Appearance
问题到技术路线
本页解决什么：把一句模糊的 AI 需求拆成分类、检索、生成、预测、推荐、规划或自动化决策，并映射到可讨论的技术路线、输入数据、输出结果和验证方式。
需求判别
AI PM 先判断需求属于哪类问题，再决定技术路线。不要一上来就说“做大模型”：很多需求本质是分类、检索、预测、推荐、规划或规则自动化，大模型只是其中一种组件。
| 需求类型 | 用户常见说法 | 输入是什么 | 输出是什么 | 适合技术 | 典型误区 | 如何验证 |
|---|---|---|---|---|---|---|
| 分类 | 判断是否合规、是否缺陷、属于哪类 | 样本及标签，如图片、文本、表格 | 类别、概率、原因 | 监督学习、CV、文本分类 | 只看准确率，不看漏检/误杀 | 混淆矩阵、召回率、精确率 |
| 检索 | 从制度/知识库里找答案 | 文档、网页、数据库、图谱 | 证据、引用、候选答案 | 搜索、Embedding、RAG | 让模型凭记忆回答私有知识 | 命中率、引用准确率、人工抽检 |
| 生成 | 写报告、总结会议、生成文案 | 指令、上下文、模板、资料 | 文本、代码、草稿 | LLM、Prompt、模板 | 把生成内容当最终事实 | 人工评审、事实性、格式遵循 |
| 预测 | 预测风险、销量、故障概率 | 历史数据、特征、时间序列 | 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 | 离线误差、线上稳定性、业务收益 |
| 推荐 | 推荐商品、内容、专家、资料 | 用户、物品、行为、上下文 | 排序列表、解释 | 推荐系统、排序模型 | 只优化点击，不管满意度和公平性 | CTR/CVR、留存、覆盖率、负反馈 |
| 规划 | 安排路径、步骤、任务流 | 状态、目标、动作、约束 | 路径、计划、行动序列 | 搜索、规划、工作流、Agent | 把多步任务当单轮问答 | 完成率、耗时、失败恢复能力 |
| 自动化决策 | 自动审批、自动流转、自动执行 | 规则、模型分数、业务上下文 | 通过/拒绝/转人工/执行动作 | 规则 + ML + Agent | 让模型直接做不可逆动作 | 误伤率、漏放率、审计样本、人工介入率 |
问题分类
| 问题类型 | 真实问题 | 优先技术 | 常用 Python 库 |
|---|---|---|---|
| 感知 | 图像里有什么，缺陷在哪里 | CV、OpenCV、检测/分割模型 | opencv-python, ultralytics, torchvision |
| 预测 | 未来值、风险、类别是什么 | 机器学习、时序模型 | scikit-learn, xgboost, torch |
| 生成 | 写文档、写代码、生成图像 | LLM、扩散模型 | transformers, diffusers |
| 检索 | 从知识库找证据 | RAG、向量库、搜索 | llama-index, langchain, chromadb |
| 推理 | 关系链、规则和因果路径 | 知识图谱、图算法 | networkx, rdflib, neo4j |
| 搜索 | 在状态空间中找到可行路径或最优路径 | BFS、DFS、UCS、A* | aima-python, networkx, heapq |
| 约束满足 | 变量取值必须同时满足多个约束 | CSP、回溯搜索、约束传播 | python-constraint, aima-python |
| 博弈决策 | 对手也会行动，需要选择稳健策略 | Minimax、Alpha-Beta | aima-python |
| 规划 | 从当前状态找到行动序列达到目标 | Classical Planning、MDP | aima-python, numpy |
| 执行 | 自动完成多步骤任务 | Agent、工作流、MCP、Tool | langgraph, crewai, autogen |
| 定量测量 | 位移、应变、速度、流场 | DIC、PIV、光流、物理约束 | openpiv, opencv-python, scipy |
选型规则
如果问题需要准确事实，优先 RAG/知识图谱；如果需要行动，优先 Agent/工作流；如果需要图像定量测量，优先 OpenCV + DIC/PIV + 物理校验；如果需要领域风格或格式迁移，才考虑微调或 LoRA。
不要一开始就把方案定义成“大模型项目”。先判断输出类型：要类别就看分类，要事实就看检索，要文本草稿才看生成，要连续动作才看规划或 Agent，要高风险动作就必须加规则和人工兜底。
AIMA 的问题求解方法适合补足“现代 AI 应用如何做规划和求解”的基础层：路径和任务序列优先看搜索，组合约束优先看 CSP，对抗策略看博弈搜索，不确定决策看 MDP 或强化学习。
流程概览
1. 定义问题明确输入、输出、评价指标和失败边界。
2. 选择技术按问题类型选择 ML、CV、RAG、KG 或 Agent。
3. 处理数据清洗、标注、检索、切片、特征或图谱建模。
4. 验证价值用准确率、误差、耗时、人工节省或业务指标验证。
下一步
- 如果需求是分类、预测或表格数据：看 机器学习基础。
- 如果需求是文档问答或私有知识：看 RAG、微调与部署。
- 如果需求是多步执行或跨系统动作：看 Agent 架构模式 和 MCP / Skill 专区。
- 如果要判断能不能上线：看 评估与风险。
工程化落地只需先跑通这个闭环。生产级监控、审计、灰度和集群部署可以在证明价值后再补。