03
AI 通识课程
课件
CHAPTER 03

AI 工程概念
讲解

从模型层到应用层
用代码和案例理解 AI 工程

→ 按空格键或右箭头开始

基础架构

三层架构

理解 AI 工程的完整体系

🧠
基础层

Foundation Layer

LLM · 大语言模型
Prompt · 提示词
Memory · 记忆系统
⚙️
工程层

Engineering Layer

Context Engineering
RAG · 检索增强
Tool · 工具调用
MCP · 标准协议
🚀
应用层

Application Layer

Workflow · 工作流
AI Agent · 智能代理
Skill · 技能系统
基础层 · Foundation

Prompt
给 AI 的指令

不只是你手动输入的话
还包括系统预设的角色和规则

完整的 Prompt 结构

[REDACTED] (预设角色)
+ User Prompt (用户输入)

为什么有效？
[REDACTED] 告诉 AI "你现在扮演什么角色"，就像给演员一个剧本。

prompt-example.txt
// ═══ [REDACTED] (用户看不见) ═══ 你是一个微信群助手。 你的任务是帮助用户总结群聊消息、回答问题、提供建议。 回复时要简洁、友好，不要超过 200 字。 // ═══ User Prompt (用户输入) ═══ 总结一下今天的讨论 // ═══ AI 的回复 ═══ 今天讨论了三个议题： 1. 项目进度 - 前端完成 80%，后端还在调试 2. 下周会议 - 改到周三下午 3 点 3. 新需求 - 需要增加导出功能
基础层 · Foundation

LLM
AI 的大脑

大语言模型是现代 AI 应用的核心引擎

example.py
# 最简单的 LLM 调用 from openai import OpenAI client = OpenAI() response = client.chat.completions.create( model="gpt-4", messages=[{ "role": "user", "content": "解释什么是机器学习" }] ) print(response.choices[0].message.content)
GPT-4o

OpenAI

✓ 综合能力强
✓ 多模态支持
Context: 128K tokens
Claude Sonnet 4

Anthropic

✓ 长文档处理
✓ 代码能力强
Context: 200K tokens
DeepSeek V4

DeepSeek

✓ 国产开源
✓ 免费额度高
Context: 1M tokens
豆包

字节跳动

✓ 中文友好
✓ 完全免费
Context: 128K tokens
基础层 · Foundation

Memory
AI 的记事本

AI 能记住的内容
大小直接决定了能处理多复杂的任务

Memory 包含什么？

• 对话历史 - 你和 AI 说过的话
• 文档内容 - AI 读取的文件、网页
• 工具输出 - AI 执行操作后的结果

常见模型上下文窗口
DeepSeek V4 / Claude Sonnet 4: 1M Token
GPT-4o: 128K Token

C
Claude Code
C
你好！我可以帮你写代码、读文件、运行命令。
读取 README.md 文件
C
已读取 README.md (2.3KB)。这是一个 React 项目，主要功能包括...
💾 Memory: 对话历史 + README.md 内容
帮我写一个登录组件
C
基于你的 React 项目结构，我会创建一个符合项目风格的登录组件...
💾 Memory: 之前的对话 + 项目结构信息
工程层 · Engineering

Context Engineering
上下文工程

让有限的记事本发挥最大价值
通过动态管理优化 Memory 使用

三种核心技术

动态加载 - 需要时才加载相关内容
压缩 - 把旧对话总结成摘要
分段 - 把大文档拆成小块按需加载

terminal
$ claude-code "分析这个 10MB 的日志文件" // Context Engineering 自动工作： 📄 检测到大文件 (10MB) ✂️ 分段处理：拆分为 50 个片段 🔍 动态加载：只加载相关片段到 Memory 📊 分析中... // 结果：只用了 2MB Memory 处理 10MB 文件 ✓ 分析完成
工程层 · Engineering

