做 AI 应用不是把 Prompt 塞进接口就结束了。真到项目里，马上会遇到上下文长度、结构化输出、RAG 召回、工具权限、评测回归、成本和稳定性这些问题。

这些问题没法各解各的。大模型基础、Agent、RAG、工具调用、系统设计必须连起来理解——只懂调用 API，到了架构评审会卡住；只熟 RAG 论文，到了知识库维护还是不知道怎么处理增量更新和版本去重。

如果时间有限，先看 AI 应用开发面试指南，把大模型、Agent、RAG、Skills、MCP 和 AI 系统设计里最容易被追问的问题过一遍；如果你还没确定学习顺序，或者正从后端开发转向 AI 应用开发，可以先看 Java/Go 开发者 AI 应用开发与 Agent 学习路线（2026 最新版） 和 后端开发者转型 AI Agent 学习建议（2026 最新版）；如果想补得扎实一些，再按下面的阅读顺序推进。

这应该是当前最全面系统的讲解，每一篇都花费了大量时间完善和优化，每篇文章都画了大量配图辅助理解：

本专栏所属 AIGuide 项目，对标 JavaGuide 质量（免费开源，欢迎 Star 鼓励）：

• 项目地址：https://github.com/Snailclimb/AIGuide
• 在线阅读：https://javaguide.cn/ai-coding/

发布之后，也是收到了很多读者朋友的好评和推荐。非常感谢，一定会持续用心维护！

• 正在从后端开发转向 AI 应用开发，想补齐大模型、Agent、RAG 和系统设计主线的工程师。
• 准备 AI 工程师、AI 应用开发、后端转 AI 相关岗位面试的同学。
• 做过 Prompt Demo，但对模型调用链路、结构化输出、RAG 检索优化和评测闭环还不够熟的开发者。
• 想把 MCP、Function Calling、Tool Calling、向量数据库、模型网关这些概念放到真实项目里理解的读者。
• 已经在项目中接入大模型，但开始遇到稳定性、成本、安全治理和质量回归问题的团队成员。

大模型真不能只当成一个黑盒 API 来调。Token 被截断、采样参数一变输出就飘、说好返回 JSON 结果还是乱了，这些问题靠 Prompt 很难彻底兜住。你在提示词里加一句“请严格按照 JSON 输出”，只能算第一层约束，真正上线时还是得在调用链路里做格式校验、重试、兜底和异常处理。

Agent 也不是能自动调工具就完事了。真正难的是 Memory 和 Context Engineering。上下文没管好，Agent 跑几轮之后就容易偏题，前面说过什么、当前任务做到哪一步、哪些工具结果还能用，全都可能乱掉。长任务里更明显，有时候它不是不会做，而是循环几次之后自己把自己绕进去了，一直跑到 token 快耗完才停。

RAG 答非所问，很多时候也别急着怪模型。大部分问题其实出在召回阶段：Chunk 切得太粗、Query 没改写、关键词检索和向量检索没结合、重排没做好。这个时候一项一项排查召回链路，往往比直接换一个更贵的模型有用。

MCP、Function Calling、Tool Calling 这些东西，解决的是工具怎么接进来的问题。协议统一之后，接工具确实方便了，但真到生产环境，麻烦的地方反而在后面：谁能调用这个工具、能操作哪些数据、调用记录怎么审计、失败了怎么回滚。这些如果没设计好，协议再标准也不够用。

AI 应用一旦上线，稳定性、可观测、成本控制、质量回归这些问题都会冒出来。Demo 阶段通常感受不到，因为调用量小、场景也干净。等真正接到业务流量里，第一次做生产级 AI 应用的团队，基本都会被这些问题教育一次。

1. AI 核心概念总览：先把 LLM、Token、Agent、RAG、MCP、Skills、ReAct 这些概念放到同一条链路里。
2. AI 应用开发面试指南：建立高频问题清单，知道面试和项目复盘最常被追问哪些点。
3. 万字拆解 LLM 运行机制、大模型 API 调用工程实践：理解模型调用链路、上下文和结构化返回。
4. 一文搞懂 AI Agent 核心概念、大模型提示词工程实践指南、上下文工程实战指南：建立 Agent 和 Prompt/Context 的基础认知。
5. 万字详解 RAG 基础概念、RAG 文档处理与切分策略、万字详解 RAG 检索优化：补齐企业知识库问答主线。
6. AI 应用系统设计、大模型网关详解、AI 应用评测体系：把 Demo 放进真实后端系统里，补齐网关、评测和治理。

