RAG08：引用溯源

理解引用溯源的核心机制，包括答案证据提取、来源片段标注、可信度提示和拒答策略，提升 RAG 系统的可靠性和可解释性。

RAG07：重排序

理解重排序的核心机制，包括Cross Encoder、规则重排和上下文压缩，提升检索结果的准确性和相关性。

RAG06：混合检索

结合关键词检索、向量检索、结构化条件和业务过滤，理解混合检索的策略和实现方式，提升检索的全面性和准确性。

RAG05：向量检索

理解向量检索的核心机制，包括TopK检索、召回率优化、相似度阈值控制和噪声过滤，构建高质量的检索系统。

RAG04：知识更新

从增量索引、失效清理、版本回滚到冷启动，理解如何保持知识库的时效性和准确性。

Prompt工程08：安全边界

从敏感信息脱敏、权限隔离、外部资料可信度到输出过滤，理解如何在使用大模型时建立安全边界。

Prompt工程07：排障上下文

从日志、指标、Trace到复现步骤和影响面，理解如何为模型提供有效的排障上下文。

RAG03：向量化

从Embedding模型选择、向量维度、批处理到版本管理，理解如何将文本转换为向量表示。

RAG02：切分策略

从按章节、语义、代码块到业务对象切分，理解如何将文档切分为合适的检索单元。

RAG01：文档解析

从PDF、网页、Markdown、表格到图片内容抽取，理解如何将非结构化文档转换为可检索的知识。

Prompt工程06：文档上下文

从PRD、设计文档、接口文档到历史决策，理解如何为模型提供有效的文档上下文。

Prompt工程05：代码上下文

从仓库结构、关键文件、接口契约到变更范围，理解如何为模型提供有效的代码上下文。

Prompt工程04：迭代追问

从模糊需求到可执行任务的拆解路径，理解如何通过追问逐步明确目标和约束。

Prompt工程03：示例驱动

从 Few-shot、反例、边界样例到格式锚定，理解如何用示例引导模型输出高质量结果。

Prompt工程02：上下文组织

从背景资料、代码片段、日志、约束条件的优先级，理解如何组织有效的上下文给大模型。

01：Codex 使用技巧

AI 编程技巧系列第一篇：Codex 使用技巧。

产品落地08：持续运营

从场景指标、用户反馈、知识维护到版本迭代，建立AI产品的持续运营体系。

产品落地07：失败体验

从拒答、降级、重试、转人工到错误恢复，设计优雅的AI失败体验。

产品落地06：信任设计

从引用来源、置信提示、可解释过程到人工确认，设计让用户信任的AI产品。

Prompt工程01：任务定义

从角色、目标、输入、输出、验收标准，理解如何定义一个清晰的任务给大模型。

产品落地05：交互设计

从输入引导、流式反馈、可编辑答案到重新生成，设计用户友好的AI交互体验。

产品落地04：ROI估算

从模型成本、人力节省、失败成本到维护成本，全面计算AI功能的投资回报率。

产品落地03：价值评估

从节省时间、降低门槛、提升质量和创造新体验四个维度，评估AI功能的业务价值。

产品落地02：不适合AI的场景

识别强确定性、强合规、低容错和可规则化问题等不适合AI的业务场景，避免盲目投入。

产品落地01：适合AI的场景

识别非结构化输入、知识密集、重复判断和辅助决策等适合AI发挥优势的业务场景。

模型边界04：开源与闭源模型

从效果、成本、部署、隐私和生态支持的取舍，理解开源模型和闭源模型的适用场景。

模型边界03：多模态能力

从文本、图片、语音、视频输入的适用场景，理解多模态模型的能力边界和使用方法。

模型边界02：推理与检索

从模型记忆、外部知识、RAG 到工具调用，理解推理和检索的职责边界，以及如何让模型在合适的场景使用合适的能力。

模型边界01：幻觉来源

从训练数据、上下文缺失、采样随机性到错误归纳，理解大模型为什么会产生幻觉，以及如何减少幻觉。

模型基础05：Embedding

从向量表示、语义相似度、向量空间的边界到常用模型，理解 Embedding 为什么是 RAG 和语义搜索的基础。

工程化08：数据闭环

从用户反馈、答案修正、知识更新到效果复盘，建立AI应用的持续改进数据闭环。

模型基础04：大模型工作方式

