第 06 章：Agent 架构：Function Calling 与规划
核心观点：Agent = LLM + Memory + Planning + Tools。如果说 LLM 是大脑，那么 Agent 架构就是让大脑能够感知世界并改变世界的躯体。
1. 引言：从“聊天机器人”到“数字员工”
ChatGPT 刚出来时，它只能陪你聊天。
但如果你问它：“现在的天气怎么样？”它会说：“我的数据截止到 2023 年…”。
因为它没有工具。
Agent（智能体）的出现，标志着 AI 从 Passive (被动问答) 转向 Active (主动行动)。它不再只是生成文本，而是开始执行任务。
2. 核心概念：工具使用 (Tool Use)
2.1 Function Cal
第 05 章：提示词工程进阶：上下文与结构化
核心观点：提示词工程（Prompt Engineering）不是玄学，而是一门用自然语言进行编程的学科。它的核心在于管理模型的”注意力”和规范”输出格式”。
1. 引言：别再把 AI 当许愿池
很多人的 Prompt 是这样的：”帮我写个文案，要火。”
这是在许愿，不是在工程开发。
如果结果不好，不要怪 AI 笨，是你给的指令不够清晰。
大模型是一个概率预测机器。你的每一个字，都在改变下一个字出现的概率分布。
进阶 Prompt 的目标，就是最大化输出符合你预期的概率。
2. 核心概念：上下文学习 (In-Context Learning)
2.1 给例子，别只给定义
LLM 具备一种神奇
第 04 章：RAG 进阶：重排序与混合检索
核心观点：RAG 系统的”最后一公里”决定成败。向量检索负责”广撒网”（Recall），而重排序（Rerank）负责”精挑选”（Precision）。
1. 引言：大海捞针的漏斗
上一章我们建立了向量索引。但你很快会发现一个问题：
用户搜：”谁是马斯克？”
向量检索可能召回：”马斯克的火箭”、”马斯克的汽车”、”马斯克的前女友”。
虽然都相关，但第一条可能并不是用户最想要的精确定义。
为了解决这个问题，我们需要一个漏斗系统：先用低成本的方法捞出一大堆，再用高成本的方法精细排序。
2. 核心概念：混合检索 (Hybrid Search)
2.1 为什么只有向量是不够的？
向量检索（Dense
第 03 章：RAG 基石：Embedding 与向量检索
核心观点：在 AI 的眼里，万物皆是坐标。RAG（检索增强生成）的本质，就是把用户的自然语言问题，映射到知识库的坐标系中，寻找最近的”邻居”。
1. 引言：计算机不懂中文，它只懂数学
你问 AI：”苹果怎么卖？”
在计算机底层，它根本不知道”苹果”是水果还是手机。
但如果你告诉它：”苹果”的坐标是 [0.8, 0.2]，”香蕉”的坐标是 [0.85, 0.1]，”卡车”的坐标是 [-0.5, 0.9]。
它会立刻计算出：苹果和香蕉很近，离卡车很远。
这就是 Embedding（向量化） —— 它是 RAG 系统地基中的地基。
2. 核心概念：Embedding Space (向量空间)
2
第 02 章：算力与推理工程：显存与量化
核心观点：在大模型推理中，搬运数据的时间远多于计算的时间。推理优化的核心战役，就是打破”内存墙”（Memory Wall）。
1. 引言：你的显卡为什么在”摸鱼”？
你买了昂贵的 RTX 4090，跑大模型时却发现 GPU 利用率只有 30%？
不要怪显卡，它很委屈。
它就像一个米其林三星大厨（Tensor Core 计算核心），切菜速度极快，但他必须等服务员从几公里外的仓库（显存 VRAM）把土豆一个一个搬过来。
大模型推理的瓶颈，通常不在算力（Compute Bound），而在显存带宽（Memory Bound）。
2. 核心概念：内存墙与 KV Cache
2.1 显存：寸土寸金的仓
