面向应用工程的 AI 知识与训练系统

把 AI 需求
变成可验证的工程结果

不从模型名开始，从问题、数据、风险和验收开始。这里帮助产品、方案、研发与非算法人员建立共同语言，把 Prompt、RAG、Agent、Skill 和 Harness 落到可操作、可评估、可接管的工作流。

我有一个 AI 需求进入培训与实操

先定义问题，再选择技术，最后设计验收与人工兜底。

应用工程闭环把感知、知识、决策、行动、评估和人工接管连成一个系统。

需求判断先把问题说清楚明确输入、输出、错误代价与验收方式。系统学习建立完整判断框架按产品、技术和风险主线形成共同语言。应用工程把方案做成工作流覆盖规格、开发、质量、安全、部署和运维。上线验收用证据决定能否上线准备评估集、失败样本、阈值和人工接管。

Prompt EngineeringRAGAgentSkillHarnessEvaluationSafetyDelivery

Prompt EngineeringRAGAgentSkillHarnessEvaluationSafetyDelivery

一条主线需求判别技术路线上线验收专题入口资源库

一条主线

AI 产品判断不是从“用哪个模型”开始，而是从“这个需求要输出什么、错了怎么办、怎么验收”开始。本站按下面这条路径组织内容：

1. 判断需求类型分类、检索、生成、预测、推荐、规划，还是自动化决策。

2. 判断数据条件是否有标签、文档、图片、行为日志、规则、实时系统或历史样本。

3. 选择技术路线规则、ML、CV、RAG、微调、知识图谱、Agent、MCP/Skill。

4. 设计验收边界评估集、指标、失败样本、低置信处理、人工复核和上线灰度。

从环境与目标出发，把感知、状态与知识、规划与决策、工具行动、评估治理连成闭环。

需求判别

如果你现在手里有一个 AI 需求，先用这张表判断它是什么问题。判断错问题类型，后面的模型、成本和验收都会跑偏。

需求类型	用户常见说法	输出是什么	优先技术	不靠谱信号
分类	判断是否合规、是否缺陷、属于哪类	类别、概率、原因	监督学习、CV、文本分类	只看准确率，不看误报/漏报
检索	从制度、论文、产品文档里找答案	证据、引用、候选答案	搜索、Embedding、RAG	让模型凭记忆回答私有知识
生成	写报告、总结会议、生成文案	文本、代码、草稿	LLM、Prompt、模板	把生成结果当最终事实
预测	预测风险、销量、故障概率	数值、概率、趋势	回归、分类、时序模型	数据太少却追求复杂模型
推荐	推荐商品、内容、专家、资料	排序列表、推荐理由	推荐系统、排序模型	只优化点击，不看满意度
规划	安排路线、步骤、任务流	路径、计划、行动序列	搜索、规划、Agent 工作流	把多步任务当单轮问答
自动化决策	自动审批、自动流转、自动执行	通过/拒绝/转人工/执行动作	规则 + ML + Agent + 人工兜底	不可逆动作没有确认和审计

下一步：进入 需求判断与技术路线，把具体需求拆成输入、输出、技术和验证方式。

技术路线

技术页不是孤立百科，而是服务于需求判断。你可以按问题进入，也可以按技术进入。

机器学习适合分类、预测、异常检测、排序等有样本和标签的问题。大模型适合语言理解、总结、生成、结构化改写和推理样式任务。RAG / 微调RAG 解决私有知识和引用，微调解决稳定格式和表达习惯。Agent适合需要多步执行、工具调用、状态管理和失败回退的任务。计算机视觉适合图像、视频、检测、分割、OCR，以及 DIC/PIV 定量测量。知识图谱适合实体关系、规则约束、证据路径和结构化知识组织。

把输出形态映射到技术路线和验收重点，避免一上来就追模型名。

上线验收

AI 项目最容易失败的地方不是“模型跑不起来”，而是 demo 看起来不错，到了真实场景无法证明有用。上线前至少要回答五个问题：

验收问题	PM 要确认什么
评估集是什么	是否覆盖高频场景、长尾场景、边界样本和高风险样本
指标怎么解释	准确率、召回率、精确率、F1、人工通过率如何对应业务价值
失败样本怎么处理	是否记录失败原因、补充样本、复测版本、形成闭环
低置信怎么办	拒答、提示不确定、转人工、二次确认还是限制动作
上线后怎么看	延迟、成本、用户反馈、人工接管率、风险事件和灰度观察

下一步：看 评估与风险，再回到 方案模式 设计具体场景方案。

专题入口

AI 培训与实操

四条学习路线、五个实验、可复用模板和评分闭环，帮助你从判断到实操完成 AI 培训。

AI 开发实践

从工具选择、需求规格和上下文，到质量、安全、部署、成本和团队协作，形成完整工程闭环。

MCP / Skill 专区

判断 AI 要接什么系统、允许什么动作、岗位 Skill 是否值得沉淀、哪些步骤必须人工确认。

AIMA 应用工程框架

用理性智能体主线串起感知、知识、规划、学习、工具行动、评估治理与人工接管。

视觉与工程测量

区分定性视觉和定量测量，理解 DIC、PIV、光流、时空场预测在实验工程中的价值。

KG / RAG / Agent

理解向量库、知识图谱、RAG 和 Agent 记忆之间的关系，避免把所有知识问题都交给大模型。

行业应用

按制造、材料实验、医疗、金融、教育、研发等场景理解输入、技术、输出和验证方式。

市场与定位

区分芯片、云、基础模型、应用平台和行业方案，理解中外 AI 发展的定位差异。

资源库

公开资料和开源仓库用于延伸学习，不替代本站的判断主线。

资源	适合补什么	入口
Berkeley CS188 / Stanford CS221	经典 AI、搜索、规划、概率、决策	开源知识仓库
Google ML Crash Course	机器学习、数据、泛化、评估	机器学习基础
AIMA / aima-python	理性智能体、搜索、CSP、逻辑、MDP	AIMA 框架
Hugging Face / LLM 开源仓库	Transformer、微调、RAG、推理	LLM 训练机制
Dify / LangGraph / AutoGen / CrewAI	Agent 编排与工作流	Agent 编排平台
OpenCV / OpenPIV / DIC 相关仓库	视觉工程、DIC、PIV、定量测量	视觉与工程测量

从一个真实问题开始，不从一张模型清单开始

先完成需求判断，再进入培训或工程实践；当证据、权限或错误代价不清楚时，系统应停下来交给人。

开始需求判断查看完整学习路线