从 Token 化、上下文窗口、采样参数到指令遵循，理解大模型是如何处理输入并生成输出的。

模型基础03：Transformer

从 Attention 机制、位置编码、编码器-解码器架构到上下文建模，理解 Transformer 为什么能成为大模型的基础架构。

模型基础02：深度学习基础

从神经网络结构、反向传播算法、表示学习到参数规模，理解深度学习为什么能从数据中自动学习特征。

模型基础01：机器学习基础

从训练与推理的区别、特征工程、过拟合与泛化，到评估指标和常见算法，理解机器学习的核心概念和适用边界。

工程化07：安全防护

从提示注入、越权访问、敏感信息到内容安全，构建AI应用的完整安全防护体系。

工程化06：可观测性

从Prompt、上下文、模型、耗时、成本到失败原因，全面记录和分析AI应用的运行状态。

工程化05：评测体系

从离线测试集、线上抽检、人工标注到指标追踪，建立完整的AI应用评测体系。

工程化04：灰度发布

从模型版本、Prompt版本、策略开关到回滚机制，掌握AI应用的灰度发布策略。

工程化03：性能优化

从首字延迟、并发池、队列削峰到长任务异步化，全面优化大模型应用的性能表现。

工程化02：成本控制

从Token预算、缓存策略、模型分层到请求合并，掌握大模型应用的成本优化策略。

工程化01：模型API接入

从流式输出、超时控制、重试、幂等到降级，掌握生产环境下接入大模型API的关键工程实践。

AI编程08：Code Review

从风险扫描、性能隐患、安全问题到可维护性建议，理解如何使用AI辅助代码审查提升代码质量。

AI编程07：测试生成

从单测、集成测试、边界用例到回归清单，理解如何使用AI自动生成高质量测试用例。

AI编程06：代码阅读

从快速建立模块地图、调用链分析到变更影响面评估，理解如何使用AI高效阅读和理解代码。

AI编程05：需求澄清

从口头需求拆成边界、验收和风险点，理解如何使用AI帮助澄清和细化需求。

AI编程04：Claude Code/CLI工具

从命令行Agent、仓库级修改、长任务上下文保持到批量代码生成，理解如何使用CLI工具提升开发效率。

AI编程03：Cursor/IDE助手

从局部补全、项目问答、重构到测试生成，理解如何高效使用AI增强的IDE工具提升开发效率。

AI编程02：Codex工作流

把Codex当成结对工程师使用，建立从需求分析到代码交付的完整工作流，而不是只让它生成一段代码。

AI编程01：Codex使用技巧

从任务拆分、上下文提供、结果验收三个维度，掌握如何高效使用Codex提升日常开发效率。

Agent08：运营助手

理解运营助手 Agent 的工作原理，包括素材生成、活动配置、效果复盘和风险拦截，提升运营效率和效果。

Agent07：研发助手

理解研发助手 Agent 的工作原理，包括需求分析、代码变更、测试执行和发布检查，提升研发效率。

Agent06：客服助手

理解客服助手 Agent 的工作原理，包括意图识别、知识检索、工单流转和兜底转人工，构建智能客服系统。

Agent05：自动报表

理解自动报表 Agent 的工作原理，包括数据查询、解释生成、异常提示和人工审核，让数据报表能够自动生成和分发。

Agent04：多 Agent 协作

理解多 Agent 协作的机制，包括分工、仲裁、冲突处理和结果合并，让多个 Agent 能够协同完成复杂任务。

Agent03：状态管理

理解 Agent 的状态管理能力，包括短期上下文、长期记忆、任务进度和中间产物，让 Agent 能够处理长时任务和多轮对话。

Agent02：任务规划

理解 Agent 的任务规划能力，包括目标拆解、步骤生成、执行反馈和计划修正，让 Agent 能够处理复杂的多步骤任务。

Agent01：工具调用

理解 Agent 的工具调用能力，包括函数调用、API 编排、参数校验和权限边界，让 Agent 能够与外部系统交互。

Codex 使用笔记 01：先把它当成结对工程师

Codex 系列第一篇：从使用心态、任务拆分、上下文提供和结果验证开始，记录我会如何把 Codex 放进日常开发流程。