LLM 应用概览
LLM 应用概览
LLM 不只是聊天机器人。围绕 LLM 的工程化技术栈包括检索增强生成、提示词工程、工具调用、嵌入与记忆系统。
知识地图
RAG（Retrieval-Augmented Generation）
- 朴素 RAG / Advanced RAG / Modular RAG
- 文档加载 → 切分 → 嵌入 → 检索 → 重排 → 生成
- 检索优化（Hybrid Search / HyDE / Self-RAG）
- [[AI/向量检索/概览|向量检索]] 详见向量检索目录
Prompt Engineering
- 提示词原则（清晰 / 角色 / 示例 / 约束）
- 高级技巧（CoT / ToT / ReAct / Self-Consistency）
- Prompt 模板与版本管理
- [[开源项目分析/提示词工程/Claude-Design-System-Prompt-工程的设计协作提示词库|Claude Design System Prompt]]（设计协作提示词库）
Function Calling
- 函数定义 / 工具描述
- 单调用 / 并行调用 / 链式调用
- 错误处理与重试
- 复杂参数（嵌套对象 / 数组 / 联合类型）
Embedding
- Embedding 模型选型（OpenAI / BGE / M3E / Cohere）
- 向量化策略（Chunk 切分 / 上下文窗口 / 重叠）
- 维度选择与成本权衡
- 多模态 Embedding（CLIP / ImageBind）
Memory
- 短期 / 长期 / 工作记忆
- 向量记忆 / 图记忆 / 文本记忆
- 记忆压缩与摘要
- 跨 Session 持久化
待补内容
- RAG 完整 pipeline 实战（含 LangChain / LlamaIndex 对比）
- Prompt 调优方法论（变量分离 / 模板化 / A/B 测试）
- Function Calling 失败模式与防御
- Embedding 评测基准（MTEB）
- 记忆系统的工程权衡