• Java/Go 开发者 AI 应用开发与 Agent 学习路线（2026 最新版）：按大模型基础、LLM API、Prompt、RAG、Agent、工程化和项目实战拆解学习路径。
• 后端开发者转型 AI Agent 学习建议（2026 最新版）：先判断是否适合转型，再看 Java AI 与 Python AI 怎么选、能投什么岗位、应该如何学习。
• AI 核心概念总览：按大模型基础、Agent 和 RAG 三条主线串联 LLM、Token、MCP、Skills、ReAct、Embedding、GraphRAG 等核心概念。
• AI 应用开发面试题专题：按大模型基础、AI Agent、RAG 和 AI 系统设计组织复习路线。
• AI 应用开发面试指南：把 AI 应用开发常见追问放到一条复习路线里，适合先看。
• 大模型基础面试题总结：覆盖 Token、上下文窗口、采样参数、API 调用、结构化输出和评测体系。
• AI Agent 面试题总结：覆盖 Agent Loop、Memory、Prompt、Context、MCP、Skills、Harness Engineering 和工作流。
• RAG 面试题总结：覆盖 RAG 基础、向量数据库、文档处理、检索优化、GraphRAG、知识库更新和评测。
• AI 系统设计面试题总结：覆盖生产级 AI 应用架构、模型网关、可观测、评测、安全治理和实时语音 Agent。

• 大模型基础专题：从模型运行机制、API 调用、结构化输出到 AI 应用评测，先把调用链路看明白。
• 万字拆解 LLM 运行机制：把 Token、上下文窗口、Temperature 等概念还原为清晰、可控的工程参数。
• 大模型 API 调用工程实践：拆解 Prompt 组装、模型网关、流式响应、重试限流和结构化返回。
• 大模型结构化输出详解：讲清 JSON Schema、Function Calling、Tool Calling 与 MCP 的底层链路。
• AI 应用评测体系：覆盖 Golden Set、LLM-as-Judge、RAG/Agent 指标、Trace 回放和线上灰度闭环。

• AI Agent 专题：从 Agent 基础概念、Memory、Prompt、Context 到 MCP、Skills 和 Harness Engineering。
• 一文搞懂 AI Agent 核心概念：理解 Agent 和传统编程、Workflow 的区别，以及 Agent Loop、Tools 注册等核心概念。
• AI Agent 记忆系统：深入理解短期记忆、长期记忆、记忆生命周期和生产级优化策略。
• 大模型提示词工程实践指南：掌握 Prompt 四要素、常见技巧和 Prompt 注入防护。
• 上下文工程实战指南：理解静态规则编排、动态信息挂载、Token 预算降级和上下文持久化。
• 万字拆解 MCP 协议：理解 MCP 的分层架构、核心能力和 MCP Server 生产实践。
• 万字详解 Agent Skills：理解 Skills 与 Prompt、MCP、Function Calling 的本质区别。
• 一文搞懂 Harness Engineering：拆解 Model + Harness 的工程化架构和一线团队实践。
• AI 工作流中的 Workflow、Graph 与 Loop：理解 AI 工作流的节点、边、状态、安全边界和实现方式。
• Loop Engineering 是什么？为什么说它是新瓶装旧酒？：说明代码 Agent 外层循环的触发、上下文、验证、状态和停止条件。

• RAG 专题：围绕企业知识库问答，梳理文档处理、向量数据库、GraphRAG、检索优化和知识库更新。
• 万字详解 RAG 基础概念：理解 RAG 是什么、为什么需要它、核心优势和局限性。
• RAG 文档处理与切分策略：覆盖文档解析、清洗、结构化、Chunking 和多模态内容处理。
• 万字详解 RAG 向量索引算法和向量数据库：掌握 HNSW、IVFFLAT 等索引算法和向量数据库选型。
• 万字详解 RAG 检索优化：覆盖 Chunk 策略、Hybrid Search、Query Rewrite、Rerank 和上下文压缩。
• 万字详解 GraphRAG：理解实体、关系、社区发现、全局检索与局部检索。
• RAG 知识库文档更新策略：掌握增量更新、版本控制、去重和全量重建。

• AI 系统设计专题：把 Prompt Demo 放进真实后端系统里看，重点关注架构、模型网关、语音链路、可观测、评测和安全治理。
• AI 应用系统设计：把 Prompt Demo 放进生产链路，覆盖 Prompt 管理、模型网关、RAG、Memory、Tool 调用、可观测、评测和安全合规。
• 大模型网关详解：理解 LLM Gateway 的多模型路由、fallback、限流配额、成本归因、观测审计和缓存策略。
• AI 语音技术详解：拆解 VAD、ASR、LLM、TTS、流式播放、打断处理和端云混合选型。

• 大模型的 Token、上下文窗口、Temperature、Top P 分别会影响什么？
• 为什么结构化输出不能只依赖 Prompt？JSON Schema、Function Calling 和服务端校验分别解决什么问题？
• Agent 和 Workflow 有什么区别？Agent Loop 中观察、规划、行动、反思如何协作？
• Prompt Engineering 和 Context Engineering 有什么区别？
• MCP 解决了什么问题？它和 Function Calling、Tool Calling 是什么关系？
• RAG 为什么会答非所问？应该从召回、排序、上下文压缩还是生成阶段排查？
• 向量数据库如何选型？HNSW、IVFFLAT 这些索引适合什么场景？
• AI 应用怎么评测？Golden Set、LLM-as-Judge、线上灰度和 Trace 回放如何串起来？
• 生产级 AI 应用为什么需要模型网关？如何做限流、fallback、成本控制和审计？

• AI 编程实战指南
• 系统设计
• 高可用系统知识体系
• 高性能系统知识体系
• 分布式系统知识体系