AI 应用开发全景从 LLM 原理到工具生态问题场景想入局 AI 应用开发面对 LLM/RAG/Agent/MCP/Skills/Hooks 这些概念不知道从哪学起、先学什么、学完能做什么。你需要一张地图。前言为什么学 AI 应用开发2024-2026 年AI 领域发生了根本性变化大模型能力从能用到好用开发门槛从需要 PhD GPU 集群降到会调 API 就能搭应用。对后端开发来说这不是可选项——AI 应用开发正在成为和数据库、缓存、消息队列一样的基础技能。AI 应用开发的能力分层层次描述能力定位用过 AI 工具“我用 ChatGPT/Claude 写代码”基础操作系统化使用 AI“AI 辅助全流程需求→设计→编码→审查”有方法论基于大模型开发应用“我用 Agent RAG 搭建了 AI 应用”核心目标层微调/训练模型“用 LoRA 微调了领域模型”算法工程师方向本文档的目标是从第二层跨越到第三层——不是泛泛了解概念而是能讲清楚代码实现、设计决策和工程权衡。阅读建议如果你刚接触 AI 开发按顺序阅读全文约 25 分钟如果你已有基础跳读 §1.2六组件模型和 §2.3-2.5MCP/Skills/Hooks一、AI 背景与基础概念1.1 AI 是什么从人工智能到大语言模型人工智能AI, Artificial Intelligence是一个宽泛的学科领域目标是让机器表现出类似人类的智能行为——理解语言、识别图像、做出决策、解决问题。它不是单一技术而是一组技术的统称。理解 AI 的最佳方式是看它的层级包含关系人工智能AI ← 最大的范畴一切让机器看起来智能的技术 └── 机器学习ML ← AI 的子集不靠人写规则靠从数据中学习规律 └── 神经网络 ← ML 的子集模拟人脑神经元连接的计算模型 └── 深度学习 ← 神经网络的子集层数多、参数多、数据多 ├── CNN ← 图像领域卷积神经网络 ├── RNN/LSTM ← 序列领域循环神经网络 ├── Transformer ← 2017年诞生当前主流架构 │ └── GPT/Claude/DeepSeek/GLM... ← 大语言模型 └── Diffusion ← 图像生成Stable Diffusion/Midjourney 扩散模型内部也使用 Transformer/UNet 作为去噪网络每一层的核心区别层级代表技术输入 → 输出人需要做什么典型应用AI规则系统专家系统事实 → 推理结论人写全部规则早期医疗诊断机器学习SVM/XGBoost特征向量 → 分类/回归人设计特征垃圾邮件过滤、信用评分深度学习CNN/Transformer原始数据 → 结果人设计网络结构人脸识别、机器翻译大语言模型GPT/Claude自然语言 → 自然语言人描述需求代码生成、智能问答、Agent关键跃迁从 AI 到大语言模型每一步都在减少人的参与——人写规则 → 人设计特征 → 人设计网络 → 人描述需求。大语言模型是当前 AI 领域中与应用开发关系最密切的子集。1.2 大模型的构成六组件工厂模型理解了大模型在 AI 家族中的位置之后下一步是搞清楚它由哪些部件组成、各部件如何协作。可以把一个大语言模型比作一个工厂┌────────────────────────────────────────────────────┐ │ 大语言模型工厂 │ │ │ │ ①训练数据 ②Tokenizer ③Transformer │ │ ┌──────────┐ ┌──────────┐ ┌──────────────┐ │ │ │ 互联网文本 │ ──→ │ 文本→ID │ ──→ │ 多层神经网络 │ │ │ │ 书籍/论文 │ │ (BPE分词) │ │ (注意力机制) │ │ │ │ 代码仓库 │ └──────────┘ │ 逐层提取特征 │ │ │ │ ... │ ↓ │ 预测下一个词 │ │ │ └──────────┘ ④词表映射 └──────┬───────┘ │ │ (ID↔向量) │ │ │ ↓ │ │ ⑥推理引擎 ◄──────────────────── ⑤模型参数 │ │ ┌──────────┐ ┌──────────┐ │ │ │ 加载参数 │ │ 权重矩阵 │ │ │ │ 运行计算 │ │ ~几百亿个 │ │ │ │ 输出Token │ │ 浮点数 │ │ │ └──────────┘ └──────────┘ │ └────────────────────────────────────────────────────┘下面逐一拆解六个组件① 训练数据 —— 模型的教科书大语言模型不是学会推理的而是从海量文本中统计出规律的。