Python后端AI专题01后端开发者为什么要学习 AI 应用开发如果你已经会 FastAPI、PostgreSQL、Redis 和 Docker却仍然把“AI 开发”理解为训练神经网络那么很容易走向两个极端要么被矩阵公式吓退要么只学会复制一段client.chat.completions.create()简历上写着“接入大模型”面试官追问超时、幻觉、数据权限和评测时就答不下去了。这个专题走第三条路不训练基础大模型但把模型当成一种昂贵、缓慢、不稳定、返回值不完全可信的后端依赖。这恰好是后端开发者擅长解决的问题。先看一个真实需求不看术语假设公司有 2 万份制度、产品手册和客服记录。业务提出四句话员工上传 PDF、Word、Markdown 或 TXT用户提问后系统只能根据本公司资料回答每个结论必须带文档和页码资料不足就拒答两个客户的数据绝不能混在一起。模型 API 只覆盖其中很小的一段给它一段上下文它生成文字。剩下的工作仍然是后端工程文件大小、类型嗅探、对象存储和失败回滚文档解析、清洗、分块、后台任务与断点恢复PostgreSQL 业务表、pgvector 向量列和多租户过滤关键词召回、向量召回、融合、重排SSE 流式协议、超时、有限重试和并发预算Prompt Injection、越权检索、敏感输出和引用校验Fake Provider、离线评测、指标与故障演练。你会发现AI 应用工程不是把后端丢掉而是给后端增加了几个新的“不可靠边界”。招聘里真正能区分候选人的四层能力“会调用 API”只能证明你看过接口文档。一个更有说服力的能力栈是逐层建立的。层次面试官可能追问本专题给出的项目证据模型接口429 怎么重试用户断线后生成还在跑吗Gateway、超时、并发预算、SSE 取消测试RAG 数据链为什么这样分块专有编号为何搜不到四格式解析、分块实验、混合检索、RRF、Rerank产品与安全两个租户如何隔离文档里的恶意指令怎么办Repository 约束、检索前过滤、Injection 攻防测试评测与运维你怎么证明改完更好线上慢在哪里RecallK、MRR、引用正确率、分段延迟和 Compose 验收这也是本课程不会把 LangChain 放在开头的原因。如果一开始只看chain.invoke()你看不到问题经过了哪些阶段也无法回答失败发生在哪里。我们会先手写下面这条链query → embed → vector_retrieve keyword_retrieve → RRF fuse → rerank → build_context → generate → verify_citations理解并测试过每个阶段后再讨论 LangGraph、MCP 等工具解决了什么、又隐藏了什么。最终项目不是 38 个互不相干的 Demo本系列从头到尾只演进一个项目KnowFlow AI企业级本地知识库与智能问答平台。前六篇建立必要直觉第七篇开始做模型后端基础设施第十五篇项目骨架落地此后解析、分块、索引、pgvector、混合检索、引用、多轮会话、Celery、多租户、安全和评测逐步接入同一项目。最后用 Docker Compose 从空数据库启动通过 Nginx 访问 API让 Worker 真正消费索引任务。为了让没有云端密钥的人也能完整学习项目提供三种运行模式fake确定性模型和 Embedding用于测试、教学与 CIollama本地模型适合隐私数据和离线演示remoteOpenAI-compatible 协议可切换不同远程供应商。Fake 模式不是假项目。它替换的是外部模型的不确定输出上传、分块、状态机、检索、权限、引用和 API 链路仍运行真实业务代码。学习时怎么判断自己不是“看懂了”每篇文章都对应一个可运行检查点。除了本篇与毕业篇的特殊边界下一篇会先给出上一篇练习的完整答案代码题不仅给思路还给实现、测试命令和实际输出。项目篇在文末给出本次修改模块的完整版本并说明没贴出的代码去哪里找。你至少要完成三种动作运行命令退出码为 0不是“看起来没问题”破坏故意输入超限文件、伪造引用、越权 id 和失败 Provider解释说明设计约束、备选方案、取舍和没解决的边界。“能够跑通”是起点“能够证明为什么可信”才是就业竞争力。课后练习把“我会 AI”改写成可验收能力下面四句话都太空泛请把它们改成一张能力矩阵。每行必须包含业务问题、后端职责、可运行证据、面试时能解释的取舍。会调用大模型会做知识库懂 AI 安全会部署 AI 项目。下一篇会给出完整矩阵并借它澄清机器学习、深度学习、生成式 AI 和大语言模型的关系。这个关系不清楚后面就会把所有“会从数据中学习的程序”都误叫成大模型。