AI基础知识核心笔记（重点+易混淆点）
核心：提炼核心知识点、易混淆点，简洁不冗余，贴合SRE背景和AI实践，可直接保存、快速查阅记忆。
一、核心知识点（必记，衔接实践）
-
AI整体定位：核心是“机器类人感知、思考、决策”，大模型、Agent都是AI的落地形态，服务于场景化需求（如SRE运维）。
-
核心分类（3层核心，舍弃冗余）：
-
传统AI（基础）：ML（机器学习）→ DL（深度学习），是大模型底层；conda安装的pytorch、transformers是核心支撑库。
-
生成式AI（主流）：核心“生成新内容”，代表：Deepseek、GLM（开源，本地实践重点）、Anthropic Claude、扣子（闭源，辅助测试）。
-
Agent（进阶）：自主拆解任务、调用工具，代表：Hello-Agents、Clawbot，贴合SRE运维场景。
-
底层核心技术（4个重点）：
-
Transformer架构：大模型核心，替代CNN/RNN，并行计算强，Deepseek、GLM均基于此。
-
模型量化：INT4/INT8，降低内存占用，适配本地Ubuntu（无GPU也能运行）。
-
NLP：文本处理核心，模型交互、文档问答均依赖，sentencepiece库是关键工具。
-
工具链：conda（环境）、Docker（部署）、Ollama（模型部署）、Prometheus（监控），衔接SRE技能。
-
实践核心逻辑：框架补全 → 本地部署（Deepseek）→ 工具联动（LangChain/Agent）→ 优化运维（SRE技能）→ 项目闭环。
-
工具优先级：开源大模型（Deepseek、GLM）＞ 工具链（conda、Docker）＞ Agent（Hello-Agents）＞ 闭源模型（辅助）。
二、易混淆点（重点区分，避免踩坑）
-
ML vs DL：ML是AI分支（机器从数据学规律），DL是ML的子集（基于神经网络），大模型属于DL范畴（研究生期间的模型训练是DL应用）。
-
开源大模型 vs 闭源大模型：
-
开源（Deepseek、GLM）：可本地部署、自定义微调，适配Ubuntu+conda，是实践核心。
-
闭源（Anthropic Claude、扣子）：仅API调用，无法本地部署，适合快速测试。
-
Agent vs 普通大模型：
-
普通大模型：需人工输入明确指令（被动执行）。
-
Agent：自主拆解复杂任务（主动规划、调用工具），如自动排查系统故障。
-
模型训练 vs 模型量化：
-
训练：让模型学数据规律（研究生超算工作）。
-
量化：降低参数精度，适配本地低配置电脑（实践重点操作）。
-
工具链定位：conda（环境管理，已配置）、Docker（容器化部署）、Ollama（快速部署模型），三者协同支撑本地实践，均需熟练使用。
三、SRE关联重点（贴合自身优势，快速记忆）
-
SRE技能适配AI场景：容器化部署（Docker）、环境监控（Prometheus）、故障排查，可落地AI模型运维、AIOps。
-
实践关联：Docker部署大模型、Prometheus监控模型状态、用SRE思路排查模型部署/运行故障（如容器崩溃、环境异常）。
（注：文档部分内容可能由 AI 生成）
