主题
AI 大模型技术栈总览
一句话机制：AI 应用 = 大模型（会接龙的概率机） + 三层工程封装——Prompt（把需求变成概率约束）→ Agent（给模型配上记忆/工具/拆解让它「做事」）→ 协议与框架（MCP/Skills/A2A 负责连接与知识、LangChain 等负责编排）。自底向上共六层，每层解决一个独立问题。
全景分层（自底向上）
| 层 | 解决什么问题 | 核心概念 | 对应概念卡 |
|---|---|---|---|
| 原理层 | 模型为什么会「说话」 | 神经网络、损失函数、梯度下降、激活函数、Embedding、Attention、Transformer | 概念卡片：大模型与Transformer原理 |
| 交互层 | 怎么让模型按我的意图输出 | Prompt 五要素、CoT、Few-shot | 概念卡片：Prompt工程 |
| 智能体层 | 怎么让模型「做事」而非「答话」 | LLM+Memory+Tools+Planner+Executor 五要素 | [概念卡片：AI Agent](./概念卡片：AI Agent) |
| 协议层 | 模型怎么连工具、连别的 Agent | MCP（对物）、Skills（知识）、A2A（对智） | 概念卡片：MCP与Agent协议 |
| 框架层 | 怎么高效编排 LLM 应用 | LangChain 六组件、Spring AI、Dify | 概念卡片：LLM应用框架 |
| 工具层 | 用什么编辑器/平台落地 | Claude Code、Cursor、Agent 框架选型 | 概念卡片：AI编程工具、[对比分析：AI Agent框架选型](./对比分析：AI Agent框架选型) |
一条主线串起全部源稿
20 篇 raw 源（B40-资源/语雀-Code-Summary/AITech/）不是「一个主题重复多次」的面试堆，而是 AI 工程全景的一块块拼图，各不重复：
- 原理 1 篇：从神经网络原理、Transformer 模型演进、到代码工程实现
- Prompt 1 篇：Prompt工程
- Agent 5 篇：AIAgent指南 / 2025年Agent开发框架选型 / 初识OpenClaw / OpenClaw和AIAgent有什么区别 / OpenClaw的架构设计与运行原理
- 协议 3 篇：MCP与AgentSkills的关系 / ClaudeSkillsvsMCP / 谷歌Agent2Agent(A2A)协议
- 编程工具 4 篇：AI编程工具 / ClaudeCode完全指南 / ClaudeCodeSpecWorkflow指南 / Cursor实战（+ Antigravity 安装）
- 应用框架 3 篇：LLM应用框架LangChain / SpringAI入门之DeepSeek调用 / 想搭建知识库？Dify、MaxKB、Pandawiki
- 应用（边缘） 2 篇：AI交易 / AI应用ComfyUI（业务向，未单独成卡）
三个贯穿全栈的「不变量」
- 模型只会「接龙」不会「思考」：LLM 在任意位置都是预测下一个最可能的 token，靠概率分布驱动。理解了这一条，Prompt/Agent/MCP 的设计逻辑全部自洽。
- 连接性 ≠ 能力：能连上工具（MCP）不等于会用工具（Skills），能访问数据库（MCP）不等于知道怎么查「话语权最高的员工」。这是协议层分层的根本原因。
- AI 应用是「概率系统」不是「确定系统」：输出有随机性，所以 Prompt 需要约束、Agent 执行会「卡住/误判」、复杂任务需要 CoT 展开推理。工程手段都是在「收窄概率、兜底不确定性」。
关联
- 域地图：人工智能
- 源：
B40-资源/语雀-Code-Summary/AITech/（20 篇）