AI Knowledge

外观

AI 知识图谱专题 ​

定位｜ 本专题是 AI 知识库的视觉画廊和复习入口，集中展示全景、依赖、机制、工程与面试证据图谱。它不计入正式技术主题，也不替代各主题正文、代码实验、项目证据和专项面试题。

目录 ​

1. 专题目标 ​

完成本专题后，应能够：

  1. 用一张全景图说出 AI 应用工程的八条主干；
  2. 区分学习依赖、运行机制、工程治理和面试证据四类关系；
  3. 沿图谱定位到 RAG、Agent、AI Engineering 和系统设计的正式主题；
  4. 发现图中缺失的权限、版本、状态、失败与验证边界；
  5. 用闭卷重画和口述验证自己是否真正掌握，而不是只觉得“看懂了”。

2. 怎样理解这里的知识图谱 ​

2.1 30 秒说明 ​

这里的“知识图谱”是用于学习和复习的 Knowledge Map：节点表示知识、机制、证据或工程能力，连线表示依赖、输入输出、控制或验证关系。它解决的是“知识怎样连接、应该沿哪条链路追问”，而不是把目录重新排成一张好看的图。图谱适合建立全局结构，但精确公式、接口语义、版本能力和项目结论仍要回到正文、代码、日志和测试中验证。

2.2 与语义知识图谱的边界 ​

本专题不是以实体、关系、属性和三元组为核心的语义知识图谱系统，也不提供本体建模、图数据库查询或自动推理能力。这里的节点与边主要服务人工学习导航；除非正式主题另有定义，图上的连线不能被解释为严格的因果关系、完整调用时序或可计算规则。

2.3 小白先这样理解：先看城市地图，再进入具体建筑 ​

小林第一次来到一座很大的 AI 城。如果他只拿到一串建筑名单，就知道有“模型楼、资料室、调度中心”，却不知道应该先去哪、道路怎样相连、哪里需要门禁。全景图像城市总图，先告诉他城区和主干道；RAG、Agent 图像单栋建筑的楼层图；工程治理图像消防、监控和供电图；面试证据图则像验收单，证明他不仅参观过，还能解释怎样运行、哪里会失败。

对应到技术学习：城市区域是知识领域，建筑是具体主题，道路是依赖或数据流，门禁是权限边界，消防和监控是降级与可观测性，验收单是测试、评测和项目证据。这个类比能解释“为什么需要多种图”，但真实系统中的依赖可能并行、循环或随项目改变，不能把地图上的单一路线当成唯一实现。

3. 全景图：AI 知识体系 ​

图：AI 知识体系全景图

替代文本： 横向全景图分为理论底座、智能应用和工程实战三个区域。理论底座包含基础、机器学习和深度学习；智能应用包含 LLM、RAG 和 Agent；工程实战包含工程治理和实战面试。底部工程闭环以评测、证据、权限、状态和验证贯穿三个区域。

AI 知识体系全景图

读图结论： AI 能力不是从 LLM 单点开始，而是由理论底座、智能应用和工程交付逐层连接，并由评测、证据、权限、状态和验证形成闭环。

这张图按用户指定的 gpt-image-2 视觉生成流程制作，适合建立空间记忆。图中的八条主干来自 AI 知识体系记忆脑图；生成图片只承担全景直觉，精确依赖和失败边界以下方 Mermaid 及正式主题正文为准。

3.1 图中三组结构 ​

区域主干主要问题应回到哪里验证
理论底座基础、机器学习、深度学习数据和指标是否可信，参数怎样学习表示基础、ML、DL 正式主题与最小实验
智能应用LLM、RAG、Agent模型怎样生成、获得外部知识并受控行动LLM、RAG、Agent 正式主题与调用链
工程实战工程治理、实战面试系统怎样稳定上线，能力怎样被证据化验收AI Engineering、系统设计、项目和题库

3.2 生成图片的证据边界 ​

  • 已核验全景图、三张区域子图、三张独立专题图和生产高可用架构总览均为 1672 × 941 的 PNG，中文主标签和编号主干可读；
  • 颜色只用于分组，区域名称、编号和箭头仍承担语义；
  • 图片没有表达所有前置条件、循环依赖和失败分支，不能替代精确机制图；
  • 模型生成图片中的文字不作为仓库统计、版本和能力结论的来源。

