花千树AI 应用工程知识地图
/
11领域
157知识点
250文章主题
126必须前置
122推荐前置
0已验证

这张图是整个 AI 应用工程知识体系的全貌。每条横带是一个领域， 从领域到知识点再到文章主题，逐层展开。

P
软件工程前置基础
Software Engineering Fundamentals
8 个知识点 · 16 篇文章主题 · 待验证 8
P1编程基础
Programming Fundamentals1 篇
01AI 应用工程需要哪些编程基础
P2命令行与开发环境
Command Line & Dev Environment3 篇
01命令行程序到底是怎么运行的02依赖、版本锁定和环境隔离为什么要一起管03AI 项目的三个地基：目录、配置文件、环境变量
P3Git 与版本管理
Git & Version Control2 篇
01Git 到底在记录什么02为什么 AI 项目更需要可回滚的版本控制
P4Web / HTTP / API 基础
Web / HTTP / API Fundamentals2 篇
01一次 HTTP 请求到底发生了什么02GET、POST 与流式响应：AI API 为什么这样设计
P5数据与存储基础
Data & Storage Fundamentals2 篇
01为什么 AI 应用工程大量使用 JSON02文件、数据库与向量检索：数据应该放在哪里
P6测试与调试基础
Testing & Debugging Fundamentals2 篇
01调试 AI 系统的第一步：先让问题可复现02软件测试和 AI Eval 不是一回事
P7部署与运行基础
Deployment & Runtime Fundamentals2 篇
01从“本地能跑”到“生产可运行”还差什么02应用运行时和 Agent 执行环境不是一回事
P8并发 / 异步 / 队列
Concurrency / Async / Queue2 篇
01Async、Concurrency、Parallelism 不是一回事02为什么 AI 系统需要并发限制、队列和背压
A
LLM 心智模型
LLM Mental Model
12 个知识点 · 22 篇文章主题
A1LLM 运行时心智模型
LLM Runtime Mental Model2 篇
01一次模型调用到底发生了什么02模型为什么能从"续写"表现出知识与能力
A2词元
Token3 篇
01Token 是什么：AI 世界的计量单位02为什么不同语言的 Token 成本不一样03Token、Context Window、成本：三个数怎么互相牵制
A4消息 / 指令模型
Message / Instruction Model1 篇
01System / Developer / User / Assistant / Tool：这些角色分别是什么
A5采样 / 温度 / 非确定性
Sampling / Temperature / Non-determinism2 篇
01为什么同一个问题问两次，答案不一样02Temperature 调到 0 就稳定了吗
A6结构化输出心智模型
Structured Output Mental Model1 篇
01让 AI 输出 JSON，为什么总是差一点
A7工具调用心智模型
Tool Calling Mental Model1 篇
01模型没有手：Tool Calling 到底是怎么发生的
A8推理模型
Reasoning Model2 篇
01什么时候值得为推理多付钱02会推理，不等于不会编
A9多模态模型
Multimodal Model2 篇
01多模态模型到底"多"了什么02多模态输入不等于原样看见和听见
A10向量嵌入心智模型
Embedding Mental Model2 篇
01Embedding 是什么：把"意思"变成坐标02Embedding 和生成模型不是一回事
A11幻觉 / 能力边界
Hallucination / Capability Boundary2 篇
01AI 为什么会一本正经地编02裸模型的四类能力边界
A12失败归因
Failure Attribution2 篇
01AI 出错了，到底是谁的错02AI 出错时，为什么不能第一反应只改 Prompt
A3上下文窗口
Context Window2 篇
01Context Window 不是"记忆"，是"桌面"02Context Window 够大，为什么还是会漏掉关键信息
B
上下文工程
Context Engineering
16 个知识点 · 23 篇文章主题 · 待验证 2
B1Prompt 与 Context 的区别
Prompt vs Context1 篇
01Prompt 和 Context 到底差在哪
B2任务描述
Task Specification1 篇
01把"帮我做个 X"变成 AI 能执行的任务
B5上下文优先级 / 指令冲突
Context Priority / Instruction Conflict2 篇
01两条规则打架时，AI 听谁的02新旧规则同时存在，是最常见的隐性 bug
B6上下文污染
Context Pollution2 篇
01为什么给 AI 的资料越多，结果反而可能越差02做一个对照实验，亲眼看到污染发生
B9按需加载上下文
Just-in-time Context1 篇
01Just-in-time Context：什么时候才把信息加载进来
B10上下文压缩 / 摘要
Context Compression / Summarization2 篇
