一个复杂的大任务。5. 工具与项目这些是具体的产品和项目用来实现上面的各种概念。AI Agent工具Moltbot / Clawdbot / OpenClaw / Trae / iFlow / Manus / Antigravity / AutoGPT / Gemini这些都是基于大模型开发的AI Agent或工具项目专注于自动化和复杂任务处理。比如AutoGPT就是一个能自己设定目标并执行的经典Agent。代码增强工具Claude CodeAnthropic公司Claude模型的代码能力增强版专门用来写代码、查Bug、解释代码。Cursor一款集成了AI的代码编辑器能帮你写代码、重构代码、解释代码大大提升编程效率。6. 底层支撑这些是AI运行的“基础设施”没有它们AI就跑不起来。GPU算力AI的“超级大脑”专门用来处理海量数据和复杂计算。训练大模型、运行AI应用都需要强大的GPU算力支持。Vector Database向量数据库专门用来存储和检索AI生成的“向量数据”的数据库是RAG技术的核心组件能让AI快速找到最相关的资料。Embedding嵌入把文字、图片等信息转换成AI能理解的数字向量的技术是AI理解和处理信息的基础。AI 应用场景公司可以全流程导入AI,提高工作效率。项目评估阶段,AI协助你进行评估,判断流程和技术风检点AI检查评估阶段文本的语法错误,英文拼写错误。当你的助理,协助减少人工检查item,提供搜索查询服务。AI自动生成软件需要做的UT/IT测试项AI扫描有风险的解答项。AI协助你写code,超级智能代码补全,随时询问API用法,自z动生成代码,解释代码,自动添加注释AI进行codereview,并将该功能接入checkin系统自动扫描不合规代码。AI自动分析bug的问题log,并尝试解决问题,或者给出初步分析。当遇到bug时候,AI自动检索过往相关问题单给你参考。AI当FAQ机器人使用(RAG技术)AI可以写报告,翻译,全篇翻译英文手册,句子改写等文档类工作。AI联网并接入公司内部wiki系统后,可以自动检索公司内部资源,并给出解答。大公司中,AI帮助查找moduleowner自动总结会议纪要AI技术落地方向:GAI生成式AIRAGCOT微调(finetuning),技术点:全量微调,LoRA,QLoRA, prefix tuning, adaprerMCP接口技术skills提示词ACE自动概念提取N8N协助PM做流程管理多模态,agent指令工程(promptengineering)正在商用落地的AI应用开发三大方向正在商用落地的AI应用开发三大方向
告别古法编程，拥抱AI时代
发布时间：2026/5/19 1:39:10
前言在家休息了半年半年没学习新的东西AI 迅猛发展感觉已经与外界格格不入可以申请非物质文化遗产了。人都是时代的产物人在这个时代滚滚洪流面前连一粒沙子都算不上。把握好时代趋势为了拥抱 AI 时代从今天开始打开停更半年的博客恢复持续学习的能力学习和输出 AI 相关的内容防止沦为笑话开除速度一定要快。言归正传从 AI 基础开始学起。AI基础概念扫盲如图所示1. 核心基础层这是AI的“地基”所有AI能力都建立在这些概念之上。LLM大语言模型就像一个读过海量书籍看过无数网页的“超级学霸”能听懂人话、写文章、写代码、回答问题。我们平时用的豆包、GPT、Claude背后都是它。Prompt提示词你对AI说的话、提的要求就是提示词。比如“帮我写一篇旅游文案”或“解释一下什么是RAG”AI就是根据这些指令来干活的。Context上下文对话的“短期记忆”。比如你先问“北京有什么景点”再问“那附近有什么好吃的”AI能知道你问的是北京附近就是因为它记住了之前的上下文。Memory记忆比上下文更持久的“长期记忆”。比如你告诉AI“我喜欢科幻小说”它之后给你推荐书时就会优先考虑科幻这就是记忆在起作用。Token令牌AI处理文字的“最小单位”可以理解成AI的“字数”。比如中文里一个词或一个字英文里一个单词片段都可能是一个Token。AI的回答长度、收费多少都和Token数量有关。2. 能力增强层在地基之上给AI装上各种“超能力”让它更聪明、更有用。RAG检索增强生成让AI在回答前先去一个“专属知识库”里查资料再结合资料来回答。这样它就不会胡说八道回答更准确也能用到你自己的私有数据。