读懂 AI 产品
背后的整套系统
大模型如何生成回答？知识从哪里来？Agent 怎样执行任务？把分散的技术名词，连成一套能用于产品设计的架构认知。
免费查看全景图免费查看 AI 架构全景图。登录并一次开通完整课程，即可终身学习全部进阶章节、业务案例与练习。
说清每个概念解决什么问题。
跟踪一次请求如何经过整个系统。
知道该用什么、怎么评估、何时交给人。
先读 01 的系统全景；02–04 理解模型、输入与证据；05–07 学会连接流程与业务；08–10 通过案例、评估和项目练习落地；11 用于回查与复习。每章先看图例，再读三层正文，最后完成一份实践模板。
先看全景，再决定学到哪一层
12 个章节从模型原理一路走到业务落地。前两章免费阅读，完整课程一次开通。
先区分：模型、应用与系统
AI 是一个大领域。本手册以基于大模型的生成式 AI 产品为主线，同时保留传统机器学习在分类、预测、推荐等任务中的位置。
主流 LLM 的简化归属图。AI 还包括规则系统、搜索、规划等方法；生成式 AI 也包括图像、语音、视频模型。
用一家“智能服务团队”类比
- 模型：具备语言处理能力的工作者。
- 知识与数据：团队可以查阅的资料和业务记录。
- 工具：查询订单、计算、创建工单的操作入口。
- 编排系统：安排流程，传递资料，处理失败。
- 产品：把这些能力变成用户能完成的任务。
类比帮助理解职责，模型本身没有人的意图或业务责任。
AI 生成的概念插画：左侧资料区对应知识与数据，中央方块代表模型与编排，右侧电脑与工具代表业务系统，前景的人代表用户与结果确认。图中已标注四个协作区域；实际数据流请结合下方架构图阅读。
- 资料通过检索或工具进入上下文，并不自动变成模型参数。
- 业务工具负责读取状态和执行动作，模型可以请求调用。
- 应用组织流程与校验，用户在需要时确认结果或操作。
一次 AI 请求，怎样从目标走到结果
提出任务、约束与验收标准。
输入：问题 / 文件 / 业务目标选择模型，组织上下文，决定步骤。
检索知识 · 路由 · 状态理解任务，推理并生成候选结果。
LLM · 多模态 · 结构化输出按需查询、计算或写入业务系统。
API · 数据库 · 权限校验检查证据与格式，必要时请人确认。
评估 · 人工复核 · 记录反馈这是“看流程”的简化图；下面保留可点击的组件架构图，用于查看每一层的职责和例子。
沿着一个售后请求，看清系统怎样协作
教学假设：用户说“订单 A1024 的耳机有杂音，帮我申请售后”。先不要追求复杂架构，先逐项确认系统必须知道的事实和能够承担的动作。下面是一条示例路径；并非每个 AI 产品都需要全部步骤。
- 接收任务，澄清目标
“问能不能退”“准备申请草稿”“提交申请”是三个交付目标。页面先确认用户要完成哪一步，以及缺少哪些必要信息。
- 由应用确认身份与访问范围
用户输入的订单号只是一个字符串。应用检查当前用户是否有权查询这张订单，再让业务工具返回商品、签收状态等真实记录。
- 取得适用证据，组织上下文
检索符合商品、渠道、地区与有效期的政策片段，把来源与订单结果一并交给模型。资料只是本次输入的一部分，不会因为被检索就永久写进模型参数。
- 模型生成说明或工具调用请求
模型可整理已知条件、指出材料缺失，或请求某个已提供的工具。模型产生的请求还需要应用按工具契约校验和执行。
- 在业务写入前执行固定检查
本例的设计是：核对订单权限和参数，向用户展示具体申请内容，得到确认后再提交。权限、确认和幂等由应用与服务执行，不能只放在提示词里。
- 验证结果，再对用户交付
收到受理编号，才显示“申请已提交，待审核”；超时则显示结果待核实并查询状态。“已提交”不等于“审核通过”，更不等于“退款到账”。记录各阶段结果，才能定位失败。
先按任务判断，再按组件选型
| 用户需要什么 | 先验证的最小方案 | 还不能因此承诺什么 |
|---|---|---|
| 改写、摘要、草稿 | 清晰指令 + 合适模型 + 人工检查 | 输出中的事实全部正确 |
| 根据公司资料回答并给出处 | 资料治理 + 检索 + 证据生成与核查 | 所有资料都能被找到、引用必然支持结论 |
| 查询订单或精确计算经营数据 | 授权的只读 API / 数据查询 + 确定性计算 | 模型知道实时状态、自然语言查询自动正确 |
| 创建工单、修改记录、提交申请 | 工具契约 + 固定检查 / 确认 + 执行与结果核验 | 模型说“成功”就代表系统已写入 |
| 复杂调查，下一步依赖中间结果 | 受控 Agent 循环 + 状态管理 + 停止条件与预算 | 更多 Agent 或更多轮次必然带来更好结果 |
概念依据：Anthropic：工作流与 Agent 的架构区分；Lewis 等：RAG 原始论文；MCP：应用、客户端与服务端。核对日期 2026-10-21。流程、表格和售后数据为课程教学设计；原论文的具体实现不代表所有现代 RAG 系统。
一次付费，终身学习
一次开通荆轲AI全部章节、案例与练习，无需逐章购买。 先用手机号与验证码登录，课程权益归属登录账号。
模型是怎样工作的
理解 Token、Transformer、预训练、后训练与推理，建立对模型能力和边界的判断。
包含在完整课程中 · 一次开通全部章节，终身学习
提示词、上下文与记忆
理清提示词、对话历史、上下文窗口和长期记忆的关系，学会组织模型所需的信息。
包含在完整课程中 · 一次开通全部章节，终身学习
知识库与 RAG
从文档进入系统，到检索证据、生成回答，完整理解企业知识问答的处理链路。
包含在完整课程中 · 一次开通全部章节，终身学习
工作流与 Agent
看懂固定工作流与动态任务执行的分工，跟随售后案例理解工具使用与反馈循环。
包含在完整课程中 · 一次开通全部章节，终身学习
工具、API、MCP 与技能
理解模型如何连接业务系统，以及接口、工具调用、连接协议和可复用技能各自的职责。
包含在完整课程中 · 一次开通全部章节，终身学习
多模态与模型选型
从文本、图片、音频到实际产品流程，围绕任务质量、交互、成本和部署要求选择方案。
包含在完整课程中 · 一次开通全部章节，终身学习
六个实际业务场景
把架构知识放进客服、企业知识、经营分析、销售跟进、内容创作和合同信息提取中。
包含在完整课程中 · 一次开通全部章节，终身学习
从演示到正式上线
建立质量评估与运行指标，把错误处理、访问控制、可观测性和成本纳入产品设计。
包含在完整课程中 · 一次开通全部章节，终身学习
选型练习与知识自测
根据业务需求组合合适的组件，再通过应用判断题检查自己是否真正理解了架构。
包含在完整课程中 · 一次开通全部章节，终身学习
术语速查与延伸阅读
把分散的 AI 名词整理成可回查的概念体系，随时对照业务问题复习。
包含在完整课程中 · 一次开通全部章节，终身学习
