写在前面
一张图看懂 AI Engineering 全貌——7 大模块、50+ 核心概念、5 层技术栈，帮你建立系统化的 AI 工程认知框架。
前言：为什么需要一张 AI 工程知识图谱
过去两年，AI 领域的论文数量呈指数增长，新框架每周冒出来，新概念层出不穷。很多同学的感受是：
学不完：今天学 RAG，明天出 GraphRAG，后天又来 Agentic RAG
连不上：Transformer、Prompt Engineering、Agent、MCP 之间是什么关系？
用不对：知道概念但不知道什么时候用、怎么选型
知识图谱解决的就是"连不上"的问题——不是教你每个概念的细节，而是帮你建立概念之间的连接关系，形成一张可导航的地图。
本文将 AI 工程拆解为 7 大模块，每个模块给出核心概念、关键论文、选型决策和模块间关联，最终形成一张完整的知识图谱。
一、知识图谱总览
二、模块 1：基石与里程碑
1. 核心时间线
2. 必读论文 Top 5（入门优先级排序）
Attention Is All You Need (2017) — Transformer，所有大模型的祖先
GPT-3 (2020) — 涌现能力，In-Context Learning
InstructGPT (2022) — RLHF 对齐三阶段
Chain-of-Thought (2022) — 让模型一步步思考
ReAct (2022) — Agent 架构的理论基础
3. 关键术语速查
三、模块 2：大模型架构与训练
2. Self-Attention 直觉类比：
Q（Query）= “我在找什么”
K（Key）= “我是什么”（被搜索的标签）
V（Value）= “我的内容”（实际信息）
就像在图书馆：Q 是你的问题，K 是书名，V 是书的内容。根据问题与书名的匹配度，决定花多少注意力在每本书上。
3. 训练三阶段
核心公式：数据质量 >> 数据数量。宁可 1 万条高质量，不要 100 万条低质量。
4. 高效微调方法选型
5. 推理优化
6. 模型选型决策树
你的场景：
├── 通用对话/创作 → GPT-4o / Claude Sonnet├── 复杂推理/数学 → o3 / DeepSeek-R1├── 代码生成 → Claude Opus 4├── 超长文档 → Gemini 2.0 (1M 窗口)├── 本地部署/隐私 → Llama 3.1 / Qwen 2.5├── 中文场景 → Qwen 2.5 / DeepSeek└── 成本敏感 → DeepSeek-V3
四、模块 3：Prompt 工程
Prompt 的本质
完整的 Prompt = 角色 + 上下文 + 指令 + 输入 + 输出格式 + 约束
同一个模型，Prompt 不同，输出质量可以差 10 倍。
核心模式
CoT 的变体进化
Zero-Shot CoT → "Let's think step by step"↓Few-Shot CoT → 给带推理过程的示例↓Self-Consistency → 多次采样取一致性最高的答案↓Tree of Thoughts → 树状搜索多条推理路径
System Prompt 架构设计
一个优秀的 System Prompt 应该是分层的：
System Prompt = 身份层 (我是谁)+ 灵魂层 (我怎么思考)+ 知识层 (我知道什么)+ 记忆层 (我经历过什么)+ 工具层 (我能做什么)
Prompt 注入防御
2026 前沿：Prompt Bloat 问题
MCP 工具数量爆炸 → 工具描述塞满 context → LLM 工具选择准确率下降。解法：RAG-as-Routing，用语义检索预筛选工具（top-k），只把相关工具注入 Prompt。实测 prompt token 降低 60%+。
五、模块 4：Agent 架构
1. Agent = LLM + 记忆 + 工具 + 规划
2. Agent 核心循环
Perceive (感知) → Think (思考) → Act (行动) → Observe (观察) → 循环3. 五大设计模式
模式 1：ReAct（最广泛使用）
Thought → Action → Observation → Thought → Action → ...