01对话太长了怎么办：压缩的四种做法02压缩会丢什么
B11检索策略
Retrieval Strategy2 篇
01搜索、过滤、语义检索：该用哪一种02检索不是越多越好：怎么决定取什么、取多少
B12上下文生命周期
Context Lifecycle1 篇
01Context 也有生命周期
B13上下文隔离
Context Isolation1 篇
01不同任务该不该共享上下文
B3上下文架构
Context Architecture2 篇
01一个 AI 项目的上下文可以怎么分层02为什么不要把什么规则都写进一个文件
B16指令设计
Instruction Design2 篇
01从任务规格到有效指令：怎么把要求写给模型02什么时候该加示例，什么时候该删规则
B4静态 / 动态上下文
Static / Dynamic Context1 篇
01哪些 Context 应该长期放，哪些只在当前任务存在
B7上下文预算
Context Budget2 篇
01Context Window 很大，为什么仍然需要预算02Context Budget 应该怎么分配
B14上下文组装器
Context Builder1 篇
01Context Builder 到底负责什么
B8上下文渐进式披露
Context Progressive Disclosure1 篇
01渐进式披露：先暴露索引，再按需展开细节
B15会话恢复
Session Recovery1 篇
01开新会话，项目还能接上吗
C
工具 / API / 协议
Tools / API / Protocol
13 个知识点 · 15 篇文章主题
C1模型 / 供应商 / 客户端 / 协议
Model / Provider / Client / Protocol1 篇
01Model、Provider、Client、Protocol：四个词别混用
C4工具 Schema
Tool Schema1 篇
01Tool Schema 怎么写，模型才更容易选对工具
C8模型上下文协议
MCP3 篇
01MCP 是什么：它解决的是连接标准化问题02MCP 的 Host / Client / Server 怎么协作03MCP、Function Calling、Connector 到底是什么关系
C9插件 / 连接器
Plugin / Connector1 篇
01Plugin / Connector 不是同一个统一协议
C10认证 / 密钥管理
Authentication / Secrets1 篇
01认证与凭证：API Key、OAuth、Secret 怎么分工
C2API 请求 / 响应
API Request / Response1 篇
01拆开一次 API 调用
C5工具调用循环
Tool Calling Loop1 篇
01亲手实现一个最小 Tool Calling Loop
C6结构化输出工程
Structured Output Engineering1 篇
01Schema、Validation、Parse、Retry：结构化输出的四步
C13兼容层
Compatibility Layer1 篇
01"兼容某模型"到底兼容了什么
C3LLM API 交互模型
LLM API Interaction Model1 篇
01不同 LLM API 为什么长得不一样
C7流式输出
Streaming1 篇
01流式输出解决的是什么问题
C11API 限流 / 传输重试
API Rate Limit / Transport Retry1 篇
01哪些 API 失败值得做传输层重试
C12API 错误处理
API Error Handling1 篇
01先分类，再决定怎么处理 API 错误
D
Agent 智能体
Agent
16 个知识点 · 18 篇文章主题
D1Agent 心智模型
Agent Mental Model1 篇
01Agent 不是“更聪明的聊天机器人”
D3目标
Goal1 篇
01什么才算任务目标
D8动作
Action1 篇
01Agent 的动作空间是什么
D11重试
Retry1 篇
01Agent Retry 不是把同一步原样再做一次
D13反思
Reflection1 篇
01Reflection 不是 Agent 的必需组件
D16权限边界 / 人工升级
Permission Boundary / Human Escalation1 篇
01什么时候 Agent 必须暂停并交给人
D2Agent 循环
Agent Loop2 篇
01亲手写出最小 Agent Loop02Planning、Reflection、Replan 都是 Agent Loop 的必经步骤吗
D4观察
Observation1 篇
01Agent 的"眼睛"：它能观察到什么
D5规划
Planning1 篇
01Planning 是一种能力，不一定是独立模块
D7工具选择
Tool Selection1 篇
01什么时候该调工具，什么时候不该调
D9状态更新
State Update1 篇
01Agent 每一步要记什么
D10停止条件
Stop Condition2 篇
01Agent 什么时候该停、暂停或失败退出02停止条件也是成本和风险控制
D6任务分解
Task Decomposition1 篇
01把一个目标拆成可执行的任务
D12重新规划
Replan1 篇
01什么时候应该 Replan，而不是机械继续
D14失败恢复
Failure Recovery1 篇
01Agent 失败后，不只有 Retry 一条路
