snailclimb--javaguide

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。

建议阅读顺序

AI 应用开发面试指南：先建立高频问题清单，知道面试和项目复盘最常被追问哪些点。
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。
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。
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。
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。

核心文章

面试与复习路线

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 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

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

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 检索增强生成

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

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。

高频问题

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？

README.md Unescape Escape

适合谁看

几个容易踩坑的地方