LEARNING PATH

AI application development

Build maintainable AI applications from requirements and structured outputs through retrieval, evaluation, safety, and release.

← Back to knowledge center
Reading progress0%0/10 completed
Continue reading →
01

AI application development

Build maintainable AI applications from requirements and structured outputs through retrieval, evaluation, safety, and release.

Open collection
TUTORIAL_CHAPTERAI 应用需求拆解:先定义边界与失败 (original language)

把模糊的 AI 需求拆成输入、输出、证据、人工介入和不可做事项。

Open collection →
TUTORIAL_CHAPTER结构化输出与工具调用:把模型接入业务代码 (original language)

使用 schema 校验模型输出,隔离工具权限和业务副作用。

Open collection →
TUTORIAL_CHAPTER应用内 RAG:检索、引用与权限过滤 (original language)

把检索结果变成可追溯上下文,避免把无权限文档送给模型。

Open collection →
TUTORIAL_CHAPTERAI 应用测试:事实、行为与安全三层回归 (original language)

建立固定样本和程序断言,持续发现答案、工具轨迹和权限回归。

Open collection →
TUTORIAL_CHAPTER安全与隐私:输入过滤、最小权限与审计 (original language)

在模型调用前后建立敏感信息、提示注入和越权防线。

Open collection →
TUTORIAL_CHAPTER生产运维:延迟、成本、缓存与人工接管 (original language)

把模型、检索和工具调用纳入可观测、可限流、可回滚的运行流程。

Open collection →
cases实战:FastAPI 结构化 AI 接口 (original language)

用 Pydantic schema、错误码和人工确认状态搭建可测试的应用接口。

Open collection →
cases实战:带权限过滤的本地 RAG 服务 (original language)

用 SQLite FTS 验证角色过滤、来源引用、无结果和删除语义。

Open collection →
TUTORIAL_CHAPTERAI 应用流式输出与部分失败:让用户看见真实状态 (original language)

设计可取消的流式响应、超时和部分失败状态,避免把等待伪装成成功。

Open collection →
cases实战:AI 应用流式中断与恢复提示 (original language)

在本地事件流中模拟断网、取消和重试,确保 UI 不把半截结果当作完成。

Open collection →
7 chapters3 cases
Product Hub Demo · V0.3