AI 与大模型：学习路径¶
这一区域按“知识对象和关系”组织，不按工具清单组织。读到一个概念时，先回答五个问题：它是什么、解决什么问题、输入/输出是什么、依赖谁、如何评估是否有效。
总体结构¶
数据与任务
├── 基础能力：Token / Prompt / Context / LLM / KV Cache
├── 推理服务：Ollama / vLLM / GPU / 并发 / API
├── 知识系统：文档 → Chunk / 实体关系 → Embedding → 检索 → RAG
├── 执行系统：Agent → MCP / 工具 → 工作流
└── 质量闭环：评测集 → 检索日志 → 人工反馈 → 发布与回滚 → 数据飞轮
推荐阅读顺序¶
- 先读 AI 技术知识图谱，建立全局概念地图。
- 再读 基础能力，理解模型、上下文、KV Cache 和生成参数。
- 阅读 部署方式与选型，区分部署位置、进程/容器、推理引擎和多卡扩展，再读 vLLM 原理与参数 或 Ollama。
- 要做私有知识问答时，从 知识系统总览 → RAG → 向量库 → 知识图谱依次阅读。
- 需要让模型执行外部任务时，再学习 Agent、MCP 和流程编排。
- 上线后用知识库运维、评估与数据飞轮持续改进，而不是靠一次调 Prompt。
先区分四类“知识”¶
| 知识类型 | 存放位置 | 更新方式 | 适合解决什么 | | --- | --- | --- | | 模型参数知识 | LLM 权重 | 训练/微调 | 语言能力、通用推理、风格。 | | 会话上下文 | 请求的 Context | 本次请求临时注入 | 当前问题、历史对话、规则。 | | 非结构化外部知识 | 文档 + Chunk + 向量库 | 解析、分片、向量化 | 规程、手册、案例的语义问答。 | | 结构化关系知识 | 知识图谱/关系库 | 实体、属性、关系更新 | 设备—厂站—线路、权限、依赖、因果链等精确关系。 |
RAG 不等于向量库，知识图谱也不替代 RAG。实际系统常将“向量召回 + 关键词 + 元数据过滤 + 图谱关系”组合使用，再交给 Reranker 与 LLM。