训练数据的规模和多样性直接决定了模型的能力上限。GPT-4 的训练数据据推测约 13 万亿 tokenOpenAI 未公开确切数字此值为业界估算相当于数千万本书DeepSeek-V3 约 14.8 万亿 token来源互联网公开文本、书籍、论文、代码仓库、维基百科等类比训练数据就像工厂的原材料。原材料不够或质量差工厂设备再先进也产不出好产品。② Tokenizer分词器—— 把文本切成最小处理单元模型不是逐字读文本的而是先把文本切成 Token。Token 是模型处理的最小粒度。输入文本大语言模型如何工作 → Tokenizer 切分 → [大, 语言, 模型, 如何, 工作, ] → 映射为 ID → [12847, 9315, 5632, 2910, 1783, 62]1 个中文约 1-2 个 Token1 个英文单词约 1-2 个 TokenTokenizer 使用 BPEByte Pair Encoding算法自动发现高频词根同一个 Tokenizer 必须用于训练和推理——换 Tokenizer 等于换语言类比Tokenizer 是工厂的分拣机——把原材料切分成统一规格的零件后续流水线才能处理。③ Transformer —— 模型的核心计算流水线Transformer 是 2017 年 Google 提出的神经网络架构当前所有主流大语言模型都基于它或其变体。它的核心创新是自注意力机制Self-Attention传统 RNN 处理序列 词1 → 词2 → 词3 → ... ← 必须按顺序不能并行长文本会遗忘开头 Transformer 自注意力 输入所有词 → 每个词同时看所有其他词 → 计算关系权重 → 输出 词1 ←→ 词2 ↕ ↕ ← 所有词两两计算关联度完全并行 词3 ←→ 词4自注意力的直觉理解输入“她把苹果放进冰箱然后坐下来吃了一个___”要预测横线上的词模型需要关注前面的吃和苹果不是冰箱自注意力机制自动为每对词计算关联分数——苹果和吃的分数高冰箱和吃的分数低Transformer 由多层通常几十到上百层堆叠而成每层逐步提取更抽象的特征——底层识别词汇和语法中层理解语义和逻辑高层进行推理和生成。类比Transformer 是工厂的核心流水线——原材料经过几十道工序逐级加工最终产出成品。④ 词表Vocabulary—— 把数字还原为意义词表是一个巨大的映射表将 Token ID 映射为向量一串浮点数Tokenizer 将文本转为 ID词表将 ID 转为向量Embedding例如 ID12847 →[0.023, -0.154, 0.891, ...]几千维这个向量承载了语义信息——语义相近的词向量也接近词表大小通常在 5 万到 20 万之间即模型认识的词的数量。Embedding 向量维度通常在 1024 到 8192 之间。类比词表是工厂的原材料编码手册——每个零件编号对应一个规格参数表。⑤ 模型参数 —— 模型学到的知识参数是模型在训练过程中学习到的数以亿计的浮点数权重。它们存在于 Transformer 的每一层、每一个注意力头和每一个前馈网络中。DeepSeek-V36710 亿总参数每次推理激活约 370 亿MoE 架构Qwen2.5-7B70 亿参数全激活参数量大致决定了模型的知识容量但不是线性关系——架构、数据质量同样重要参数文件在磁盘上通常以数十到数百 GB 的形式存储如.safetensors或.gguf推理时加载到显存或内存中。类比参数是工厂的工艺配方——同样的流水线架构不同的配方训练出来的参数产出的产品完全不同。⑥ 推理引擎 —— 运行模型的发动机推理引擎是加载模型参数并实际执行计算的软件。常见的推理引擎引擎特点适合场景Ollama一键下载量化模型CPU 友好本地开发、测试vLLMPagedAttention 显存优化吞吐提升 10-20 倍生产部署llama.cppC 实现纯 CPU 可运行嵌入式、边缘设备云 API厂商托管无需自建快速上线、个人项目类比推理引擎就像汽车的发动机——参数是图纸推理引擎是引擎本体同一个引擎可以搭配不同的参数模型同一个参数也可以在不同的引擎上运行。