3.3 区域一子集：理论底座 ​

图：子集｜区域一理论底座知识图谱

替代文本： 理论底座从 01 基础进入 02 机器学习，再进入 03 深度学习并连接下一站 LLM。基础覆盖数据、数学、Python 和评测；机器学习覆盖学习范式、特征到优化的核心流程、典型模型和泛化验证；深度学习覆盖网络结构、前向与反向训练、表示学习和稳定性。底部用数据版本、实验配置、模型版本和评测证据贯穿三层。

区域一理论底座知识图谱

读图结论： 理论底座的递进不是“会用更多模型”，而是先保证数据和评测可信，再建立可比较基线，最后理解参数怎样通过反向传播学到表示。

图中 01 → 02 → 03 → 04 表示推荐学习依赖，不代表真实项目只能串行推进。数据版本、实验配置和评测证据必须贯穿机器学习与深度学习，否则模型效果无法复现，也无法判断提升来自数据、代码、参数还是评测口径变化。

3.4 区域二子集：智能应用 ​

图：子集｜区域二智能应用知识图谱

替代文本： 智能应用由 04 LLM、05 RAG 和 06 Agent 组成。LLM 覆盖表示、Transformer、训练、推理和结构化输出；RAG 分为解析、切块、Metadata 与 ACL、Embedding、索引发布的离线链路，以及 Query 改写、混合召回、融合、Rerank 和上下文构造的在线链路；Agent 覆盖 Context、决策循环、Runtime 权限和恢复。LLM 为 RAG 与 Agent 提供能力底座，RAG 为 Agent 提供外部证据。

区域二智能应用知识图谱

读图结论： LLM 负责语言生成与候选决策，RAG 负责外部证据，Agent Runtime 负责受控行动；三者职责不同，不能用一个“智能”节点混在一起。

底部 Query → State → Version → Trace → Evaluation 是运行证据主线。超时、证据不足和越权对应不同故障语义：分别进入服务降级、拒答或人工处理，不能统一为无条件重试。

3.5 区域三子集：工程实战 ​

图：子集｜区域三工程实战知识图谱

替代文本： 工程实战主链从 07 工程治理依次进入发布门禁、项目证据、08 实战面试和缺口反馈，再用虚线反馈到工程治理。工程治理包含服务化、可靠性、可观测性、性能与容量、成本治理和安全；发布门禁区分固定集回归、灰度发布、指标通过后放量的成功规则，以及指标失败、回滚、失败样本回灌和再评测的失败规则；实战面试包含系统设计、项目表达、故障复盘和分层回答。

区域三工程实战知识图谱

读图结论： 工程实战的产出不是一张架构图，而是能通过发布门禁、形成项目证据、经受故障追问，并把暴露出的缺口送回下一轮工程改进。

区域三最终版使用简化发布门禁，避免在生成图片中用复杂回路线表达精确时序。成功规则是“固定集回归 → 灰度发布 → 指标通过 → 放量”，失败规则是“指标失败 → 回滚 → 失败样本回灌 → 再评测”；具体回归、灰度和回滚控制仍以正式系统设计文档及下方 Mermaid 为准。

3.6 LLM 独立图谱：从 Token 到生产推理 ​

图：专题｜LLM 从 Token 到生产推理知识图谱

替代文本： LLM 图谱从文本、Tokenizer、Token IDs 和 Embedding 的表示层开始，进入 Attention、FFN、残差归一化、Logits 和下一 Token 预测；训练区连接数据治理、预训练、SFT、偏好优化与评测反馈；推理区区分 Prefill、KV Cache、Decode、采样和结构化输出；服务区补充网关、调度、缓存、量化并行和可观测性，底部列出知识时效、幻觉、上下文窗口、延迟成本与安全边界。

LLM 从 Token 到生产推理知识图谱

读图结论： LLM 的生成能力来自 Token 表示、Transformer 和分阶段训练；生产可用性还取决于 Prefill/Decode、KV Cache、调度、评测与安全边界。

图中的五列是概念导航，不表示训练和在线推理发生在同一次请求中。Tokenizer 只负责把文本映射为离散 ID；模型通过训练后的参数和上下文进行下一 Token 预测。Prefill 处理已有上下文并建立缓存，Decode 则逐步生成新 Token；精确机制见 Token 与 Embedding、Attention 与 Transformer、LLM 预训练、微调与对齐和 LLM 推理与服务优化。

3.7 RAG 独立图谱：从数据治理到证据化回答 ​

图：专题｜RAG 从数据治理到证据化回答知识图谱

替代文本： RAG 图谱上半部分是离线索引链，覆盖数据源、解析与结构恢复、清洗去重、切块与父子块、Metadata、ACL、有效期、Embedding、稀疏与稠密索引和版本化发布；下半部分是在线问答链，覆盖 Query 改写、检索前置硬过滤、BM25 与 Dense ANN 分路召回、RRF 融合、Rerank、去重与多样性、上下文预算、LLM 和引用或拒答；右侧列出检索、答案、引用、系统和版本证据，底部给出检索为空与回答跑偏的排查路径。

