AI技术的演进始终围绕“落地赋能”展开，从最初单一的聊天对话框（Chatbot），到支持联网交互、工具配置与MCP协议集成，再到可自定义工作流的AI Agent，每一步迭代都让人工智能跳出“娱乐工具”的范畴，真正融入各类业务场景。AI Agent的出现，本质上是为AI搭建了“自主决策与执行”的框架，而这一技术在编程领域的落地早已印证其价值——仅一年时间，AI编程助手就已成为开发者的必备工具，Dify、Coze等低代码平台更让非专业开发者也能拖拽配置个性化Agent并快速发布。

2024年8月底，国家颁布“人工智能+”行动意见，明确了AI技术未来十年的发展方向，无论是国内还是全球市场，AI应用都将迎来爆发式增长，渗透到前端开发、企业服务、教育培训等各个领域。作为深耕技术领域的开发者，我也计划将AI Agent与面试辅导、算法刷题、简历优化、技术教程等核心场景深度结合，通过AI赋能提升服务效率，覆盖更多用户的实际需求。

本文专为前端开发者打造，系统梳理AI Agent开发所需的核心技术栈与实践方法，从基础概念到实操工具，从技术原理到落地场景，帮你快速搭建知识体系，轻松入门AI Agent全栈开发，适配“人工智能+”时代的技术迭代需求。

LLM

AI 的基础是 LLM 大语言模型，例如现在大家熟知的 ChatGPT Gemini Claude Deepseek Qwen Grok Llama 等。我们常见的使用方式是在线调用它们的 API （可能要付费购买 token），当然也可以本地部署内网使用。

LLM 是什么呢？当前所有 LLM 的核心简单理解就是：预测下一个词。

LLM 不是“聪明”，也不能理解人话，而是“被喂了整个互联网数据然后疯狂**「补全」**”。你设计得越好，它补全得越准。LLM 参数就是“记忆单元”，像人的神经元，参数越多（训练成本大、运行成本大）也就越“聪明”，补全的越准。

例如你的输入是“猴子喜欢吃”，LLM 会在自己海量的训练数据中计算，找到一个列表，其中“香蕉”的概率最大，它就返回“香蕉”。包括写诗、写代码、画图，也是根据 prompt 输入来补全内容，只不过不是一个词，而是海量数据训练出来的一个结构化输出。

包括 Agent 和 tool 也是一种“补全”，根据 prompt 去猜测使用哪些 tools （每个 tool 都有描述、参数结构）

LLM 的两种交互方式：

• Completion 模式（纯文本补全）👉 GPT-3 —— 现在基本不用了
• Chat 模式（对话形式，输入消息列表，输出新内容）👉 GPT-3.5/4

MoE 混合专家模式，拆分多个子 LLM （总的太大了参数太多了）每次只激活其中几个，这样运行成本低。 模型微调也是调整其中很少一部分参数，改变它的预测取向。

Prompt Engineering

AI 的生成内容和质量是严重依赖于 prompt 提示词的，你给出的提示词模糊，它生成的就一定是模糊的答案。

例如，我们在使用 Cursor 时一般要写一个 cursor rule 文件，规范代码标准，这就是提示词的一部分。

严格来说，Prompt Engineering 提示词工程 并不是什么技能，它就是一些沟通方式，很容易理解

我们可以通过提示词来约束用户的提问，如 github copilot 只专注于编程领域，问其他问题它不回答。

还可以通过 CoT 思维链模式，引导大模型按照我们的思路去思考。还可以规范 AI 的输出格式，或让 AI 做出一些判断和选择。

在实际开发过程中，每次调用 AI 请求我们都会认真思考提示词该如何写，甚至会使用 AI 写提示词，或者在线生成提示词。并不是用户输入什么，就原本的传给 AI 接口，要做很多包装和转述。

LangChian.js

LangChain.js 是前端人员使用 Nodejs 开发 AI 应用的首选，它的 LangGraph 可以自定义 Agent 工作流，它的 LangSmith 跟踪和分析 Agent 运作流程。LangChain 是一个非常好的开发生态。

我此前写过几篇 LangChain 相关的文章，可作为学习参考

• 30 行代码 langChain.js 开发你的第一个 Agent
• 使用 langChain.js 实现 RAG 知识库语义搜索
• 使用 langChian.js 实现掘金“智能总结” 考虑大文档和 token 限制

RAG

Retrieval-Augmented Generation 检索增强生成，这是 AI 搜索资料辅助生成答案的有效方式。

它的核心步骤是：1. 把资料拆分为向量格式，存储在向量数据库；2. 用户提问时去向量数据库检索相关答案；3. 把这些相关答案发送给 AI 配合一起生成最终答案。具体案例可参考我写的博客 使用 langChain.js 实现 RAG 知识库语义搜索

对于前端开发人员，不太好理解的就是 Vector 向量。

Vector 向量，就是坐标。生活中常见的有二维、三维坐标，方便计算距离。

而我们可以把一段文本、图片等，转换为多维（几百维度）坐标（float 数组），两个坐标的距离（如欧氏距离、余弦相似度），就是两段文本（或图片）的相似度。

Elastic Search 可实现搜索引擎，但它只是关键词匹配，例如“教程”关键词匹配不到“课程”，它是严格的文字匹配。而向量就能匹配到，它是相似度匹配，语义搜索。PS.现在 elastic cloud 也有向量存储。

Vector store 向量存储技术选型：开发阶段用 Chroma，部署后切换为 Pinecone 或 Supabase 都有免费试用额度。

Agent

Agent 是一个综合体，它主要包含

• LLM 大模型，负责思考和生成内容，一个 Agent 可以有多个 LLM ，不同节点配置不同的 LLM
• workflow 工作流：定义节点、方向、判断，以实现 Re-Act ，让 AI Agent 自行判断逻辑
• tools 工具：调用外部的服务，例如搜索、查询数据库等
• memory 记忆和存储：记录当前对话和用户的关键信息

下图是 Flowise （类似于 Dify 和 Coze）给出的一个 RAG Agent 工作流配置的示例。

MCP

Model Context Protocol 模型上下文协议，是规定大模型参数和调用的一种协议，让 AI 可统一调用第三方的服务。

当前我们谈 AI MCP 主要是说各个 MCP server 能够提供的能力，例如我之前的文章编程常用的 MCP Server，用自然语言写代码 总结了编程常见的 MCP server 。

还有，我们也要能自己开发 MCP server 以及开发 client 去调用 server ，要有这方面的能力，可参考我的博客 Nodejs + Deepseek 开发 MCP Server 和 Client 踩坑记录

多模态

现在的 AI 应用不仅仅是文字聊天，你可以可以上传图片、PDF、word、甚至音频和视频，都可以传给 AI 大模型进行处理。同时，AI 大模型也可以生成图片、PDF、音频和视频。即，现在的 AI 应用要支持多模态。

AI 生成的非文字内容，往往通过 Artifact 形式展示。例如使用 Claude 生成一个 HTML 网页，它在右侧直接展示了网页渲染效果，并且还支持发布上线。

不同的 AI 大模型擅长不同的模态形式，也有不同的 API 调用方式和参数的写法。

其他

AI Agent 还在发展之中，还有更多的技术需要学习和实践，后面我会逐步分享

• Multi-agent 多智能体架构
• A2A 协议，Agent 和 Agent 之间的通讯协议
• Context Engineering 上下文工程
• AG-UI 协议，Agent 和 UI 的通讯协议

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？