外观
AI Engineering Guidebook
System Design Patterns for LLMs, RAG and Agents
作者：Akshay Pachaar、Avi Chawla（DailyDoseofDS.com）
2025 版，中文翻译整理。专有名词首次出现括注英文原文，插图为手绘风格示意图（保留英文原图）。全书 11 章 89 节，覆盖大语言模型原理、提示词工程、微调、RAG、上下文工程、AI 智能体、MCP、优化、评测、部署与可观测性。
目录
LLMs
- 什么是大语言模型（LLM）？
- 为什么需要 LLM
- 是什么让 LLM 变得「大」？
- LLM 是如何搭建出来的？
- 如何从零训练一个 LLM？
- LLM 究竟是如何工作的？
- LLM 生成参数的 7 个关键旋钮
- 4 种 LLM 文本生成策略
- 用一个 LLM 训练另一个 LLM 的 3 种技术
- 本地运行 LLM 的 4 种方式
- Transformer 与混合专家（MoE）在 LLM 中的对比
Prompt Engineering
Fine-tuning
- 什么是微调（Fine-tuning）？
- 传统微调方式存在的问题
- 5 种 LLM 微调技术
- 从零实现 LoRA
- LoRA 是如何工作的？
- 代码实现
- 生成你自己的 LLM 微调数据集（IFT）
- SFT 与 RFT 对比
- 动手实践：用 GRPO 构建一个推理 LLM
- 强化学习中的瓶颈
- 解决方案：OpenEnv 框架
- 智能体强化训练器（Agent Reinforcement Trainer，ART）
RAG
- 什么是 RAG？
- 什么是向量数据库？
- 向量数据库在 RAG 中的作用
- RAG 系统的工作流程
- RAG 的 5 种分块策略
- 提示词工程 vs. RAG vs. 微调，该怎么选？
- 8 种 RAG 架构
- RAG 与智能体 RAG（Agentic RAG）的对比
- 传统 RAG 与 HyDE 的对比
- 全量微调 vs. LoRA vs. RAG
- RAG 与 REFRAG 的对比
- RAG 与 CAG 的对比
- RAG、智能体 RAG 与 AI 记忆
Context Engineering
AI Agents
- 什么是 AI 智能体（Agent）？
- 智能体（Agent）、LLM 与 RAG 的区别
- AI 智能体（Agent）的构建要素
- AI 智能体（Agent）的记忆类型
- 记忆对智能体系统的重要性
- 5 种智能体设计模式
- 从零实现 ReAct
- 智能体 AI 系统的 5 个层级
- 30 个必须了解的智能体 AI 术语
- 智能体 AI 的 4 个层次
- 多智能体系统中的 7 种模式
- Agent2Agent（A2A）协议
- 智能体-用户交互协议（AG-UI）
- 智能体协议全景
- 用 Opik 做智能体优化
- AI 智能体（Agent）部署策略
MCP
- 什么是 MCP？
- 为什么会有 MCP？
- MCP 架构概览
- Tools、Resources 和 Prompts
- API 与 MCP 的区别
- MCP 与函数调用（Function Calling）的区别
- 6 个核心 MCP Primitive
- 创建 MCP Agent
- 常见陷阱：Tool 过载
- 解决方案：Server Manager
- 创建 MCP Client
- MCP Server