从 DOM 到 Prompt：前端开发者的 AI 转型日记

从 DOM 到 Prompt：前端开发者的 AI 转型日记

从 DOM 到 Prompt：前端开发者的 AI 转型日记

拒绝从零苦学算法，立足前端工程优势。本专栏专为前端开发者打造，记录如何将前端开发经验平移至AI 工程领域。不谈空洞理论，只聊如何通过 Python 调通接口、用结构化思维优化模型输入、用工程化手段交付 AI 应用。

等 3 人订阅共26篇文章创建于2026-04-08

前端开发者做 Agent：别只会执行，用 4 类失败策略让 AI 知道怎么停

可靠的 Agent 必须区分错误类型：超时可以重试，空结果可以降级，权限不足要停止，高风险操作要等待确认。Agent 的成熟度，不取决于它能跑多远，而取决于它在出错时有没有刹车、有没有解释、有没有边界

3小时前
16
点赞
评论

前端开发者做多步 Agent：别让 AI 边想边乱跑，用 Plan-Act-Observe 稳住 4 步任务

对前端开发者来说，这很像把复杂交互拆成流程节点：每一步有目标、有状态、有输入输出、有失败处理，而不是把所有逻辑塞进一个巨大的 `handleUserInput`。

1天前
32
点赞
评论

前端开发者做 Agent：别写成一次请求，用 5 步受控循环防止 AI 乱跑

当你能写出一个最小 Agent Loop，能看懂每一步发生了什么，能让它在错误时停下来而不是乱跑，你就已经跨过了 Agent 工程最重要的一道门槛。

2天前
30
点赞
评论

前端开发者做 Agent：Tool Calling 别只写函数名，用 Schema 少踩 5 个坑

真正可维护的 Agent 工程，需要给每个工具写一份 Schema：描述用途、约束参数、标记风险、控制确认流程。对前端开发者来说，这就像给 API 写 TypeScript 类型、接口文档、表单校验等

3天前
48
点赞
评论

前端开发者做 Agent：别急着堆 Prompt，先用 Tool Calling 跑通 1 个真实工具

Agent 的第一步不是让模型“更聪明”，而是让模型能在可控边界内调用工具。模型负责理解用户意图、提出工具调用；程序负责校验工具名、校验参数、检查权限、执行 API、处理错误和返回结果。

4天前
13
点赞
评论

前端开发者做 RAG：别只收集点赞点踩，用 6 个字段把反馈变成优化闭环

RAG 上线后，点赞点踩只是反馈入口，不是反馈闭环。真正可优化的反馈，至少要带上 traceId、question、answer、citations、retrieval、reason这 6 类信息

5天前
62
点赞
评论

前端开发者做 RAG：别靠肉眼验收，用 20 条评测集拦住上线翻车

RAG 优化不能靠“我问了几句，感觉还不错”。只要你改了切块、Embedding、Rerank、Prompt 或引用逻辑，就可能出现“这个问题变好了，另一个问题又坏了”。

6天前
13
点赞
评论

前端做 RAG 别只让 AI 会答：用 3 个字段把答案变成“有证据”

前端开发者做 AI 应用，不只是把模型结果渲染出来。更重要的是设计一条完整的证据链：从检索片段，到结构化答案，再到页面引用和日志排查。

7天前
13
点赞
评论

RAG 落地 3 个月，我才发现排序（Rerank）比检索更重要

RAG 系统的精度瓶颈往往不在 Embedding 检索，而在排序。语义检索（一阶段）只能保证“相关”，但不能保证“最优”。引入 Rerank（二阶段重排序），将最精准的资料排在最前面...

8天前
57
点赞
1

前端转 AI 实战：3 招让 RAG 检索精度提升 200%

RAG（检索增强生成）不是简单的“语义搜索+大模型”。在真实业务场景中，单纯靠向量相似度进行全量检索会导致严重的知识污染。先用 Metadata（元数据）硬过滤缩小范围，再进行语义检索。

9天前
19
点赞
评论

RAG 效果差？别只盯着大模型换，90% 的前端都倒在了“文档切块”这一步

RAG 的本质是“帮模型翻书”。如果你的“书签”（切块）夹在了错的地方，或者把一个知识段落撕成了两半，模型再强也读不懂。切块不是物理分割，而是**语义单元的重新组织**。

10天前
19
点赞
评论

从 Fetch 到 RAG：为什么你的 AI 知识库总是“胡言乱语”？

AI 答非所问，80% 的情况不是模型“笨”，而是你喂给它的资料“不对”或“没找准”。RAG（检索增强生成）系统的天花板由**检索质量**决定，模型输出只是在这个天花板下的“装修”。

11天前
68
点赞
评论

前端转 AI 必看：为什么你的知识库问答总在“胡说八道”？

很多前端同学刚上手 RAG（检索增强生成）时，想法都很“单纯”：一把梭把 PDF 扔给模型，剩下的交给奇迹。但现实往往是：模型回得很泛、回得像在猜，甚至直接开始胡编乱造。

12天前
20
点赞
评论

节省 80% Token 成本，我建议你别什么都丢给大模型

在 AI 原型阶段，最让人兴奋的莫过于发现“这个也能用模型做”、“那个居然也能交给 AI”。这种能力边界被打开的快感，常让开发者陷入一种惯性思维：**只要大模型能做，就默认应该用大模型做。

13天前
21
点赞
评论

从 Demo 到生产：为什么你的 AI 功能一上线就成了不可控的“黑盒”？

做 AI 功能时，痛苦的通常不是“完全不会写”，而是另一种更微妙的状态：功能大概有了，接口也通了，但只要一出问题，整个人就开始陷入循环：是前端没发出去吗？后端没收到吗？模型调用失败了吗？还是解析挂了？

14天前
47
点赞
评论

别再让模型背锅了！前端做 AI 应用，这 5 个联调细节决定生死

很多 AI 功能最后不是死在模型不聪明，而是死在接口接不起来、浏览器跨域拦截、字段对不上、请求链路断裂。模型那边已经“差不多行了”，但系统边界没对齐，功能就只能卡在半空中。

15天前
22
点赞
评论

从 Demo 到产品：为什么模型很强，用户却说你的 AI 页面很难用？

很多人一提到 AI 产品体验，第一反应都是放在模型本身：模型够不够强、结果够不够聪明、输出够不够像人写的。用户感受到的 AI 体验，不只是模型质量，还包括页面在等待、成功、失败时到底表现成什么样。

15天前
23
点赞
评论

别再用脚本做 AI 了！前端开发者转型的必经之路：服务化 API

前端开发者转型 AI工程师，不能止步于本地脚本。脚本是验证灵感的实验台，而 API才是生产交付的面子。本文通过对比脚本与服务的本质差异，阐述如何利用FastAPI 等工具将 AI

17天前
19
点赞
评论

为什么 AI 优化不能长期只靠“我觉得”

这篇文章想讲清楚的，就是为什么 AI 优化不能长期只靠“我觉得”，以及为什么“最基础的评估意识”会成为 AI 工程里从 Demo 走向产品最重要的一课。

18天前
24
点赞
评论

告别玄学：为什么 AI 工程的尽头是 Prompt 任务协议？

很多人刚开始做 AI 应用时，最常见的心路历程是：从惊叹模型的神奇，到吐槽模型的不稳，最后产生自我怀疑：“到底是模型能力不行，还是我没说清楚？

19天前
27
点赞
评论