Search搜索就是让AI像用搜索引擎一样去互联网上实时查找最新信息然后再整理成答案。Function Calling函数调用比如你让AI“查一下明天的天气”它就会调用天气查询的函数把结果拿回来再告诉你。Fine-tuning微调用你自己的专属数据对大模型进行“再培训”让它更懂你的行业、你的业务回答更贴合你的需求。3. 应用架构用这些工具和框架把AI能力搭建成可用的应用。Langchain一个非常流行的AI开发框架就像一个“乐高积木箱”里面有各种现成的模块记忆、检索、工具调用等开发者可以快速拼出一个复杂的AI应用。MCP模型上下文协议一个让AI和各种工具、数据、系统之间顺畅沟通的“通用翻译器”能够从外部系统获取信息。Workflow工作流完成一个任务的固定步骤。比如“写一篇公众号文章”的工作流可能是确定主题→搜集资料→写初稿→润色→排版发布。SKILL技能给AI Agent赋予的特定能力比如“订酒店”“写周报”“分析财报”每个技能都是一套预设的操作流程。PLUGIN插件可以理解为将你本地部署的AI工具打包一次性给其他人这样其他人安装就可以使用。API接口让AI和其他软件“对话”的桥梁。比如你开发的App可以通过API接口调用大模型的能力让你的App也变得智能。4. 智能体Agent生态这是AI从“回答问题”进化到“自主完成任务”的关键。Agent智能体一个能自己思考、自己行动的AI小助手。它不只是回答问题还能帮你查资料、订机票、写代码甚至自己规划步骤去完成一个复杂任务。SubAgent子智能体Agent手下的“小工”。当一个复杂任务比如“策划一场婚礼”被拆解后会交给不同的SubAgent去完成比如一个负责找场地一个负责联系司仪。Multi-Agent多智能体协作多个Agent像一个团队一样分工合作共同完成一个复杂的大任务。5. 工具与项目这些是具体的产品和项目用来实现上面的各种概念。AI Agent工具Moltbot / Clawdbot / OpenClaw / Trae / iFlow / Manus / Antigravity / AutoGPT / Gemini这些都是基于大模型开发的AI Agent或工具项目专注于自动化和复杂任务处理。比如AutoGPT就是一个能自己设定目标并执行的经典Agent。代码增强工具Claude CodeAnthropic公司Claude模型的代码能力增强版专门用来写代码、查Bug、解释代码。Cursor一款集成了AI的代码编辑器能帮你写代码、重构代码、解释代码大大提升编程效率。6. 底层支撑这些是AI运行的“基础设施”没有它们AI就跑不起来。GPU算力AI的“超级大脑”专门用来处理海量数据和复杂计算。训练大模型、运行AI应用都需要强大的GPU算力支持。Vector Database向量数据库专门用来存储和检索AI生成的“向量数据”的数据库是RAG技术的核心组件能让AI快速找到最相关的资料。Embedding嵌入把文字、图片等信息转换成AI能理解的数字向量的技术是AI理解和处理信息的基础。AI 应用场景公司可以全流程导入AI,提高工作效率。项目评估阶段,AI协助你进行评估,判断流程和技术风检点AI检查评估阶段文本的语法错误,英文拼写错误。当你的助理,协助减少人工检查item,提供搜索查询服务。AI自动生成软件需要做的UT/IT测试项AI扫描有风险的解答项。AI协助你写code,超级智能代码补全,随时询问API用法,自z动生成代码,解释代码,自动添加注释AI进行codereview,并将该功能接入checkin系统自动扫描不合规代码。AI自动分析bug的问题log,并尝试解决问题,或者给出初步分析。当遇到bug时候,AI自动检索过往相关问题单给你参考。AI当FAQ机器人使用(RAG技术)AI可以写报告,翻译,全篇翻译英文手册,句子改写等文档类工作。AI联网并接入公司内部wiki系统后,可以自动检索公司内部资源,并给出解答。大公司中,AI帮助查找moduleowner自动总结会议纪要AI技术落地方向:GAI生成式AIRAGCOT微调(finetuning),技术点:全量微调,LoRA,QLoRA, prefix tuning, adaprerMCP接口技术skills提示词ACE自动概念提取N8N协助PM做流程管理多模态,agent指令工程(promptengineering)正在商用落地的AI应用开发三大方向正在商用落地的AI应用开发三大方向