六个组件如何协作一次完整的问答流程你输入什么是 AQS ↓ ① Tokenizer 将文本切分为 Token → [688, 312, 9766, 5342, 62] ↓ ② 词表将每个 Token ID 映射为向量 → 5 个向量每个 1024 维 ↓ ③ Transformer堆叠数十层逐层计算 第 1-10 层理解词义和语法结构 第 11-30 层捕捉语义关系和逻辑推理 第 31-N 层规划输出内容和顺序 ↓ ④ 输出层产生下一个 Token 的概率分布 例如Token AQS 后面最可能是 是概率 0.73、全称概率 0.19... ↓ ⑤ 选择概率最高的 Token → 输出 是 → 将 是 添加到输入末尾 → 重复步骤 ③-⑤ 逐 Token 生成直到输出结束标记EOS ↓ ⑥ 最终输出AQS 是 AbstractQueuedSynchronizer 的缩写是 Java 并发包中...关键认知模型不是一次性输出整段回答而是逐 Token 预测下一个最可能是什么——这个过程重复成千上万次直到输出终止标记。1.3 从规则到大模型AI 的四次范式转移理解 AI 的发展脉络有助于把握当前技术所处的位置和演进方向。第一代符号 AI1950s-1980s 代表专家系统 思路人写规则 → 机器执行 问题规则爆炸无法覆盖开放场景 第二代统计机器学习1990s-2010s 代表SVM、随机森林、XGBoost 思路人设计特征 → 机器学权重 问题特征工程依赖专家泛化能力有限 第三代深度学习2012-2018 代表CNN、RNN、Transformer 思路人设计网络结构 → 机器学特征权重 突破不再需要手工特征端到端学习 第四代大语言模型 / 基础模型2018-至今 代表GPT-4、Claude、DeepSeek、GLM 思路海量数据预训练 → 自然语言交互 → 涌现推理能力 突破单一模型处理数百种任务不需要为每个任务训练专用模型 关键转变从编程解决问题到对话解决问题AI 的发展本质上就是不断减少人工、增加智能的过程——从人写规则到人设计特征再到人设计网络结构现在是人描述需求。1.4 大语言模型的训练与推理一个模型的完整生命周期分为三个阶段第一阶段预训练Pre-training——“学会语言”在海量文本上做完形填空给前半句预测后半句。训练过程遍历数万亿 token 的文本用数千张 GPU 运行数周到数月。这个阶段模型学到了语言模式、世界知识、推理能力。第二阶段对齐Alignment——“学会好好说话”预训练后的模型什么都懂但不会好好说话。对齐阶段用人类偏好数据教模型什么是有用的回答、什么是安全的回答、什么该拒绝。主流对齐方法 DPODirect Preference Optimization直接用好/坏回答对优化替代了传统复杂的 RLHF。第三阶段推理Inference——“回答问题”即每一次调用模型的过程。关键认知每次推理是独立的——模型不记忆和你的对话对话记忆是应用层管理的把历史消息重新发回去。这也是 Token 消耗的核心——对话越长每次推理越贵。预训练决定了模型的 “知识天花板”对齐决定了模型的 “表达方式”推理则是应用开发者和模型交互的唯一接口。大部分 AI 应用开发工作集中在推理阶段——如何构造 Prompt、如何管理上下文、如何解析输出。1.5 核心概念速查以下为 AI 应用开发必须掌握的核心概念概念一句话工程意义LLM在海量文本上预训练的大规模神经网络通过预测下一个 token 来理解和生成文本AI 应用的核心引擎。本质是概率模型不可 100% 信赖TokenAI 处理文本的最小粒度1 中文≈1-2 token按 token 计费决定了 API 调用的成本和上下文管理策略上下文窗口模型一次能看到的最大文本量决定了信息加载策略——不能无脑塞全量文档Embedding把文本映射成一串数字向量语义相近的文本向量距离近RAG 的根基。不同 Embedding 模型产生的向量不可混用幻觉AI 自信地编造不存在的事实、API、引用AI 应用的第一大风险。应对策略RAG 绑定来源、结构化输出约束格式思维链CoT让 AI 一步步推理而非直接给答案复杂推理任务的标配。DeepSeek-R1 内置推理普通模型可在 Prompt 中手动触发AgentAI 自主规划→调工具→观察结果→调整→完成任务从聊天机器人到能干活的系统的关键跃升RAG先检索相关文档再基于文档生成回答解决 LLM 知识截止日期和幻觉问题的首选方案MCPModel Context ProtocolAI 与外部工具的统一连接协议让 AI 工具从N×M 次一对一集成变成NM 次统一对接Function CallingAgent 调用工具的底层机制——模型输出结构化 JSON 指定调哪个函数Agent 的手——没有它 AI 只能聊天进阶概念了解即可概念全称/含义一句话属于MoEMixture of Experts总参数大但每次只激活一小部分DeepSeek 的标志性架构模型架构LoRALow-Rank Adaptation不改原模型参数在旁路训练极小参数包。