::: tip 写在前面

现在网上有很多所谓"AI 技术文章"，点进去一看，满篇空洞的套话，逻辑混乱，甚至还有明显的 AI 生成痕迹——"作为一个 AI 语言模型..."这种低级错误都来不及删。

这类文章有几个共同特点：

• 内容堆砌：大量概念罗列，但没有真正讲清楚原理，读完云里雾里。
• 缺乏实战视角：纸上谈兵，没有真实的项目踩坑经验。
• 没有配图：全是文字，读者很难建立直观的认知。
• 正确性存疑：很多技术细节经不起推敲，甚至存在明显错误。

我在写这一系列 AI 文章的时候，坚持一个原则：要么不写，要写就写透。每一篇文章我都投入了大量时间：

• 深度调研：查阅官方文档、技术博客、学术论文，确保内容准确。
• 精心配图：绘制了几十张精美配图帮助理解。
• 实战导向：内容都来自真实项目的踩坑经验，不是纸上谈兵。
• 反复打磨：每篇文章都修改了十几遍，确保逻辑清晰、表达准确。

希望这些文章能真正帮到你。

:::

::: warning 持续更新中

AI 面试系列目前正在持续更新中，后续会陆续补充更多高频面试考点。

当前内容可能还不够完善，如果你有想要了解的主题或任何建议，欢迎在项目 issue 区留言反馈。

:::

如果你正在准备 AI 应用开发相关的面试，或者想要系统学习 AI 应用开发的核心知识，这个专栏就是为你准备的。

通过这个专栏，你将获得：

很多开发者在构建 Agent 工作流或调优 RAG 检索时，往往会在最底层的 LLM 参数上踩坑。比如：

• 为什么明明设置了温度为 0，结构化输出还是偶尔崩溃？
• 为什么往模型里塞了长文档后，它好像失忆了，忽略了 System Prompt 里的关键指令？
• Token 到底怎么算的？为什么中文和英文的消耗不一样？

这些问题，如果你不理解 LLM 的底层原理，就永远只能"知其然不知其所以然"。在《万字拆解 LLM 运行机制》中，我会带你扒开 LLM 的黑盒，把 Token、上下文窗口、Temperature 等概念还原为清晰、可控的工程概念。

AI Agent 是当下 AI 应用开发最热门的方向。但网上的资料要么太浅，要么太散，很难形成系统的认知。

在《一文搞懂 AI Agent 核心概念》中，我会带你：

• 梳理 AI Agent 从 2022 年到 2025 年的六代进化史
• 理解 Agent、传统编程、Workflow 三者的本质区别
• 掌握 Agent Loop、Context Engineering、Tools 注册等核心概念

RAG 是企业级 AI 应用的核心技术。但很多开发者只知道"把文档切成块，转成向量，然后检索"这个流程，却不理解背后的原理。

在 RAG 系列文章中，我会带你深入理解：

• 《万字详解 RAG 基础概念》：RAG 是什么？为什么需要 RAG？RAG 的核心优势和局限性是什么？
• 《万字详解 RAG 向量索引算法和向量数据库》：HNSW、IVFFLAT 等索引算法的原理是什么？如何选择合适的向量数据库？

在 AI 应用开发中，工具接入的碎片化是一个大问题。MCP 协议的出现，就是要解决这个问题。

在《万字拆解 MCP 协议》中，我会带你理解：

• MCP 是什么？为什么被称为"AI 领域的 USB-C 接口"？
• MCP 的四大核心能力和四层分层架构
• 生产环境下开发 MCP Server 的最佳实践

在《万字详解 Agent Skills》中，我会带你理解：

• Skills 是什么？为什么说它是"延迟加载"的 sub-agent？
• Skills 和 Prompt、MCP、Function Calling 的本质区别
• 如何在实战中设计优秀的 Skill

AI 编程工具正在深刻改变开发者的工作方式。在面试中，你可能会被问到：

• 用过什么 AI 编程 IDE？有什么使用技巧？
• 如何看待 AI 对后端开发的影响？AI 会淘汰程序员吗？
• 未来程序员的核心竞争力是什么？

在《AI 编程开放性面试题》中，我会分享 7 道高频开放性面试问题的回答思路。

• 万字拆解 LLM 运行机制：Token、上下文与采样参数 - 深入剖析大模型底层原理，把 Token、上下文窗口、Temperature 等概念还原为清晰、可控的工程概念
• AI 编程开放性面试题 - 7 道高频开放性面试问题，涵盖 AI 编程 IDE 使用技巧、AI 对后端开发的影响等

• 一文搞懂 AI Agent 核心概念 - 梳理 AI Agent 六代进化史，掌握 Agent Loop、Context Engineering、Tools 注册等核心概念
• 万字详解 Agent Skills - 深入理解 Skills 的设计理念，掌握 Skills 与 Prompt、MCP、Function Calling 的本质区别
• 万字拆解 MCP 协议，附带工程实践 - 理解 MCP 协议的核心概念、架构设计和生产级最佳实践

• 万字详解 RAG 基础概念 - 深入理解 RAG 的工作原理、核心优势和局限性
• 万字详解 RAG 向量索引算法和向量数据库 - 掌握 HNSW、IVFFLAT 等索引算法原理，学会选择合适的向量数据库

为了帮助读者更好地理解抽象的技术概念，我在每篇文章中都绘制了大量配图。这里展示几张：

上下文窗口是 LLM 的"工作记忆"，决定了模型能处理的最大文本量

RAG 的核心思想：先检索相关上下文，再让 LLM 基于上下文生成回答

MCP 被称为"AI 领域的 USB-C 接口"，统一了 LLM 与外部工具的通信规范

AI 技术发展很快，但核心原理是相通的。我希望这个专栏不仅能帮你通过面试，更能帮你建立扎实的知识体系，让你在面对新技术时能够快速理解和上手。

如果你觉得这些文章对你有帮助，欢迎分享给身边的朋友。如果有任何问题或建议，也欢迎联系我或者项目 issue 区留言。