AI 应用开发完全指南

AI 项目开发规范体系设计指南：三层金字塔 + 10 条红线 + 11 领域规范 一、为什么 AI 项目需要"不一样的"开发规范 传统软件项目的规范聚焦于代码风格、测试覆盖、CI/CD 流水线。AI

AI 面试准备指南：从技术知识到面试表达 〇、AI 面试的特点：与传统后端面试有何不同？ 传统后端面试考察链路清晰——JVM、MySQL、Redis、Spring、并发、分布式，面试官的问题有标准答案

AI 图片视频处理 — 工具使用手册 一、环境搭建 1.1 Python 版本兼容性 Python PyTorch diffusers OpenCV Contrib 推荐 3.11 ✅ ✅ ✅ ★★★

Claude Code 深度拆解：Agent 循环与 MCP 扩展 一、模型运行时、Agent 与模型的关系 这是初学者最容易混淆的三层概念。 三层架构 关键认知： 常见 Agent 形态 Agent

大模型部署实战：远程 API 与本地深度对比 一、两种使用模式概述 1.1 远程 API 模式 模型运行在服务商的 GPU 集群上，用户通过 HTTP 请求调用。本地无需显卡，按量付费。 优点：零硬件

精确控制与视频生成：LoRA、ControlNet 与 IP-Adapter 一、噪声与遮罩：扩散模型的两个基础概念 在进入图生图、Inpainting 等具体操作之前，需要先理解两个贯穿全部图片编辑

AI 图片生成完全指南：扩散模型与 DiT 架构 一、能力全景：AI 在图片与视频领域的边界 1.1 六类图片任务 上述六类任务并非各自对应独立的模型——其底层共享同一套扩散模型架构，区别仅在于输入条

AI 工程化实践与 PrismAI 全景 一、内容安全纵深防御 AI 应用的内容安全不只是 Prompt Injection 防护，而是输入→模型→输出的三层纵深防御。 第一层：输入安全（用户给 LL

Agent 的本质：ReAct 循环与 MCP 协议 Agent 的本质不是"更聪明的模型"——是一个不到 50 行的 while 循环。Thought（分析现在该干什么）→ Action（调工具执行

RAG 核心组件深度剖析：Embedding 模型与向量数据库 一、两个模型的本质区别 1.1 它们不是同一个东西 RAG（检索增强生成）流程中存在两种完全不同的模型，各司其职： 1.2 类比理解 对

RAG 从入门到工程落地 阅读约 20 分钟 | 系列第 2/14 篇 一、RAG 解决了什么问题 LLM 有两大先天缺陷：① 知识截止日期（训练数据有终点）② 幻觉（对训练数据外的问题可能编造答案）

前言：为什么学 AI 应用开发 2024-2026 年，AI 领域发生了根本性变化：大模型能力从"能用"到"好用"，开发门槛从"需要 PhD + GPU 集群"降到"会调 API 就能搭应用"。对后端