全量微调重写整本书LoRA贴便签纸模型微调QLoRAQuantized LoRALoRA 的省钱版——先把模型压到 4-bit 再贴便签纸模型微调DPODirect Preference Optimization直接用好/坏回答对优化模型替代复杂的 RLHF模型对齐vLLM—开源推理引擎PagedAttention 显存优化 Continuous Batching模型部署量化QuantizationFP16→INT4体积缩 4 倍、速度提 2-4 倍。Ollama 默认 Q4_K_M模型部署语义缓存Semantic Cache不是缓存 key-value是缓存语义相似的问题——相似度0.95 直接返回成本优化结构化输出JSON Schema 约束LLM 按预定义 Schema 返回 JSON确保下游代码可解析输出控制BYOKBring Your Own Key平台不提供模型额度用户自带 API Key架构模式二、AI 模型与工具生态⚠️时效性提示模型版本迭代极快通常 3-6 个月一次大版本更新。下表基于 2026 年 7 月的信息阅读时请以各厂商最新公告为准。建议关注模型的能力定位而非具体版本号。2.1 主流模型对比与选型国外模型模型系列核心优势短板适合场景Claude 系列Agent 能力最强多文件理解安全设计国内访问不便大型重构、项目级 AgentGPT 系列推理深度最强贵、国内访问不便高难度算法、架构评审Gemini 系列多模态最强图视频代码中文弱多模态场景、Google 生态Llama 系列开源可本地部署数据不出域编码能力约闭源 70%数据合规、二次训练、金融场景国内模型模型系列核心优势适合场景DeepSeek 系列性价比之王约 GPT 1/70 价格中文编程最优日常编码首选GLM 系列智谱国产合规首选政务/金融信创认证信创合规项目Qwen 系列阿里阿里云生态集成好阿里云技术栈Kimi 系列月之暗面超长上下文可达 200 万字长文档分析突出需求评审、代码库理解选型决策框架日常编码 / SQL 优化 → DeepSeek 系列性价比中文编程 大型重构 / 多文件修改 → Claude 系列Agent 能力最强 复杂算法推理 → GPT 系列 / DeepSeek R1 系列思维链深度 长文档分析 → Kimi 系列超长上下文 信创合规 → GLM 系列 本地部署国产化认证 推荐组合DeepSeek日常 Claude复杂 Kimi长文档常见误区最强模型 ≠ 最适合CRUD 用最贵模型是浪费开源模型 ≠ 免费GPU 月租 5000没有一个模型在所有维度最好——组合策略是最优解2.2 AI 编程助手工具定位一句话评价Claude CodeAgent 级 CLI项目级理解多文件编辑MCP 扩展Agent 能力最强GitHub CopilotIDE 行级补全猜下一行最准行级补全王者CursorAI-native IDEIDE 深度集成 Agent体验流畅ClineVS Code 插件开源 Agent多模型支持AiderCLI 开源自动 git 提交选择原则日常编码 Claude Code快速补全 Copilot前端调试 Cursor。没有银弹——根据任务切换工具。大模型的脚手架MCP、Skills、Hooks如果把大模型比作一台发动机那么它要真正驱动一辆车还需要三样东西MCP连接外部世界的管道——让 AI 能访问数据库、调用 API、操作文件Skills标准化的操作手册——把常见任务封装成可复用的工作流Hooks自动化的安全护栏——在关键节点自动检查和拦截三者共同构成大模型的工程化脚手架。它们不是模型的一部分但没有它们模型只能停留在聊天界面里。2.3 MCP — 连接 AI 与工具的通用协议概念MCP 是什么MCPModel Context Protocol是 Anthropic 于 2024 年 11 月发布的开放标准协议目标是成为AI 应用的 USB 协议——正如 USB 让任何外设都能接入任何电脑MCP 让任何工具都能被任何 AI 应用调用。没有 MCP 时每接入一个新工具数据库、文件系统、搜索引擎、API开发者都要为每个 AI 应用单独写适配代码。N 个 AI 应用 × M 个工具 N×M 次集成。有 MCP 后工具只需实现一次 MCP Server所有支持 MCP 的 AI 应用自动可用。