D15委派 / 子 Agent
Delegation / Sub-Agent1 篇
01什么时候该拆出子 Agent
E
工作流 / 编排
Workflow / Orchestration
15 个知识点 · 25 篇文章主题 · 待验证 2
E1工作流分解
Workflow Decomposition1 篇
01把大任务拆成稳定步骤
E4产物
Artifact1 篇
01工作工件：让每一步留下可复用的东西
E5依赖
Dependency1 篇
01哪一步依赖哪一步
E6人工检查点
Human Checkpoint1 篇
01不是所有节点都应该自动化
E10批处理工作流
Batch Workflow2 篇
01批量任务怎么跑才不崩02Batch 不等于 Parallel：批处理和并行处理别混在一起
E14分支 / 路由
Branching / Routing2 篇
01工作流里的 Routing：输入不同，走不同路径02Routing 不是 Handoff：路径选择和控制权转移是两件事
E2阶段设计
Stage Design1 篇
01一个 Stage 应该长什么样
E7固定工作流
Fixed Workflow2 篇
01优先用固定流程，别一上来就上 Agent02Prompt Chaining：把复杂任务串成一条稳定链路
E13编排
Orchestration4 篇
01编排的本质：哪些固定，哪些动态，哪些要人02Orchestrator-Worker：让编排者动态拆任务，工作者分头执行03Evaluator-Optimizer：生成、评价、反馈、再生成04Workflow 从哪里开始：User / Event / Schedule / Webhook
E3输入 / 输出契约
Input / Output Contract1 篇
01阶段之间不能只靠"差不多"
E8动态工作流
Dynamic Workflow2 篇
01什么时候才需要动态编排02动态工作流不等于全交给 Agent
E11续跑 / 恢复
Resume / Recovery2 篇
01长任务不能因为一步失败就全部重做02续跑为什么需要 Checkpoint 和幂等
E12状态交接
State Handoff1 篇
01阶段之间怎么传递状态
E15并行化
Parallelization2 篇
01什么时候该并行，什么时候必须串行02并行结果怎么收回来
E9Agent 与工作流的组合
Agent + Workflow2 篇
01Workflow + Agent + Tools + Human 怎么组合02Handoff 和 Agent-as-Tool 怎么选
F
Harness 工程
Harness Engineering
17 个知识点 · 21 篇文章主题
F5规则 / 指令加载
Rules / Instruction Loading1 篇
01Harness 里长期规则和任务指令怎么加载
F16执行追踪 / 可观测性
Execution Tracing / Observability2 篇
01Trace 是 Harness 的执行账本02多 Agent / 多 Tool 执行怎么串成一条 Trace
F17执行环境
Execution Environment2 篇
01Agent 到底在哪里工作：Execution Environment02Harness 和执行环境为什么要分开
F1Harness 心智模型
Harness Mental Model2 篇
01Harness 是什么：模型外面的执行与控制系统02Harness 不是 Agent
F3模型接入
Model Integration1 篇
01Harness 里的模型接入：如何把模型变成可替换组件
F9工作流运行时
Workflow Runtime1 篇
01Workflow Runtime：固定流程和 Agent Loop 怎么协作
F15人工控制接口
Human Control Interface1 篇
01人在运行中怎么介入 Agent
F2Harness 参考架构
Harness Reference Architecture2 篇
01设计 Harness 时要回答哪些问题02从零搭一个最小 Harness 参考架构
F4上下文接入
Context Integration1 篇
01Harness 里的 Context：每一步给模型看什么
F6Skill 加载
Skill Loading1 篇
01Harness 怎么发现并加载 Skill
F7工具运行时
Tool Runtime1 篇
01Harness 怎么注册、执行和回传工具
F10状态 / 记忆接入
State / Memory Integration1 篇
01Harness 怎么保存连续工作的状态
F12运行时权限控制
Runtime Permission Control1 篇
01权限策略如何在 Harness 运行时真正生效
F8Agent 运行时
Agent Runtime1 篇
01Agent Runtime：Loop 是怎么真正跑起来的
F11运行时路由
Runtime Routing1 篇
01Harness Routing：选执行资源，不是选工作流分支
F13评估接入
Evaluation Integration1 篇
01Harness 怎么把每次运行接到 Eval
F14运行时恢复
Runtime Recovery1 篇
01Harness 怎么把失败恢复组织起来
G
Skill 技能
Skill
11 个知识点 · 16 篇文章主题 · 待验证 1
