理解模型
从 Token、上下文与推理开始，建立准确的模型认知。
独立中文 AI 技术知识库
AI 技术不靠概念堆砌，从原理走向实践。
分享模型基础、提示词设计、RAG、智能体、本地部署、质量评估、AI 编程与数据安全。每篇围绕一个具体问题，给出可验证的工程方法。
内容更新于 2026-08-09 · 持续整理可复用的 AI 工程实践
GUIDE INDEX08 TOPICS
模型 · 数据 · 应用ZH-CN
连接知识
用检索、引用与评估，把模型连接到可信资料。
构建应用
把提示词、工具与工作流组合成稳定、可观察的系统。
核心专题
从问题出发，找到能执行的答案
每篇都包含快速检查、详细步骤、常见问答与相关专题，适合搜索阅读，也方便后续持续更新。
大语言模型入门：从 Token、上下文到推理过程
用工程视角理解大语言模型如何处理文本，以及上下文窗口、随机性和幻觉为什么会影响输出。
提示词设计方法：把模糊需求变成可验证任务
从目标、上下文、约束、示例和输出格式五个部分，构建稳定、可复用的提示词。
RAG 系统怎么搭：文档切分、检索、重排与引用
梳理检索增强生成系统的核心链路，并解释召回率、上下文质量和引用可追溯性。
AI Agent 工作流：工具调用、状态管理与失败恢复
从单步工具调用开始，逐步构建可观察、可中断、可恢复的智能体工作流。
本地模型部署入门：硬件、量化、服务与监控
介绍本地推理的关键选择，帮助判断何时适合自托管，以及怎样控制资源和维护成本。
AI 应用评估：从离线测试到线上可观察性
建立覆盖质量、成本、延迟和安全的评估体系，让模型更新变得可比较、可回滚。
AI 编程协作：从需求拆解到测试验证的完整流程
让 AI 辅助阅读、修改和验证代码，同时保持变更范围清晰、结果可审查。
AI 数据安全清单：隐私、权限、日志与提示注入
从数据进入模型前到输出落地后，建立最小权限、脱敏、审计和攻击防护机制。
编辑原则
从可解释的方法，走向可验证的结果。
每个页面只解决一个明确问题，既说明原理，也给出检查项、实现路径与常见误区。
01先定义问题，再选择模型和工具
02用真实数据和测试集验证效果
03默认采用最小权限与隐私保护
04记录成本、延迟、质量与失败路径
不知道从哪里开始？
阅读入门指南