AI
AI 探索者
持续学习 · 实践出真知 · 分享即成长
这里记录我在 AI 领域的实战经验、踩坑心得与方法论总结。从 Prompt Engineering 到模型微调，从工具链搭建到产品落地，每一段笔记都是真实项目的沉淀。
Prompt Engineering
LLM 应用开发
AI 工作流
模型微调
核心经验
Prompt Engineering
- •结构化提示词：角色 + 背景 + 任务 + 约束 + 输出格式
- •少样本学习（Few-shot）显著提升复杂任务准确率
- •思维链（CoT）让模型"慢思考"，推理更准确
- •避免幻觉：明确标注"不确定时请说明"
LLM 应用架构
- •RAG 是落地首选：向量检索 + 重排序 + 生成
- •Agent 模式：规划 → 工具调用 → 观察 → 迭代
- •流式输出（SSE）大幅提升用户体验感知
- •缓存策略：Embedding 缓存 + 结果缓存降本增效
模型微调实践
- •数据质量 > 数据量：清洗和标注是关键
- •LoRA / QLoRA 高效微调，显存友好
- •先评估基座模型能力，再决定是否微调
- •持续监控过拟合，保留通用能力
AI 工作流与效率
- •AI Coding：Cursor / Copilot 已成日常标配
- •MCP 协议统一工具调用，生态正在爆发
- •多模态工作流：文生图 → 图生视频 → 后期
- •自动化流水线：AI 辅助内容生产降本 80%
踩坑记录
1
上下文窗口的"幻觉"
模型声称支持 128K 上下文，但实际长文档中关键信息在尾部时召回率显著下降。解决方案：分块检索 + 关键信息前置摘要。
2
Embedding 模型的"语言偏见"
英文 Embedding 模型处理中文语义时效果大打折扣，甚至不如 BM25。务必选择多语言或中文专用 Embedding。
3
Agent 的"无限循环"陷阱
未设置最大迭代次数和终止条件的 Agent 可能在复杂任务中陷入死循环。必须设计明确的退出机制和人工接管节点。
方法论总结
01
先评估，再行动
不是所有任务都需要微调。先用 Prompt + RAG 解决 80% 的问题，剩余 20% 再考虑模型定制。
02
数据驱动迭代
建立评估基准（Benchmark），每次改动都有量化指标支撑。避免"感觉更好"的主观判断。
03
人机协同设计
AI 不是替代，是增强。设计"人在回路"（Human-in-the-loop）的交互，让 AI 做草稿，人类做决策。
成长时间线
2023 · 启蒙期
初识 ChatGPT
从"玩具"到"工具"的认知转变，开始系统性学习 Prompt Engineering。
2024 · 实践期
RAG 与 Agent 落地
完成多个企业级知识库项目，深入理解检索增强与智能体架构设计。
2025 · 深耕期
多模态与模型微调
探索视觉-语言模型应用，尝试领域专用模型训练与部署优化。
2026 · 现在
AI Native 产品思维
从"AI 赋能"走向"AI 原生"，重新思考产品形态与交互范式。