简单直观，但串行执行，没有全局规划。
模式 2：Plan-and-Execute
制定完整计划 → 逐步执行 → 根据中间结果 Replan
有全局视角，适合复杂任务。
模式 3：Reflexion
执行 → 自我评估 → 存储反思 → 下次避免同类错误
持续自我改进。
模式 4：Multi-Agent
Orchestrator├── Researcher → 信息收集├── Writer → 内容生成└── Reviewer → 质量检查
—— 分工协作，适合复杂工作流。
模式 5：Tool-Use Agent
LLM 决定何时调用什么工具。模型不是"执行"工具，而是生成工具调用的 JSON 描述，由外部系统执行。
4. 记忆系统设计
5. Agent 框架选型
6. 2026 关键洞察
Agent 系统工程三角：编排 + 记忆治理 + 工具可靠性，决定 Agent 能否真正落地。
六、模块 5：上下文工程与 RAG
1. 核心矛盾：“看到” ≠ “记住”
Lost in the Middle 问题：模型对上下文开头和结尾更敏感，中间部分容易被忽略。即使窗口有 200K，实际有效利用的可能只有 50-70%。
2. 上下文工程原则
上下文 = System Prompt (固定层)+ User Profile (半固定层)+ Retrieved Knowledge (动态检索层)+ Conversation History (对话层)+ Current Query (当前输入层)
5 条黄金法则：
最相关的信息放在开头和结尾
System Prompt 越精简越好
动态检索胜于静态塞入
摘要压缩胜于直接截断
结构化（Markdown/JSON）胜于纯文本
3. RAG 完整流程
离线：文档 → 解析 → 清洗 → 分块 → Embedding → 向量数据库在线：查询 → Query Embedding → 向量检索 → 重排序 → 拼 Prompt → 生成
3.1 分块策略选型
最佳实践：块大小 256-1024 Token，重叠 10-20%。
3.2 向量数据库选型
3.3 高级 RAG 技术矩阵
2026 前沿：Agentic RAG
RAG 正在从"检索工具"升级为"Agent 基础设施"：
架构选型：
简单问答 → Agentic RAG（成本低）
跨实体全局推理 → GraphRAG（不可替代）
七、模块 6：Skills、MCP 与工具链
1. MCP = AI 的 USB 接口
MCP (Model Context Protocol) = Anthropic 提出的开放协议，让 AI 模型标准化地连接外部工具和数据源。
MCP Client (AI应用) ←─MCP协议─→ MCP Server (工具提供方)Claude/Cursor/CodeBuddy GitHub/Slack/数据库/文件系统
2. Skill vs Prompt vs Tool
2026 关键洞察：RAG-MCP
MCP 工具超过 30 个后，必须启用 RAG-based Skill Router，否则工具选择准确率崩溃：
八、模块 7：评估与安全
1. 成本计算公式
月成本 = 日均请求数 × 平均 Token 数 × Token 单价 × 30
例：10000 请求/天 × 2000 Token × $0.003/1K × 30 = $1,800/月
2. Agent 评估维度
3. 安全红线
九、跨模块关联：知识图谱的关键边
知识图谱的价值不在于节点（单个概念），而在于边（概念间的关系）。
关键关联 1：Transformer → Prompt → Agent
Transformer 的 Self-Attention 机制→ 使得模型能理解长距离依赖→ 使得 CoT (链式思考) 成为可能→ 使得 ReAct (推理+行动) 成为可能→ Agent 架构的基础
关键关联 2：Embedding → RAG → Agent
Embedding 将文本映射到向量空间→ 使得语义检索成为可能→ RAG 用 Embedding 检索相关知识→ Agent 用 RAG 扩展知识边界→ Agentic RAG 让 Agent 自主决定检索策略
关键关联 3：MCP → Skill → Agent
MCP 统一工具接口→ Skill 封装为可复用能力单元→ Agent 通过 Skill 调用工具→ RAG-MCP 解决工具选择问题
关键关联 4：记忆 → 上下文 → 压缩
长期记忆（文件/向量库）→ 上下文窗口有限（200K）→ 需要压缩（摘要/截断/检索）→ 迭代式摘要 + Handoff 框架→ 记忆的 CRUD + 遗忘机制
十、学习路线图
1. 入门路线（2-3 周）
3Blue1Brown 神经网络视频 → 建立直觉
Jay Alammar “The Illustrated Transformer” → 理解 Transformer
精读模块 1-3（基石 + 架构 + Prompt）→ 打基础
动手写 Prompt，跑通 CoT / Few-Shot
2. 进阶路线（4-6 周）
搭建一个 ReAct Agent（LangChain/LangGraph）
实现一个 RAG 系统（Chroma + OpenAI Embedding）
精读模块 4-6（Agent + RAG + MCP）
读 Chip Huyen《AI Engineering》
3. 深入路线（持续）
精读 ReAct / RAG / CoT 原始论文
研究 Hermes Agent 源码（上下文压缩 + 记忆系统设计）
关注 2026 前沿：Agentic RAG / GraphRAG / 推理模型
关注 arXiv cs.CL 每月热门论文
十一、2026 趋势总结
十二、推荐资源
结语
AI 工程不是一堆孤立概念的堆砌，而是一棵从 Transformer 根基长出的知识树：
Transformer 是根——Self-Attention 机制让一切成为可能
Prompt 是干——用自然语言操控模型
Agent 是枝——从被动回答到主动行动
RAG 是叶——突破知识边界
MCP 是果——让 AI 真正连接世界
记住这张图，你就不会在 AI 工程的知识海洋中迷路。
持续关注AI前沿，AI Agent实战
如果这篇文章对你有帮助
点个赞、收藏起来，或者转发给需要的朋友