RAG
检索增强生成

让 AI 能检索你的私有知识库

01

用户提问

02

检索相关文档

03

文档 + 问题一起发给 AI

04

AI 基于文档生成答案

rag-example.py
# RAG 工作流程示例 # 1. 用户提问 question = "公司的报销流程是什么？" # 2. 检索相关文档（向量搜索） docs = vector_search(question, top_k=3) # 返回：["财务制度.pdf", "报销指南.md", "FAQ.txt"] # 3. 构建完整 Prompt prompt = f""" 参考以下文档回答问题： {docs} 问题：{question} """ # 4. 发给 LLM 生成答案 answer = llm.generate(prompt)
工程层 · Engineering

Tool
工具调用

让 AI 能「做事」而不只是「说话」

常见工具类型

• 文件操作 - read_file, write_file
• 命令执行 - run_command, bash
• 网络请求 - search_web, fetch_url
• 数据库 - query_db, update_db

tool-calling.json
// AI 决定调用工具 { "tool": "read_file", "parameters": { "path": "src/config.js" } } // 工具返回结果 { "content": "export const API_URL = ...", "size": 1024 } // AI 基于结果继续回复 "我看到你的 API_URL 配置是..."
工程层 · Engineering

MCP
模型上下文协议

让 Tool 变得标准化、可复用

Claude Code

AI 工具 A

→

MCP Server

标准协议

←

Codex

AI 工具 B

类似 USB 接口
一个 MCP Server 开发好后，所有支持 MCP 的 AI 工具都能用

应用层 · Application

Workflow
工作流

固定顺序的自动化流程
适合重复性、标准化的任务

典型场景

• 每天定时抓取新闻并总结
• 收到邮件自动分类并回复
• 代码提交后自动测试和部署

workflow.yaml
name: 每日新闻摘要 schedule: cron: "0 9 * * *" # 每天早上9点 steps: - name: 抓取新闻 tool: fetch_rss params: url: "https://news.example.com/rss" - name: AI 总结 tool: llm_summarize params: content: "{{steps[0].output}}" - name: 发送邮件 tool: send_email params: to: "team@example.com" body: "{{steps[1].output}}"
应用层 · Application

AI Agent
智能代理

能自主决策、动态调整的 AI

Workflow

✗ 固定流程

✗ 按步骤执行

✗ 不能应变

AI Agent

✓ 动态决策

✓ 自主选择工具

✓ 能应对变化

agent-example.txt
// 用户请求 "帮我调研一下 React 19 的新特性" // Agent 自主决策过程： [思考] 需要搜索最新信息 [工具] search_web("React 19 new features") [思考] 找到官方文档，需要读取 [工具] fetch_url("https://react.dev/blog/...") [思考] 内容较长，需要总结 [工具] summarize(content) [输出] React 19 主要新特性包括： 1. Server Components 正式稳定 2. Actions 简化表单处理 3. ...
应用层 · Application

Skill
技能系统

可复用的能力模块
让 Agent 快速获得新技能

Skill 的价值

• 一次开发，到处使用
• 降低 Agent 使用门槛
• 社区共享，快速扩展能力

~/.claude/skills/
📁 my-awesome-skill/
📄 SKILL.md Core
📁 reference/
📁 scripts/
📁 assets/

💡 最重要的部分

SKILL.md 用自然语言写的 SOP

核心公式

AI 产品效果 =
模型能力 × 工程质量 × 应用方法

模型能力

选对模型
理解其能力边界

工程质量

Prompt、Memory、RAG、Tool 的实现质量

应用方法

选对场景
Workflow 还是 Agent

三者缺一不可 · 任何一项为零，整体效果就是零

回顾

从模型到应用的完整链路

🧠

基础层

LLM
Prompt
Memory
⚙️

工程层

Context Engineering
RAG
Tool
MCP
🚀

应用层

Workflow
AI Agent
Skill

下一步

从概念到实践

🛠️

Day 4

实战：Claude Code

真正动手用 AI 写代码

🤖

Day 5

实战：Codex

搭建自己的 AI Agent

⚡

Day 6

实战：OpenClaw

构建 AI 工作流

理解概念只是开始
真正的学习在实践中

1 / 15