G1Skill 心智模型
Skill Mental Model1 篇
01Agent Skill 是什么：可复用的指令与资源包
G10Skill 评估
Skill Evaluation2 篇
01Skill 是否真的提升了任务成功率02Skill 更新之后怎么知道没有变差
G2Skill 与其它四种的区别
Skill vs Prompt / Rule / Tool / Workflow2 篇
01Prompt、Rule、Skill、Tool、Workflow：五个词一次分清02为什么把所有长期能力都塞进一个规则文件是错的
G5Skill 上下文
Skill Context1 篇
01Skill 被触发后，什么应该进入 Context
G7Skill 与工具
Skill + Tool1 篇
01Skill 和 Tool / MCP 怎么配合
G11Skill 打包 / 规范
Skill Packaging / Specification2 篇
01一个 Agent Skill 在文件系统里长什么样02开放格式不等于所有平台运行方式完全一样
G3Skill 边界
Skill Boundary2 篇
01什么时候值得做成一个 Skill02用六个问题设计一个 Skill
G6Skill 输入 / 输出契约
Skill Input / Output Contract1 篇
01Skill 组合为什么需要输入 / 输出契约
G4Skill 发现 / 触发
Skill Discovery / Trigger2 篇
01Skill 是怎么被发现和选中的02Description 为什么决定 Skill 能不能被正确发现
G8Skill 渐进式披露
Skill Progressive Disclosure1 篇
01Skill 的渐进式披露：Metadata → SKILL.md → Supporting Files
G9Skill 组合
Skill Composition1 篇
01多个 Skill 怎么组合
H
状态 / 记忆 / 知识
State / Memory / Knowledge
15 个知识点 · 25 篇文章主题 · 待验证 1
H1状态
State1 篇
01State 是什么：系统此刻必须知道的运行事实
H8知识
Knowledge2 篇
01Knowledge 是什么：从经历中提炼可复用结论02Knowledge 不是 Source of Truth
H15跨项目知识迁移
Cross-project Knowledge Transfer2 篇
01一个项目学到的东西，怎么安全地帮到下一个项目02什么时候不应该跨项目复用
H2当前状态
Current State1 篇
01“我现在做到哪里”这个问题，怎么让系统自己回答
H3持久状态
Persistent State1 篇
01Session 结束了，状态还在吗
H4状态转移
State Transition1 篇
01状态是怎么变化的
H5记忆心智模型
Memory Mental Model2 篇
01Memory 不是 State，也不是 Context02什么值得写进 Memory
H9事件 / 知识边界
Event / Knowledge Boundary1 篇
01事件和知识是两回事
H14RAG 心智模型
RAG Mental Model4 篇
01RAG 到底解决什么问题02RAG 的检索库是怎么建出来的03RAG 检索阶段到底在优化什么04RAG 怎么知道检索对了、回答也有根据
H6会话 / 工作记忆
Session / Working Memory2 篇
01工作记忆是不是另一种 Context02Compaction、Session State 和 Working Memory 怎么分工
H7长期记忆
Long-term Memory2 篇
01长期记忆解决什么问题02写入、更新、遗忘：长期记忆也有生命周期
H10知识候选模式
Knowledge Candidate Pattern1 篇
01把事件先放进“知识候选层”：一种整理模式
H12记忆 / 知识检索
Memory / Knowledge Retrieval1 篇
01存了很多记忆和知识，当前到底该取哪些
H11知识整理生命周期
Knowledge Curation Lifecycle2 篇
01从 Activity 到 Knowledge：一种可审计的整理流程02知识写进去之后还要不要再管
H13记忆 / 知识注入上下文
Memory / Knowledge Injection into Context2 篇
01存下来不等于用得上02取回的记忆也可能污染 Context
I
评估 / 可靠性
Evaluation / Reliability
17 个知识点 · 31 篇文章主题 · 待验证 4
I1验收标准
Acceptance Criteria1 篇
01先定义“什么叫完成”：Acceptance Criteria 怎么写
I2质量标准
Quality Standard2 篇
01除了"能运行"，还要定义什么02质量标准和验收标准不是一回事
I3确定性检查
Deterministic Check2 篇
01能用程序判断的，别交给 AI02代码和构建检查，是确定性检查的一种
I7评估任务 / 测试用例
Eval Task / Test Case2 篇
01用固定任务反复测你的系统02一个好的 Eval Task 要定义什么
I9失败分类
Failure Taxonomy1 篇
01"失败了"不是结论
I4视觉评估