N 个 AI 应用 M 个工具 NM 次对接。架构与原理MCP 采用经典的 Client-Server 架构基于 JSON-RPC 2.0 协议通信┌─────────────┐ ┌──────────────────┐ │ MCP Host │ ── JSON-RPC ──► │ MCP Server │ │ (Claude/ │ ◄── 双向通信 ── │ │ │ Cursor/ │ │ 实现三个原语 │ │ 自研 App) │ tools/list │ • Tools工具 │ │ │ tools/call │ • Resources资源│ │ │ resources/read │ • Prompts模板 │ │ │ prompts/get │ │ └─────────────┘ └──────────────────┘三个核心原语MCP 暴露给 AI 的三类能力原语用途类比例子Tools让 AI 执行操作函数调用查数据库、发邮件、创建 IssueResources让 AI 读取数据GET 请求读文件内容、查配置、获取日志Prompts预定义的提示词模板快捷指令“代码审查清单”、“提交信息生成”传输层——MCP 支持两种通信方式方式通信机制适合场景例子stdio标准输入/输出进程间通信本地工具、CLI 场景文件系统 Server、Git ServerHTTP SSEHTTP 请求 Server-Sent Events 流式推送远程服务、多客户端共享数据库 Server、企业内部 API ServerMCP 的完整生命周期1. 初始化Handshake Client → Server: initialize { clientInfo, capabilities } Server → Client: initializeResult { serverInfo, capabilities } 2. 能力发现Discovery Client → Server: tools/list → Server 返回: [{name, description, inputSchema}, ...] Client → Server: resources/list → Server 返回: [{uri, name, mimeType}, ...] 3. 操作执行Operation Client → Server: tools/call { name: query_db, arguments: { sql: ... } } Server → Client: { content: [{ type: text, text: 查询结果... }] } 4. 资源读取Resource Access Client → Server: resources/read { uri: config://app/settings } 5. 断开Shutdown Client → Server: notifications/cancelled Client → Server: disconnect用法如何配置和使用 MCP以 Claude Code 为例在settings.json中配置 MCP Server{mcpServers:{context7:{type:stdio,command:npx,args:[-y,upstash/context7-mcplatest],env:{}},postgres:{type:stdio,command:npx,args:[-y,anthropic/mcp-server-postgres,postgresql://localhost/mydb]},github:{type:http,url:https://mcp-server.example.com/github,headers:{Authorization:Bearer ${GITHUB_TOKEN}}}}}常用 MCP Server 分类类别推荐 Server一句话功能文档Context7实时查最新版本文档消除幻觉 API数据库PostgreSQL / SQLite / RedisAI 直连数据库执行查询和 Schema 分析浏览器Puppeteer / Chrome DevTools截图、填表、E2E 自动化测试开发工具GitHub / GitLabPR 审查、Issue 管理、代码搜索容器Docker / Kubernetes容器管理、Pod 日志查询搜索Brave Search / Tavily / Exa实时网络搜索文件Filesystem读写文件、目录遍历价值MCP 改变了什么标准化工具开发者只需实现一次 MCP Server所有 AI 应用都能复用热插拔新增工具不需要改 AI 应用代码、不需要重新部署生态效应社区已有 10000 MCP Server安全边界MCP Server 运行在独立进程中权限隔离注意MCP 的价值在于规模——如果你的应用只有 2-3 个固定工具且短期内不会扩展Function Calling 足够。