AI 工程实践
简介
AI 技术在企业落地中的工程实践笔记,涵盖检索增强生成、可观测性等方向。
📚 学习路径
LangChain基础 → RAG基础 → 文档处理 → 检索策略 → 生成优化 → 可观测性📁 内容模块
LangChain 开发框架
| 章节 | 内容 |
|---|---|
| 概述 | 核心概念、组件架构、快速开始、生态系统 |
RAG 检索增强生成
| 章节 | 内容 |
|---|---|
| 核心概念 | RAG架构、核心组件、工作流程 |
| 文档处理 | 文档加载、文本分割、向量化、存储 |
| 检索策略 | 基础检索、高级策略、元数据过滤、检索优化 |
| 生成优化 | 问答链、提示词工程、自我修正、流式输出 |
| 评估监控 | 评估指标、监控系统、A/B测试、持续改进 |
可观测性
| 章节 | 内容 |
|---|---|
| 概述 | 三大支柱、核心概念 |
| 日志系统 | 结构化日志、Agent日志、ELK Stack |
| 指标系统 | Prometheus指标、Grafana可视化、告警规则 |
| 追踪系统 | OpenTelemetry、分布式追踪、Jaeger |
| 告警系统 | 告警规则、通知渠道、告警管理 |
🛠️ 技术栈
- 框架: LangChain、LlamaIndex
- 向量数据库: Pinecone、Milvus、FAISS
- LLM: OpenAI、Anthropic、LLaMA
- 监控: Prometheus、Grafana、OpenTelemetry
- 日志: ELK Stack、Loki
- 追踪: Jaeger、Zipkin