专注于大模型（LLM）技术栈，深入理解 Transformer 架构、预训练与微调原理，保持对前沿技术的敏锐嗅觉。
从 Prompt 工程到 Agent 编排，从 RAG 检索增强到 MCP 协议接入，动手搭建可落地的 AI 应用方案。
将学习过程系统化沉淀，通过文档、案例与项目，与社区共同成长，让 AI 技术更易理解与应用。
RAG（Retrieval-Augmented Generation）通过将外部知识库与大模型结合， 解决模型知识滞后、幻觉严重、无法访问私有数据等核心痛点。 它是当前企业落地大模型最成熟的方案。
PDF、Word、Markdown 等多格式解析，智能分块与向量化
基于 Embedding 向量的高精度语义匹配，支持混合检索
将检索结果注入 Prompt，显著提升回答准确性与可信度
每个回答附带来源引用，支持知识溯源与可信验证
Skill 是封装好的大模型能力单元，将 Prompt 设计、工具调用、输出处理 打包为标准化、可复用的组件。好的 Skill 设计，是构建复杂 AI 应用的基石。
结构化提示词设计，涵盖 Few-shot、CoT、ReAct 等高级技巧
将复杂任务拆解为原子能力，标准化输入输出与异常处理
多个 Skill 灵活组合，构建端到端的业务工作流
建立量化评估体系，持续优化 Skill 的稳定性与准确性
MCP（Model Context Protocol）是大模型连接外部世界的标准化协议。 它定义了模型如何安全、高效地访问数据库、调用 API、操作文件系统， 是构建工具增强型 AI 应用的关键基础设施。
统一的接口规范，一次开发，多模型多客户端通用
数据库、文件系统、第三方 API，一键接入模型上下文
模型自主决策何时调用何工具，实现真正的 Function Calling
权限控制与沙箱机制，保障外部资源调用的安全性
Agent 是大模型应用的高级形态，具备自主感知、规划、决策与执行能力。 它不再只是回答问题，而是能够拆解复杂目标，调用工具完成任务， 在行动中观察反馈并持续优化策略。
将复杂目标拆解为可执行步骤，动态调整执行路径
自主选择并调用合适的工具，完成搜索、计算、代码执行等任务
短期记忆与长期记忆结合，保持上下文连贯与经验积累
基于执行结果进行自我反思，持续优化决策与行动策略
系统化的学习阶梯，每一步都扎实前行
理解大模型基本原理，掌握 Prompt 工程核心技巧，建立对 LLM 能力边界的清晰认知。
深入学习 RAG 架构，实践文档处理、向量检索与上下文工程，构建私有知识问答系统。
掌握 MCP 协议与 Function Calling，让大模型连接外部工具与数据源，突破能力边界。
综合运用 Skill、RAG、MCP，构建具备自主规划与执行能力的 Agent 系统，解决真实业务问题。
关注性能优化、成本控制、安全治理与效果评测，将 AI 能力稳定地交付到生产环境。