当工具数量增长、需要跨应用复用时MCP 的优势开始显现。2.4 Skills — 封装可复用的 AI 工作流概念Skill 是什么Skill 是把固定套路封装成一个可复用的能力包——相当于给 AI 写了一份标准操作程序SOP。激活 Skill 后AI 自动获得完成该任务所需的全部上下文、规则和步骤。类比Skill 之于 AI如同制造工艺卡之于工厂——不是机器本身的能力但规定了机器该按什么顺序、用什么参数、检验什么标准来完成特定产品。原理Skill 如何工作加载机制用户输入 /skill-name 或 AI 自动匹配 → 系统读取 SKILL.mdSkill 的核心文件 → 内容注入到 System Prompt优先级高于默认系统提示词 → AI 获得该 Skill 的专用知识、规则、工作流 → 执行过程中严格遵循 Skill 中定义的步骤 → Skill 执行完毕专用上下文释放Skill 的三种来源类型位置谁维护范围项目级项目的.claude/skills/项目团队当前项目个人级用户的~/.claude/skills/个人所有项目插件级通过插件管理器安装社区/第三方全局创建 Skill 的核心原则一个 Skill 只做一件事——职责单一站在 AI 的视角写指令——“遇到 X 情况执行 Y 步骤”包含具体示例——AI 从示例中比从规则中学习得更准确写清楚失败处理——“如果文件不存在提示用户检查路径不要自行创建”价值Skill 改变了什么知识捕获把老员工脑子里的经验变成新人运行/skill-name就能执行的流程效率跃升从人工几十小时降到 AI 自动几分钟完成质量一致每次执行同一 Skill产出物的格式、检查点完全一致团队杠杆一人写好 Skill全团队受益2.5 Hooks — 事件驱动的自动化守卫概念Hook 是什么Hooks 是 AI 操作关键节点上的自动哨兵——到达触发点时自动执行预设的检查脚本不通过则拦截操作。类比Hooks 之于 AI 操作如同 CI/CD Pipeline 的各个 Gate 之于代码提交——lint 不过不能合入、测试不过不能部署。四种 Hook 类型Hook 类型触发时机典型用途PreToolUse工具执行前“即将执行 rm -rf确认目标路径不在保护列表中”PostToolUse工具执行后“写完文件了自动运行 prettier 格式化”Stop会话结束前“退出前检查还有未提交的 TODO 吗测试过了吗”SessionStart会话启动时“加载项目上下文注入自定义规则”Hook 的执行流用户请求 AI 执行某个操作 → ┌─ 匹配到 PreToolUse Hook ──是──→ 执行 Hook 脚本 ──→ 返回结果 │ ├── allow继续执行 │ ├── deny拦截操作 返回原因 │ └── modify修改参数后继续 └─ 未匹配 → 正常执行 → AI 操作执行完成 → ┌─ 匹配到 PostToolUse Hook ──是──→ 执行 Hook 脚本格式化/记录/通知 └─ 未匹配 → 流程结束关键特性Hook 是同步阻塞的——PreToolUse 返回deny时操作不会发生。这是安全的底线设计。实战模式模式 1改文件前自动检查PreToolUse检查目标文件是否在受保护文件列表中如 production.yml, .env若是则返回 deny。模式 2改完后自动格式化 记录PostToolUse运行 prettier / clang-format将变更记录追加到 CHANGELOG。模式 3会话结束前质量检查Stopgit diff 检查未提交变更、grep 检查遗留 TODO、运行单元测试确认全部通过。Skill vs Hook 的区别Skill 是 AI 的操作手册告诉它能做什么、怎么做Hook 是 AI 的交通规则告诉它什么不能做、做完要检查什么。Skill 是增强能力Hook 是约束行为——两者缺一不可。