跳到主要内容

AI 智能工程✅

前端 AI 智能工程五阶认知全景：涵盖自回归概率心智模型、流式响应与 Generative UI 核心原语、DAG 画布与私域 RAG 业务架构、MCP 协议与 SDD 质量门禁、WebGPU 与 KV-Cache 底层机制及白板手写实战。

📄️大模型原理与前端认知 (LLM Architecture & Mental Models)✅

本模块聚焦前端工程师必须建立的大模型底层机制认知：Transformer 架构的通俗机理、Self-Attention 自注意力与多头注意力、位置编码（RoPE / ALiBi）与长上下文外推原理、大模型幻觉成因与工程防御门禁、复读机等退化生成的诊断与分层干预、结构化输出（Structured Outputs）与模式契约，以及 Embedding 向量空间与余弦相似度计算，并延伸到参数高效微调（LoRA / QLoRA）的显存账本与量化前提，以及 MHA / MQA / GQA 三种注意力变体的 KV Cache 体积账、混合专家模型（MoE）的稀疏路由与负载均衡、Scaling Law 给出的算力最优「模型规模—训练数据」配比。在此之上，本模块进一步补齐架构范式与任务选型（Encoder-Only / Decoder-Only / Encoder-Decoder 的掩码与训练目标差异）、能力涌现的度量争议（emergent abilities 及其非线性指标假象）、微调侧的能力保持（灾难性遗忘与 EWC / LwF / 重放）、SFT 数据集工程（质量优先于数量与构建流水线）、现代训练配置的稳定性配方（Pre-norm + RMSNorm），以及状态空间模型路线（SSM / Mamba 的取舍与「为何主流仍是 Decoder-Only Transformer」），策略优化器的演进（GRPO 如何用组内相对基线省掉 PPO 的 critic，以及代价转移到哪里），以及开放权重的代际基线（LLaMA 1/2/3 在尺寸、上下文长度、训练 token 量与 GQA 引入时点上的对照）。

📄️智能体工程与前端载体 (Agent Engineering & Frontend Harness)✅

本模块系统性梳理大模型智能体（Agent）在前端与全栈领域的全套工业级技能栈：Agent 四大核心要素、业界主流 Agent 框架与产品横向选型对比、扩展手段（Tools、MCP、Skills、Subagents）、前端 Agent Harness 宿主与思考链可视化、Human-in-the-Loop (HITL) 授权门禁、大型可视化 DAG 工作流编排画布，以及 Agent / Orchestrator / Harness / Runtime 四层运行时职责划分、多步工具轨迹的 Reward 设计，以及 Human-in-the-Loop 审批快照与执行绑定的一致性保证，并延伸到提示注入（直接注入与间接注入）的纵深防御架构，以及 Reflexion 语言化强化学习如何把失败经验沉淀为可复用的反思记忆。

📄️协议生态与质量工程 (Protocols & Ecosystem) ✅

本模块系统性梳理大模型前端工程生态链、开放协议与质量治理体系：跨工具通用标准协议 Model Context Protocol (MCP)、Agent 间互操作协议 A2A (Agent2Agent)、AI 辅助编程代码质量门禁与防幻觉机制、规格驱动开发（Spec-Driven Development, SDD）架构闭环以及大模型与 Agent 自动化量化评测体系（Eval Benchmark）、Skill 路由准确率的可量化评测方法与 ASR 转写指标（WER）与下游任务指标的错位诊断。

📄️端侧推理与底层运行机制 (Runtime & Internals) ✅

本模块深挖大模型在前端与端侧落地的底层运行原理与极限性能机制：浏览器端 WebGPU Compute Shader 硬件加速与模型推理管线、前端私域 RAG 本地向量知识库混合检索、长会话上下文预算与多级记忆管理收敛机制、服务端 vLLM 推理引擎的 PagedAttention 分页与连续批处理吞吐优化，以及从 GPU 显存注意力机制到前端编排的 Prompt Caching 与 KV-Cache 状态优化，并延伸到 RAG 父子索引的「小块检索、大块喂给」粒度解耦、投机解码的 draft-verify 无损加速机制，以及 GraphRAG 图索引的 Local / Global Search 两种查询范式与建图成本权衡。在此之上，本模块进一步补齐已算 KV 的压缩三条路线（量化 / 驱逐 / 低秩，含 attention sink 与 H2O）、向量索引结构本身（HNSW 分层图与 DiskANN 的 SSD 方案与点密度取舍）、FlashAttention 的 IO 感知分块计算（精确注意力为何快、FA-2 的工作划分改进），以及语义缓存（embedding 相似度命中、阈值误命中与知识版本失效策略）。

📄️AI 智能工程 (AI Engineering) 体系导读✅

在大模型（LLM）与智能体（Agent）深度重塑软件工业的 2026 年，AI 智能工程已成为现代高级前端架构师与全栈技术专家的核心分水岭。根据头部大厂与高薪技术岗位（35K~160K+）的真实画像，现代工程师已全面跳出“简单的 Chat 对话框接入”这一原始阶段，深度进入“交互体验重构（流式/Generative UI）、Agent 运行载体（Harness/MCP/Skills/Subagents）、端侧异构推理（WebGPU/本地 RAG）以及效能规范守卫（Spec-Driven/质量门禁）”四大核心战役。