LLMs 技术专区

这里是整站的知识骨架。六个模块不是平行孤岛，而是一条从“会用模型”到“能构建系统”再到“理解训练和评估”的路径。

一个实用读法是：先用 Prompt 和 RAG 做出可观察的应用，再用 Agent/MCP 扩展系统边界，最后用训练、多模态和评估去理解能力从哪里来、如何稳定。不要把模块看成目录，而要看成一组问题分解工具。

阅读一个模块时看四件事

1. 输入是什么：用户问题、文档、图像、工具结果、训练样本还是偏好数据？
2. 模型负责什么：理解、生成、选择工具、重排证据、判断偏好，还是做跨模态对齐？
3. 系统边界在哪里：哪些事情由检索、规则、权限、缓存、人工确认或评估平台承担？
4. 失败如何定位：输出错了以后，能否判断问题来自数据、上下文、模型、工具还是评估指标？

带着这四个问题读，技术名词会自然落到系统设计里。

六个模块

模块	解决的问题	建议入口	依赖
Prompt	如何让模型稳定理解任务、利用上下文并输出可用结果	提示工程基础	无
RAG	如何把外部知识接入生成过程，并让答案可引用、可更新	RAG 技术全景	Prompt
Agent	如何让模型使用工具、规划任务、处理多步工作流	AI Agent 全景	Prompt、RAG
MCP	如何用统一协议连接模型应用与外部系统	MCP 快速入门	Agent 工具调用
训练与微调	如何用数据、SFT/LoRA、DPO/RLHF 定制模型行为	训练数据	ML/DL、评估
多模态	如何处理图像、文本、音频或视频等多种模态	多模态全景	Transformer、RAG/Agent

推荐依赖图

按目标选择入口

目标	先读	接着读	做什么项目
快速做出 AI 功能	Prompt	RAG	文档问答、摘要、信息抽取
做可靠知识库	RAG	RAG 评估	带引用的企业知识库
做自动化助手	Agent 工具调用	Agent 安全	可中断的工具调用 Agent
做系统集成	MCP 概念	MCP 高级功能	封装一个业务 MCP server
做模型定制	训练数据	LoRA	小模型领域微调实验
做图文任务	视觉编码器	多模态 RAG 与 Agent	图文问答或多模态检索

内容状态说明

状态	含义
verified	已按当前资料复核，适合作为主线阅读材料
needs-review	已完成整理，但可能需要根据最新模型/API 继续复核
opinion	包含作者判断或经验归纳
historical	保留历史背景，不代表当前最佳实践

如果你是第一次来，建议先走 学习路径；如果你已经有项目，可以直接到 实践项目 反向选择模块。