三、Prompt Engineering — 从写提示词到管资产3.1 Prompt 六要素个人使用 Prompt 和工程化 Prompt 的区别就像个人写脚本和团队开发系统——前者能跑就行后者需要可维护、可测试、可追溯。六要素模板① 角色你是 5 年 Spring Boot 开发熟悉金融系统规范 ② 任务一个 Prompt 只聚焦一个任务 ③ 上下文引用相关代码 业务规则说明 ④ 约束保持现有方法签名不变、不要引入新第三方依赖 ⑤ 输出格式指定结构正常3个 边界2个 异常2个 ⑥ 示例ExistingTest.java 新测试风格保持一致对比❌ “帮我优化这段代码”✅ “这段代码在 Oracle→OceanBase 迁移中性能下降 50%。分析执行计划找出瓶颈给 2-3 种改写方案保持语义等价。SlowQuery.sql”实用技巧“一步一步思考” → 触发思维链“先给方案确认后再写代码” → 避免方向错误“不对XXX 应该是 YYY” → AI 根据反馈即时调整3.2 思维链CoT与推理模型思维链Chain of Thought的本质是让模型把隐式的推理过程显式化。研究表明对于数学推理、逻辑分析等复杂任务CoT 能将准确率从 30% 提升到 80% 以上。两种触发方式手动触发Prompt 中加请一步一步思考或先分析再给出结论模型内置DeepSeek-R1 在训练时就学习了推理模式调用时自动进行何时需要 CoT多步骤推理、多条件权衡。不需要 CoT 时不要硬加——会增加 Token 消耗和延迟。3.3 结构化输出 流式响应这是 AI 应用输出的两个维度不是二选一而是标配结构化输出JSON Schema——控制输出什么格式出题{type:选择,stem:...,options:[...],answer:A}评分{score:85,correctness:4,weakness:[CAS]}意图分类{intent:解题,subject:AQS,difficulty:中等}没有结构化输出 → 用正则从自由文本里抠数据 → 脆弱不可靠流式响应SSE——控制输出怎么呈现LLM 逐 token 返回用户看到文字一个个出现没有流式 → 用户等 10 秒看空白页 → 体验不可接受两者配合LLM 流式输出 JSON 字符串 → 前端一边接收 chunks 一边展示 → 收到完整 JSON 后做最终解析和校验。这是当前主流做法。3.4 Prompt 工程化管理当你的 AI 应用有 5 种场景时Prompt 就不是写一段话存备忘录了——它是一套需要版本管理的代码资产。PrismAI 的 Prompt 管理实践完整展示了这套体系模板分类出题 / 评估 / 追问 / 简历 / 意图 —— 5 种场景各有独立模板 方向绑定会计出题提示词 ≠ Java 出题提示词每个方向可配置专属模板 变量占位符{{备考方向名称}} {{检索关键词}} {{题型列表}} {{难度}} 版本管理tb_prompt_template tb_prompt_version 两张表每次修改留历史 升级门禁模板升级前跑离线评估集Faithfulness 低于阈值不发布 删除保护被备考方向引用的模板不可直接删除 默认回退未配置专属模板的方向使用系统默认模板工程化带来的好处改 prompt 不用发版——管理员后台编辑即可prompt 质量可追溯——版本对比知道改了哪句话导致质量变化知识可复用——Java 出题提示词 v1.3可被多个 Java 相关方向共享核心要点回顾六组件工厂模型训练数据→Tokenizer→Transformer→词表→参数→推理引擎是理解任何大模型工作流程的通用框架模型选型没有银弹——组合策略DeepSeek日常Claude复杂Kimi长文档是最优解MCP 的生命周期初始化→发现→执行→断开比MCPUSB这个简单比喻重要得多——实际工程中需要的是前者Skill vs Hook一个增强能力一个约束行为——两者配合形成 AI 工程化闭环Prompt 是代码资产——需要模板化、版本化、可测试、可回滚下一篇预告《RAG 从入门到工程落地》——检索增强生成是 AI 应用开发中最核心的技术范式。下一篇将展开文档切分策略固定/语义/递归、Embedding 模型的对比学习原理、混合检索向量BM25、三代 RAG 评估体系、CRAG 的完整工作机制以及 PrismAI 的 RAG 全链路代码走读。下一篇《RAG从入门到工程落地切分/Embedding/CRAG代码走读》系列专栏AI专栏配套代码PrismAI如果这篇文章帮你理清了 AI 应用开发的学习路径欢迎收藏点赞