RAG 从数据治理到证据化回答知识图谱

读图结论： RAG 正确性由数据、权限、召回、重排、上下文、生成和引用共同决定；Reranker 只能重排已召回候选，不能补回漏召回证据。

图中显式区分 k_recall、k_rerank 和 k_context，推荐关系是 k_recall > k_rerank >= k_context，但具体数值必须由标注集、Token 预算、延迟和成本共同确定。ACL 是检索前置硬过滤；异构通道先独立召回再融合。详细实现、横向选型与生产排障仍以 RAG 基础链路、RAG 检索优化和 RAG 评测与生产工程为准。

3.8 Agent 独立图谱：从模型决策到受控执行 ​

图：专题｜Agent 从模型决策到受控执行知识图谱

替代文本： Agent 图谱从目标和用户输入进入 Context，Context 汇集指令、工具 Schema、Checkpoint 状态和检索到的记忆；LLM 提出 Plan、Action 或 Final，确定性 Runtime 对 Schema、权限、预算和终止条件进行校验，合法动作才进入工具执行器和外部系统；Observation 更新状态与 Checkpoint，下一轮 Context 再读取该状态。最终答案走验证与引用路径，未授权、超时或结果未知走核对权威状态后再重试、降级或人工审批的恢复路径；底部列出安全治理与可观测证据。

Agent 从模型决策到受控执行知识图谱

读图结论： 模型只提出候选动作，真正掌握权限、状态、副作用、恢复和终止的是确定性 Runtime。

图中的长期记忆是受治理的外部存储，不是模型参数本身；检索结果进入 Context，写入则必须经过去重、权限、脱敏和元数据校验。结果未知时先核对外部权威状态，不能直接重放可能产生副作用的动作。精确循环与安全边界见 Agent 核心机制和 Agent 工程化与安全。

4. 依赖图谱：从基础到工程实战 ​

图：AI 学习主干的依赖与反馈图谱

替代文本： 数据、数学和编程基础进入机器学习，机器学习和深度学习形成模型底座，Transformer 与 LLM 连接 RAG 和 Agent；RAG 为 Agent 提供证据，LLM 为两者提供生成与决策能力；所有应用能力进入工程治理、系统设计、项目和面试，复盘结果再反馈到基础、数据和评测。

图表加载中…

读图结论： 学习路线有主方向，但不是一次性瀑布流程；项目和面试暴露的缺口必须反馈到数据、机制与评测，而不是只补一段话术。

这幅图比全景图片更强调依赖方向。RAG 与 Agent 不是 LLM 的替代品：RAG 负责外部证据，Agent 负责在受控运行时中选择行动，工程治理则横跨模型、检索、工具和项目交付。

5. 机制图谱：RAG 证据链 ​

图：RAG 从数据治理到证据化回答的知识图谱

替代文本： 离线链路将数据源经过解析、结构恢复、切块、元数据与 ACL、Embedding 和索引发布；在线链路将 Query 经过改写和权限过滤，分别进入词法与向量召回，再融合、重排、选择上下文并生成带引用答案。版本清单连接离线与在线，证据不足进入拒答或受控降级。

图表加载中…

读图结论： RAG 的正确性由数据、权限、召回、重排、上下文、生成和引用共同决定；Reranker 只能重排已召回候选，不能补回漏召回证据。

更完整的公式、代码、候选选型和故障排查见 RAG 基础链路、RAG 检索优化与 RAG 评测与生产工程。

6. 机制图谱：Agent 受控行动链 ​

图：Agent 从目标到受控终止的知识图谱

替代文本： 用户目标与当前状态组成上下文，模型提出候选动作，确定性 Runtime 校验 Schema、权限、预算和终止条件；合法工具调用进入执行器并产生观察，观察写回状态和 Checkpoint 后进入下一轮；最终答案经过验证返回，失败则进入受控重试、降级或人工审批。

图表加载中…

读图结论： 模型只提出候选动作，真正拥有工具权限、状态写入、副作用控制和终止权的是可审计的确定性 Runtime。

这幅图刻意把 LLM 与执行权限分开。Tool Calling 只是动作表达方式，完整 Agent 还需要循环控制、状态、恢复和终止；详细边界见 Agent 核心机制与 Agent 工程化与安全。

