AI 时代的工程师能力

一句话定位

这一模块不把 AI 名词（Prompt / RAG / MCP / Agent）堆成清单，而是按**“用 AI 干活 → 理解 AI 原理 → 把 AI 工程化”**一条能力主线展开：

先用 AI 提效（辅助开发）→ 再理解机制（Prompt / tool calling / memory / workflow）→ 最后工程化落地（SSE / RAG / Agent 架构 / MCP 安全）。

读完后，应该能把 AI 从“会生成代码的工具”升级为“能协助理解、规划、验证、调试、对比方案”的工程放大器。

模块目标

把 AI 从“会生成代码的工具”升级为“能协助理解、规划、验证、调试、对比方案”的工程放大器。

本模块要回答的问题

• 如何把需求拆成机器可执行任务？
  • 一句话答：把模糊目标拆成可验证步骤（读代码 → 改 → 跑 → 验证），每步有明确输入、输出与验收标准。
• 什么时候该让 AI 读代码，什么时候该自己验证？
  • 一句话答：AI 擅长检索、归纳与生成；验证（运行、测试、核对结果）必须自己把关，尤其高风险改动。
• tool calling、memory、workflow 的本质是什么？
  • 一句话答：tool calling 是模型调用外部工具的接口，memory 是跨轮上下文存储，workflow 是把任务编排成可复用的步骤链。
• SSE / 流式消息 / 中断恢复如何影响产品与架构设计？
  • 一句话答：决定流式输出的传输协议、断点重连、幂等恢复以及前后端协作方式。
• Agent 前后端和存储该怎么协同？
  • 一句话答：前端负责展示与交互，后端负责编排与工具执行，存储承载会话 / 记忆 / 任务状态，三方围绕同一任务状态机协作。

知识导航树：从用到懂到工程化

第一层：用 AI 干活（辅助开发能力）

• 需求拆解、让 AI 读代码 / 查调用链 / 补测试、方案对比、输出验证

先读：AI 辅助开发与 Agentic Workflow 全景总览 · AI 代码评审 (Code Review) 与自动化闭环验证

第二层：理解 AI 机制（单次对话如何工作）

• Prompt 结构、tool calling、memory 窗口、workflow 编排

再读：Prompt 工程、Tool Calling 与 Agent 记忆机制 (Memory Workflow) · Agent Tool Calling (Function Calling) 架构与安全防护

第三层：工程化落地（产品如何跑起来）

• SSE 流式传输 / 中断恢复 / 对话态设计 → SSE 流式传输、网络中断恢复与大模型打字机打点
• RAG 知识检索 / 上下文注入 / 工程边界 → RAG 检索增强生成与本地/企业知识库架构
• Agent 三层架构（前端 / 后端 / 存储）+ 任务状态机 → Agent 前端 / 后端 / 存储基本架构
• MCP 协议 / 工具互通 / 安全控制 → 07. MCP (Model Context Protocol) 开放标准、资源互通与 Agent 安全控制

推荐复习顺序

1. AI 辅助开发总览（建立“AI 是放大器”心智）
2. Prompt / tools / memory / workflow（单次对话机制）
3. SSE / 中断恢复（流式与恢复）
4. Agent 工具调用架构（多步骤编排）
5. Agent 前后端 / 存储架构（整体收口）
6. 再补 RAG 与 MCP 安全

对应 labs 入口

当前已落地两个可运行实验，正好构成“流式 + 工具 + 检索”的最小闭环：

• sse-agent-orchestration —— SSE 流式 + 任务状态机 + 中断（纯 Node 可跑）
• tool-calling-rag-streaming-demo —— Tool Calling + 最小 RAG + SSE 事件分流（纯 Node 可跑）

复习检查题

1. 为什么“让 AI 盲写代码”是最危险的使用方式？

   答：AI 存在幻觉与上下文局限，未经验证的生成代码可能使用废弃 API 或编造变量；正确用法是“方案 → 审核 → 实现 → 验证”闭环，验证环节绝不能外包。

2. tool calling 和普通函数调用有什么区别？

   答：普通函数调用是编译期确定的；tool calling 是模型在推理时动态选择工具并生成参数，由运行时（Agent 编排层）执行并把结果回灌给模型继续推理。

3. 中断恢复为什么必须依赖任务状态机而不是前端状态？

   答：前端状态随页面刷新丢失；任务执行到哪一步、工具结果是什么必须落在存储层的任务表，由后端状态机推进，前端只是展示窗口（详见 08 文档）。

4. RAG 相比直接全量喂上下文的核心价值是什么？

   答：先检索与问题相关的 Top-K 片段再注入，控制上下文长度、降低噪声与成本，并可用来源引用增强可信度（详见 04 文档）。

备注

这个模块应重点沉淀“如何正确使用 AI”而不是“堆砌 AI 名词”。