布吉岛

AI 技术概览：从入门到面试

返回

本文是 「AI 技术」专栏 的入口，帮你快速建立 AI 技术知识框架，为后续深入学习 RAG、Agent、MCP 等热门技术打基础。

为什么需要学习 AI 技术？

2023 年开始，大语言模型（LLM）的爆发彻底改变了软件开发和产品设计的方式。不论你是前端、后端、还是全栈开发者，理解 AI 技术栈已经成为必备技能：

  • 提升开发效率：用 AI 辅助编码、调试、写文档
  • 打造智能产品：在应用中集成对话、搜索、推荐等 AI 能力
  • 应对面试考点：AI 相关技术已成为大厂面试的热门话题

AI 技术知识地图

下面这张图是整个「AI 技术」专栏会覆盖的核心内容，你可以把它当成一份 学习路线 + 自查清单：

┌─────────────────────────────────────────────────────────────┐
│                    AI 技术栈全景图                           │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐      │
│  │   基础概念    │  │   核心技术    │  │   应用架构    │      │
│  ├──────────────┤  ├──────────────┤  ├──────────────┤      │
│  │ • LLM 原理    │  │ • RAG       │  │ • AI Agent  │      │
│  │ • Prompt 工程 │  │ • MCP 协议   │  │ • Function   │      │
│  │ • Token 机制  │  │ • Embedding │  │   Calling   │      │
│  │ • 上下文窗口  │  │ • 向量数据库 │  │ • 工作流编排 │      │
│  └──────────────┘  └──────────────┘  └──────────────┘      │
│                                                             │
└─────────────────────────────────────────────────────────────┘

1. 基础概念层（2026 年）

概念一句话解释面试高频度最新进展
LLM大语言模型，基于 Transformer 架构，能理解和生成自然语言⭐⭐⭐⭐⭐GPT-4.5、Claude 4、Gemini 2.5
Token模型处理文本的最小单位，中英文计数方式不同⭐⭐⭐⭐价格持续下降，DeepSeek 仅$0.02/1M
上下文窗口模型一次能处理的 max token 数量，决定”记忆力”⭐⭐⭐⭐Gemini 2.5 达 10M Tokens
Prompt 工程设计高质量输入提示词，让模型输出更符合预期⭐⭐⭐⭐结构化 Prompt 成主流
Temperature控制输出随机性，0=确定，1=创意⭐⭐⭐推理模型（o1/R1）引入思考过程

2. 核心技术层（2026 年）

技术解决什么问题面试高频度最新进展
RAG让模型能访问外部知识，解决”胡说八道”问题⭐⭐⭐⭐⭐Graph RAG、Agentic RAG 兴起
Embedding把文本变成向量，支持语义搜索和相似度计算⭐⭐⭐⭐bge-m3 支持 8K 长度
向量数据库专门存储和检索向量数据⭐⭐⭐⭐Milvus 2.4.x、Qdrant 1.12.x
MCP标准化 AI 应用与数据源的连接协议⭐⭐⭐⭐50+ Server，Cursor/Dify 集成

3. 应用架构层（2026 年）

架构典型场景面试高频度最新进展
AI Agent自主规划、调用工具、完成复杂任务⭐⭐⭐⭐⭐多 Agent 协作、自主研究
Function Calling让模型能调用外部 API 和函数⭐⭐⭐⭐OpenAI tools 标准、结构化输出
工作流编排多步骤任务串联，如 LangChain、Dify⭐⭐⭐LangGraph、Dify 1.0、Flowise 2.0

本专栏文章导航

基础概念（必读）

文章难度适合人群
LLM 大语言模型详解⭐⭐所有人，理解 AI 原理
Token 机制详解⭐开发者，控制成本
上下文窗口详解⭐⭐所有人，选择模型
Prompt 工程⭐⭐所有人，提升效果
Temperature 参数详解⭐开发者，调优输出

核心技术

文章难度适合人群
RAG 技术详解⭐⭐⭐后端/全栈，想构建知识库
MCP 协议解析⭐⭐⭐架构师/技术负责人

应用架构

文章难度适合人群
AI Agent 技术⭐⭐⭐⭐高级开发，想构建智能体

怎么用这个专栏学习？

  • 第一遍：先读本文建立整体认知，了解 AI 技术栈有哪些组成部分
  • 第二遍：根据工作/面试需求，选择对应的技术文章深入阅读
  • 第三遍：面试前用每篇的”面试回答版本”快速复习考点

🎯 面试回答版本

面试官问：“你了解哪些 AI 相关技术？”

参考回答框架（1-2 分钟版本）：

我主要从三个层面来理解 AI 技术栈：

第一是基础概念层，包括 LLM 原理、Token 机制、上下文窗口、
Prompt 工程等。这些是和大模型打交道的必备知识。

第二是核心技术层，我最熟悉的是 RAG（检索增强生成），它通过
"检索 + 生成"的方式让模型能访问外部知识，有效解决了幻觉问题。
另外也了解 Embedding 向量化和向量数据库的使用。

第三是应用架构层，主要是 AI Agent 和 Function Calling。
Agent 让模型能自主规划任务、调用工具，Function Calling 则让
模型能安全地调用外部 API。

在实际项目中，我用 [具体技术栈] 实现过 [具体功能]，
解决了 [具体问题]。如果有机会，我很想深入聊聊这块。

可能的追问及应对：

追问应对思路
”RAG 具体怎么实现的？“引导到 RAG 详解文章，讲清楚”索引→检索→生成”三步
”你和 LangChain 用过吗？“如实回答，没用过可以说”了解原理，正在学习"
"AI Agent 和普通对话有什么区别？“强调”自主规划”和”工具调用”两个关键差异
”MCP 是什么？“说是”模型上下文协议”，标准化 AI 应用与数据源的连接

加分项：

  • 能说出具体项目经验（哪怕是小 demo）
  • 能对比不同技术方案的优劣
  • 能提到成本、延迟、准确性等工程考量

下一步：根据你的兴趣方向，继续阅读：