AI Engineering知识地图
AI Engineering 的核心不是“问一个问题，得到一个回答”，而是把模型、上下文、工具、知识、评测和协作流程组织成可运行、可验证、可维护的系统。
主线
模型能力
-> 提示与上下文设计
-> 知识增强与工具调用
-> Agent 工作流
-> 协作范式与工程治理
-> 评测、观测、成本与安全1. 入门入口
- Vibe Coding：从“自己写代码”转向“描述目标、上下文、约束和验收标准”的协作方式。
- Context Engineering：系统地选择、组织、压缩和注入上下文。
- AI框架知识地图：理解 RAG、LangChain、LangGraph、LlamaIndex、MCP、Spec-kit 等框架的位置。
理解关系：
Prompt是输入。Prompt Engineering是把输入设计成稳定接口的方法。Context Engineering是把任务所需上下文持续、系统地喂给模型。
2. 能力扩展
- Agent+RAG：把 Agent 与知识检索结合起来。
- RAG：解决模型不知道最新信息、私有知识和长尾细节的问题。
- Tool Use：解决模型“会说不会做”的问题。
- MCP：解决工具接入方式不统一、上下文来源分散的问题。
这一层关心的是：模型如何获得外部知识、如何调用外部能力、如何在执行过程中和环境互动。
3. Agent 与框架
- Agent：Agent 的定义、组成、工作流和适用边界。
- LangChain：快速搭建 LLM 应用、工具调用和简单 Agent。
- LangGraph：构建有状态、可循环、可恢复的 Agent 工作流。
- LlamaIndex：面向数据连接、索引、检索和 RAG 应用。
Agent 的关键组成通常包括：
- 模型：负责理解、推理、规划与生成。
- 工具：负责查询、计算、执行、写入外部系统。
- 记忆：负责保留任务状态、历史和用户偏好。
- 状态与控制：负责循环、终止、重试、回退和人工介入。
- 评测与观测：负责发现失败模式并持续纠偏。
4. 协作范式
- Vibe Coding：以目标、上下文、约束和验证为中心的人机协作开发。
- SDD：通过规格驱动开发，让需求先结构化，再进入实现。
- Spec-kit：围绕规格、计划、任务和实现组织 AI 辅助开发。
- Harness Engineering：为 AI 提供稳定的上下文、工具、验证与反馈环境。
- Agent+RAG：把知识流与执行流整合为可落地工作流。
这部分关心的不是“模型会不会”，而是“团队如何可靠地使用模型做事”。
5. 应补核心专题
- Agent 评测与可观测性
- 生产环境安全与权限控制
- 成本、延迟与模型路由
- 多 Agent 协作与任务拆分
6. 推荐学习顺序
- 先看 Vibe Coding，建立 AI 协作开发的基本心智模型。
- 再看 Context Engineering，理解上下文如何决定输出质量。
- 然后看 RAG、Tool Use 和 MCP，理解外部知识与工具如何接入。
- 接着看 Agent、LangChain 和 LangGraph，理解“单轮问答”和“多步执行系统”的区别。
- 最后看 SDD、Spec-kit 与 Harness Engineering，建立工程化落地能力。
7. 一张图理解
AI Engineering
├─ 模型层
│ ├─ LLM
│ ├─ 多模态模型
│ └─ Embedding / Reranker
├─ 上下文层
│ ├─ Prompt
│ ├─ Context Engineering
│ └─ Memory
├─ 能力层
│ ├─ RAG
│ ├─ Tool Use / Function Calling
│ └─ MCP / 外部系统接入
├─ 执行层
│ ├─ Agent
│ ├─ Workflow
│ └─ Multi-Agent
└─ 工程层
├─ Eval
├─ Observability
├─ Safety
├─ Cost / Latency
└─ Collaboration相关维护页：待补主题及具体维护规则