学习路线
AI 应用开发
从需求拆解、结构化输出、检索增强到评测、安全和发布,构建可维护的 AI 应用。
← 返回知识中心
阅读进度0%0/10 已完成
继续阅读 →01
打开专题AI 应用开发
从需求拆解、结构化输出、检索增强到评测、安全和发布,构建可维护的 AI 应用。
TUTORIAL_CHAPTERAI 应用需求拆解:先定义边界与失败
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。
打开专题 →TUTORIAL_CHAPTER结构化输出与工具调用:把模型接入业务代码使用 schema 校验模型输出,隔离工具权限和业务副作用。
打开专题 →TUTORIAL_CHAPTER应用内 RAG:检索、引用与权限过滤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。
打开专题 →TUTORIAL_CHAPTERAI 应用测试:事实、行为与安全三层回归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。
打开专题 →TUTORIAL_CHAPTER安全与隐私:输入过滤、最小权限与审计在模型调用前后建立敏感信息、提示注入和越权防线。
打开专题 →TUTORIAL_CHAPTER生产运维:延迟、成本、缓存与人工接管把模型、检索和工具调用纳入可观测、可限流、可回滚的运行流程。
打开专题 →案例实战:FastAPI 结构化 AI 接口用 Pydantic schema、错误码和人工确认状态搭建可测试的应用接口。
打开专题 →案例实战:带权限过滤的本地 RAG 服务用 SQLite FTS 验证角色过滤、来源引用、无结果和删除语义。
打开专题 →TUTORIAL_CHAPTERAI 应用流式输出与部分失败:让用户看见真实状态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。
打开专题 →案例实战:AI 应用流式中断与恢复提示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。
打开专题 →