7. 工程图谱：生产治理六条主线 ​

图：生产级 AI 应用的工程治理知识图谱

替代文本： 生产级 AI 应用连接质量、可靠性、可观测性、性能、成本和安全六条治理主线；每条主线都对应可验证证据，版本与发布治理把模型、Prompt、语料、索引和工作流变化连接到回归、灰度与回滚。

图表加载中…

读图结论： “模型能回答”只覆盖质量的一小部分；生产可用性必须同时拿出可靠性、观测、性能、成本、安全和版本发布证据。

六条主线不是六个独立部门，而是同一次 Run 的不同证据视角。系统设计时应能从一个 request_id 追到输入、模型、Prompt、检索、工具、状态、成本和最终验收结果；详细实践见 AI 应用可观测性与 LLMOps与 AI 应用系统设计。

7.1 Agent + RAG + LLM 生产高可用参考架构 ​

架构结论｜ 生产高可用不是简单复制一个 Agent 服务，而是把无状态计算、持久状态、RAG 索引、模型调用和真实副作用拆成不同故障域：无状态服务跨可用区扩展，状态与索引按一致性要求复制，LLM 通过模型网关受控切换，工具副作用通过幂等、Outbox 和对账恢复。

图：教学总览｜Agent + RAG + LLM 生产高可用架构

替代文本： 生产高可用架构按五层展开：流量入口通过 Global DNS、WAF、负载均衡和 API Gateway 将请求分发到可用区 A、B 的 API 与 Agent Runtime；跨可用区服务共享持久化工作流、Session、Checkpoint、Memory DB 和版本化配置；Agent 分别调用 RAG 检索、LLM 模型和工具执行三个能力平面；离线数据经过解析、切块、ACL、Embedding、评测和版本化索引别名发布；OpenTelemetry 与跨区域灾备横跨状态、配置、对象和索引。RAG 在召回前执行 ACL，模型网关并行选择主、备用或受控本地模型，工具链在结果未知时先对账再恢复。

Agent、RAG 与 LLM 生产高可用架构总览

读图结论： 单个 Pod、节点、可用区、模型端点或索引版本失败时都需要明确接管路径；高可用的关键不是多画几个副本，而是让状态、证据、模型路由和真实副作用分别具备可验证的恢复策略。

这张 gpt-image-2 图片用于快速建立五层空间结构，已人工检查主标签、ACL 前置关系、模型并行候选路由、结果未知先对账和跨区域灾备边界。由于生成图片不适合承载全部精确连线，组件依赖和回写方向以下方 Mermaid 为准。

图：架构｜Agent + RAG + LLM 生产高可用组件边界

替代文本： 用户流量经过全局 DNS、WAF 和负载均衡进入两个可用区的 API 与 Agent Runtime 副本。Agent Runtime 依赖跨可用区的持久化工作流、Checkpoint、配置和缓存，分别调用 RAG 检索平面、LLM 模型网关和受控工具网关。RAG 在检索前执行租户、ACL 和 Metadata 硬过滤，再进行词法与向量召回、融合、重排和证据门禁；模型网关按健康度、能力和预算在主模型、备用模型与受控本地模型间路由；工具网关通过权限、幂等键、Outbox 和权威状态对账控制副作用。离线索引链以版本化别名原子发布，观测与灾备横跨所有平面。

图表加载中…

读图结论： 高可用的核心是让任何单个 Pod、节点、可用区、模型端点或索引版本失败时都存在明确接管路径，同时避免重试把故障放大为重复副作用、请求风暴或跨租户数据泄漏。

这是一张厂商中立的生产参考架构，不是已经压测通过的项目事实。落地时至少补齐以下验收证据：跨可用区副本和 PodDisruptionBudget、工作流与数据库仲裁恢复、索引版本原子切换、模型端点熔断降级、工具副作用幂等与结果对账、按 request_id + tenant + model/prompt/index/workflow version 串联的 Trace，以及按业务定义并演练的 RPO、RTO 和降级能力集。

这里的高可用边界也必须说清：PodDisruptionBudget 只约束自愿中断，不能防止全部故障；多可用区不等于跨区域容灾；双模型路由只能提高调用可用性，不能保证答案质量等价；RAG 主索引不可用时可切只读副本、词法检索或拒答，但不能绕过 ACL；外部工具返回“结果未知”时先查权威状态，不能盲目重试。

8. 面试图谱：从会背到可验证表达 ​

图：AI 面试回答的层级与证据图谱

替代文本： 一个主题先形成定义、机制和边界三句 30 秒回答；面试官随后从原理、实现、工程、架构和项目复盘继续追问。每层回答都要连接代码、数据、日志、Trace、评测或项目产物，答不清的节点进入复习与实践，再回到闭卷复测。

