Day 13 ✅ 今天做了：过了一遍RAG检索增强的面试题。 只能说第一遍有个印象，明天还需要再过一遍

Day 12 ✅ 今天做了： 1、了解了多模态相关概念，包括语音识别（ASR），语音合成（TTS），OCR，视觉语言模型（VLM，看图说话），AI图像生成（扩展模型，从噪声中逐步去噪生成图片）。 2、Harness框架，相当于给Agent提供了一整套基础设施。 3、回顾了vibe coding的经验技巧

四月第三周(4月13日 - 4月19日) - 周报

本周重点是完成了Ai基础概念的学习与回顾；其中比较总结性的问题： 1、Agent应用在生产环境中面临的问题： 延迟和成本（多步工具调用每步都要调 LLM）、可靠性（模型可能选错工具或陷入死循环）、安全性（工具权限控制、防止恶意操作）、可观测性（多步执行链路的日志和追踪）、幂等性（工具操作失败后的重试和回滚）。生产系统必须给 Agent 加上最大步数限制、超时机制、人工审核断点和完整的调用链路追踪。 2、用一条主线把机器学习到Agent整个体系串起来： 机器学习让机器从数据中学规律 → 深度学习用神经网络自动提取特征 → Transformer 用注意力机制解决了并行和长距离依赖 → 预训练让模型获得海量知识 → 指令微调教模型听话 → RLHF/DPO 让模型靠谱 → Scaling Law 驱动模型越做越大 → MoE 让"做大"的成本可控 → 提示词工程教你怎么跟模型对话 → RAG 让模型能查外部知识 → 微调让模型变成领域专家 → Agent 让模型从"能说"变成"能做" → MCP/A2A/Skills 构建工具连接和协作标准 → LangChain4j/Spring AI/LangGraph 把这一切封装成框架。这就是后端开发者转型 AI 应用开发需要掌握的完整技能树。

Day 11 ✅ 今天做了：再次过了一遍AI大模型面试通关120问；继续学习Vide Coding的项目实战。

Day 10 ✅ 今天做了：快速过了一遍AI大模型概念+面试通关120问

Day 9 ✅ 今天做了：大体过了大模型微调技术的相关概念

Day 8 ✅ 今天做了： 1、LangGraph的图结构天然支持多Agent，通过条件边和子Agent节点实现 2、多Agent生产上实践：性能方便采用并行+流式输出+模型路由+缓存优化；成本方面采用模型分级+Token控制+语义缓存+限制步数优化；安全方面采用输入输出过滤+工具的最小权限限制+工具的参数验证+敏感操作确认优化；监控方面采用全链路日志+告警优化；部署方面采用熔断+降级策略+多模型备份优化；测试要采用每个工具单元测试+集成测试+红队测试来保证全面验证

Day 7 ✅ 今天做了： 1、大体梳理了LangGraph工作流编排的概念以及应用； 2、vibe Coding又一次强化了ai开发的流程 ⏰ 明天计划：学习多Agent系统与生产实践，还有时间的话继续学习大模型微调技术以及vide Coding的实战经验 📚 今日感悟：需求调研、需求文档、设计文档、提示词多会话编程。大体归结出目前传统开发工作能适用的流程，争取在目前工作中熟练使用这个流程

Day 6 ✅ 今天做了： 1、整体捋顺了Agent的概念与架构 2、LangChain4j：声明式开发，用定义接口的方式构建AI应用；框架封装好了RAG引用来源方便直接获取；chatMemoryProvider支持多轮对话记忆；Listener实现可观测性 3、Spring AI：ChatClient API提供API链式调用；Advisors提供增强逻辑功能；Actuator+Micrometer支持可观测性 ⏰ 明天计划：学习工作流编排与LangGraph，并且把这几天学习的框架内容结合实践进行学习 📚 今日感悟：今天时间安排有点紧凑，没有太多时间学习，争取每天多抽点时间来学习

Day 5 ✅ 今天做了： 1、完成大模型底层工作原理的回顾 2、提示词技巧的学习：应用到我自己平时的工作中就是：明确角色定位；描述好需求背景以及需求；提供参考信息；限制输出格式以及输出要求；用分隔符划清边界；同时注意优化（few-short以及思维链提示和拆分任务） 3、RAG：再次巩固了RAG的原理，注意到向量索引用到的是近似最近邻（ANN）算法； ⏰ 明天计划：原本是想的今天把ai概念全过完，发现还是不能追求速度，慢慢来吧，明天学习agent的概念与架构 📚 今日感悟：特别注意到RAG的工程上的应用！简历上可以优化