Visual Evaluation1 篇
01界面好不好看，怎么变成可检查的项
I5模型评分器
Model-based Grader2 篇
01LLM-as-a-Judge：什么时候适合让模型评分02模型评分器也会偏：怎么用人工样本做校准
I6人工评估
Human Evaluation2 篇
01哪些判断仍然需要人来做02人工评估也要有 Rubric 和一致性
I8评估数据集
Eval Dataset2 篇
01如何从零散案例建立代表性的 Eval Dataset02Dataset 不等于 Eval Suite
I10评估驱动改进闭环
Eval-driven Improvement Loop1 篇
01一次失败怎么变成可验证的改进
I11回归评估
Regression Evaluation2 篇
01以前做得好好的，怎么知道没变差02每次改动都要全量重跑吗
I14指标 / 评分器
Metrics / Graders2 篇
01一个 Eval 到底靠什么打分02Binary、Score、Pairwise、Rubric 怎么选
I12基准测试
Benchmark2 篇
01Benchmark 解决什么问题02公开 Benchmark 高，不等于你的产品一定更好
I15Agent 轨迹 / 结果评估
Agent Trace / Outcome Evaluation2 篇
01只看最终答案，为什么评不好 Agent02Trace 该评什么，不该评什么
I16多次试验 / 方差
Multiple Trials / Variance2 篇
01同一个任务为什么要跑多次02平均分不够：还要看方差和稳定性
I17评估生命周期
Evaluation Lifecycle2 篇
01离线 Eval、线上监控、A/B、人工复核怎么接起来02Continuous Eval：把真实失败变成下一轮测试用例
I13AI 行为可靠性
AI Behavioral Reliability3 篇
01不是偶尔成功，是稳定成功02可靠性不是只看平均分03AI 行为可靠性不等于服务可用性
J
AI 产品工程
AI Product Engineering
17 个知识点 · 38 篇文章主题 · 待验证 4
J5缓存策略
Caching Strategy2 篇
01AI 系统里的 Cache 不是一种东西02缓存最大的风险不是 miss，而是“命中了错误的旧结果”
J6日志
Logging2 篇
01系统执行过程要留下什么记录02安全审计日志：谁让 Agent 做了什么
J8错误处理
Error Handling2 篇
01错误路径也是产品的一部分02失败后不一定只剩“重试”
J10隐私 / 内容安全 / 合规
Privacy / Safety / Compliance4 篇
01Security、Safety、Privacy、Compliance 不要混成一个词02什么数据可以进入模型、日志和长期存储03内容安全不是只加一个关键词过滤器04合规不是一张全球通用清单
J15提示注入 / 不可信上下文
Prompt Injection / Untrusted Context3 篇
01Prompt Injection 为什么不是“再强调一遍规则”就能解决02网页、文件、邮件、Tool Result 为什么都要当成不可信输入03从 Prompt Injection 到 Data Exfiltration：攻击链怎么形成
J16防护栏 / 人工审批
Guardrails / Human Approval2 篇
01Guardrail 和 Human Approval 分别应该拦什么02哪些 Agent 动作必须停下来让人批准
J1AI 产品体验
AI Product UX2 篇
01概率系统的 UX 和确定性软件有什么不同02长任务和部分结果，怎么让用户知道系统正在做什么
J2模型选型
Model Selection2 篇
01选模型不是选最强的02不要只看公开 Benchmark 选模型
J4成本
Cost2 篇
01AI 成本不只是 Token02先算每个任务多少钱，再谈成本优化
J7可观测性
Observability2 篇
01Logs、Metrics、Traces 分别回答什么问题02AI 系统到底该观测哪些信号
J9授权 / 最小权限
Authorization / Least Privilege2 篇
01Agent 权限不是越多越好02认证、授权、审批不是一回事
J11部署
Deployment2 篇
01AI 应用部署时要额外考虑什么02部署不等于发布：怎么降低 AI 变更的上线风险
J12版本管理
Versioning2 篇
01模型、Prompt、Skill、Workflow、Eval 都要版本化02一次 AI 结果以后还能不能复现
J13运行时配置
Runtime Configuration1 篇
01不同环境、模型、Provider 的配置怎么稳
J17沙箱 / 隔离
Sandbox / Isolation3 篇
01为什么能执行代码的 Agent 需要隔离环境02Secret 不应该直接暴露给 Agent Runtime03Sandbox 不是万能安全层
J3延迟
Latency2 篇
01一次 AI 请求的延迟到底花在哪02首字延迟和总完成时间，不是同一个优化目标
J14运维
Operations3 篇
01上线只是开始：AI 系统日常到底运维什么02生产故障先恢复服务，再追根因03服务可靠性和 AI 行为可靠性是两套指标
实心 · 已验证 环+点 · 已有证据 空心 · 待验证 走完验证的：0 个