图表加载中…

读图结论： 面试深度不是把答案说得更长，而是每次追问都能下钻到真实机制、工程证据和适用边界。

复习时不要顺着图背节点。先闭卷输出三句短答，再让专项题的 L1～L7 追问暴露缺口；具体训练入口见 AI 知识专项面试题库。

9. 图谱索引与使用方法 ​

图谱最适合解决的问题使用时机详细单一事实源
AI 知识体系全景图我现在学的内容位于哪里初学、周复盘、选学习入口AI 知识体系记忆脑图
学习依赖图谱前置知识和后续应用怎样连接制定路线、定位知识断层16 周 AI 面试导向学习计划
LLM 独立图谱从表示、训练到在线推理怎样衔接LLM 总复习、推理服务分析LLM 推理与服务优化
RAG 证据链图谱回答错误可能在哪一层产生学习 RAG、线上排障RAG 系列
Agent 受控行动图谱模型决策和真实权限怎样分开Agent 设计、安全审查Agent 核心机制
工程治理图谱Demo 距离生产还缺什么证据上线评审、系统设计AI 应用系统设计
面试证据图谱怎样从短答进入原理和项目追问模拟面试、项目复盘专项题库

建议按以下方式使用：

  1. 先选图： 明确当前要解决的是定位、机制、工程还是表达问题；
  2. 再闭卷： 遮住图，先画主节点和关键边；
  3. 补证据： 为每个关键节点补一个公式、代码、日志、指标或项目产物；
  4. 查边界： 主动寻找权限、版本、失败、降级、成本和不适用条件；
  5. 回正文： 打开正式主题核对，不用图谱替代细节学习；
  6. 做复测： 在第 1、3、7、14、30 天重新画图并口述。

10. 维护与验收规则 ​

新增图谱时执行以下检查：

  • 图必须回答一个明确的理解难点，不能只换标题复用通用拓扑；
  • 节点使用短标签，复杂定义、公式和边界放在图下正文；
  • 连线要能说明是依赖、数据流、控制、反馈还是证据关系；
  • 每张图都有图题、替代文本、读图结论和正文解释；
  • 生成图片人工检查中文、箭头、组件和技术事实，精确关系优先用 Mermaid；
  • 新图链接回正式主题的单一事实源，不在本专题复制完整正文；
  • 主题或路径变化后同步检查相对链接、索引、渲染和事实边界；
  • 交付前运行仓库插图、样式及其回归门禁。

11. 实践任务 ​

  • [ ] 用 90 秒口述全景图的三组结构、八条主干和五项工程闭环；
  • [ ] 不看文档重画学习依赖图，并解释为什么 RAG 与 Agent 都依赖 LLM 但职责不同；
  • [ ] 在 RAG 图上标出一次“检索为空”的排查顺序和需要记录的版本；
  • [ ] 在 Agent 图上圈出模型不能直接拥有的权限、状态和副作用；
  • [ ] 任选一个真实项目，用工程治理六条主线列出已有证据与缺失证据；
  • [ ] 从专项题库抽一题，沿面试证据图回答到 L7，并记录第一次说不清的节点。

12. 相关知识与证据边界 ​

本专题中的 Mermaid 是对现有正式主题的跨主题导航性提炼，不新增动态模型版本、价格、性能榜单或项目实测结论。八张 PNG 产物已检查尺寸、格式、主要文字和方向关系；其中 Agent 图经过一次主循环箭头修正，生产高可用图保留 Mermaid 作为精确关系底稿。更细粒度的机制、组件选型和故障结论以链接的正式主题为准。

13. 总结 ​

一句话记忆： 用全景图确定位置，用机制图理解运行，用工程图检查生产证据，用面试图验证自己能否讲清和落地。

  • 本专题是视觉导航与复习工具，不是语义知识图谱系统或新的正式技术主题；
  • 全景图与三张区域子图把八条主干连成学习路线，LLM、RAG、Agent 三张独立专题图继续下钻到各自核心链路；
  • RAG 与 Agent 图分别强调证据链和受控行动链，不能把检索、生成和权限混为一体；
  • 组合架构把多可用区、持久状态、检索证据、模型故障切换和工具副作用恢复放进同一故障边界，并要求质量、可靠性、观测、性能、成本和安全同时有证据；
  • 真正掌握要经过闭卷重画、正式主题核对、项目证据和 L1～L7 复测。