✅ 今天做了：学习AI大模型概念与120道面试题 ⏰ 明天计划：继续巩固面试题与学习扩展内容 多模态 📚 今日感悟：这章内容是对前面所学章节的重点进行总结，并以面试题形式呈现，需要多次巩固熟练。

Day 1 ✅ 今天做了：学习第11章 大模型微调技术 ⏰ 明天计划：学习 AI大模型概念+面试通关120问 📚 今日感悟：1. 微调(Fine-tuning)可以让大模型按照需求来专精你想让它会的，可以对其进行定制与知识注入。是在原有的提示词工程以及RAG的基础上，更深入的定制所需的大模型。实际生产应用中，微调和提示词工程以及RAG可以进行互补，所负责的层面不一样。 2. 对大模型的微调，预训练是为了让大模型获取“知识”，指令微调可以让大模型听懂问题，对齐则是让大模型的回答使我们所需要的结果。 3. 高效微调技术中，LoRA技术(即Low-Rank Adaptation 低秩适配)的优势在于推理时没有往外的计算花销，并且效果接近全量微调，同时可以叠加多个LoRA用于不同的任务，参数量极小很灵活。 4. LLaMA-Factory是目前最流行的一站式微调工具，一次完整的微调标准流程为：选择基座模型->准备训练数据->选择微调方法->配置训练参数->开始训练->评估效果->导出与部署。

Day 9 ✅ 今天做了：学习第10章 多Agent系统与生产实践 ⏰ 明天计划：学习第11章 大模型微调技术 📚 今日感悟：完整学习Agent系统化知识开发体系

Day 8 ✅ 今天做了：学习第9章 工作流编排与LangGraph ⏰ 明天计划：学习第10章 多Agent系统与生产实践 📚 今日感悟：1. 之前学习的LangChain4j和Spring AI的属于线性流程，不能有效处理复杂的业务场景。工作流编排框架 LangGraph 的出现就是以图结构解决链结构解决不了的问题。 2. LangGraph中主要包含State(图中所有节点共享的数据容器)、Node(执行单元)、Edge(执行路径)。 3. LangGraph还可以执行复杂控制流，例如循环、并行执行、子图。并且支持通过Checkpoints与Breakpoints进行保存和暂停便于人工介入操作。

Day 7 ✅ 今天做了：学习第7章：LangChain4j和第8章：Spring AI ⏰ 明天计划：学习第9章：工作流编排与LangGraph 📚 今日感悟：1. LangChain4j 的定位是面向 Java 生态的 AI 应用开发框架，强调声明式开发，开发者通过“接口 + 注解”就能快速搭建 AI 服务。它的核心模块包括 AI Service、结构化输出、工具调用、RAG、对话记忆、Guardrails、流式输出和可观测性。 2. 开发者不需要手写大量底层调用逻辑，只要定义接口、写上 @SystemMessage、@UserMessage 等注解，就可以快速生成一个可用的 AI 应用。 3. LangChain4j 更像一个 AI 应用装配框架，而不是零散功能集合。它的价值不在单个特性，而在于可以通过 AiServices.builder() 把模型、工具、RAG、记忆、安全护栏等能力组合成一个完整的 AI 助手。 4. LangChain4j 有助于帮助开发者把模型能力接入业务流程，但是开发者仍需对业务和架构有完整的思考。 5. 与LangChain4j 相同的，Spring AI也可以通过Maven直接引入，不同点则在于Spring AI对于Spring原生的框架(例如Spring Security、Actuator等)兼容更好，LangChain4j 则是更加简洁灵活。 6. 实际开发中，LangChain4j 与Spring AI往往都是搭配使用。用Spring AI作为主应用，部分独立的AI微服务用LangChain4j。

Day 6 ✅ 今天做了：学习第6章 Agent 核心概念与架构总览 ⏰ 明天计划：学习第7章 LangChain4j 📚 今日感悟：1. 大模型本身只会“生成文字”，而 Agent 通过工具调用、自主决策和记忆机制，把模型升级成能执行任务的“助手” 2. 决定 Agent 上限的，不只是模型，而是“模型 + 工具 + 流程”的系统设计。 3. 当前 Agent 生态中的三类重要标准：MCP、A2A、Skills。MCP 负责 Agent 与工具/数据源的连接，A2A 负责 Agent 与 Agent 之间的协作，Skills 负责沉淀专业任务流程与知识。

Day 5 ✅ 今天做了：学习第5章 RAG ⏰ 明天计划：学习第6章 Agent 核心概念与架构总览 📚 今日感悟：1. RAG是在提示词工程的基础上，解决大模型“幻觉”以及知识边界的问题。即让大模型在回答之前先去知识库里查资料，基于真实文档生成回答，而不是瞎编。 2. RAG 的核心流程（四步）文档切割（Chunk）-> 向量化（Embedding）-> 检索匹配（相似度搜索）-> 基于资料生成回答 3. RAG的上限往往更看重数据质量，而不是模型的能力

Day 4 ✅ 今天做了：学习第4章 提示词工程 ⏰ 明天计划：学习第5章 RAG 📚 今日感悟：1. 警惕大模型的“幻觉”，提示词需要包含清晰的目标、充分的背景信息和明确的输出要求，例如通过提示词设定大模型的身份，将大的任务需求拆分成详细的步骤等等。大模型才能精准的回答你所需要知道的答案。 2. 谨慎设置提示词，例如用分隔符区分“安全边界”，但是要注意分隔符并不是万能的。 3. 提示词并不是越长越好，需要有效的信息密度。并且通过反复的测试和调整出来的提示词，才能让大模型更好的理解需求。

Day 1 ✅ 今天做了：学习第3章 大模型崛起与前沿技术 ⏰ 明天计划：学习第4章 提示词工程 📚 今日感悟：1. 大模型主要体现在，数据量突破某个临界点后，出现的能力，如上下文学习、推理能力等。 2. AI发展的过程中，不仅是理论的突破，更是系统工程能力的比拼。 3. AI发展的关键在于，从知识学习转向推理能力，思考比知识储备更重要。

Day 1 ✅ 今天做了：学习第二章 Transformer架构 ⏰ 明天计划：学习第三章 大模型崛起与前沿技术 📚 今日感悟：1. Transformer抓住了RNN的两个根本问题，用注意力机制从底层思路上重构了解决方案。 2. 注意力机制的本质是信息筛选的能力，学会对信息分配权重。 3.Transformer的语言理解能力主要是靠注意力、前馈网络、位置编码等模块反复堆叠。