AI核心知识体系

这是一篇关于AI核心知识体系的思维导图，梳理了AI领域的关键知识层级与内容，主要内容包括：范式层，Agent层，增强技术层，模型层，深度学习层，框架与工具层，基础层，核心工具对比速查表。

AI核心知识体系

• 范式层
  • Agentic AI
    • 特征：自主性、 持续性、推理力 、工具使用 、学习能力
    • 单智能体
    • 多智能体系统
    • 人机协同
• Agent层
  • 核心框架
    • ReAct
      • 推理行动
    • Plan&Exec
      • 规划执行
    • Reflexion
      • 反思改进
    • CoT
      • 思维链
    • ToT
      • 思维树
    • GoT
      • 思维图
    • Self-Refine
      • 自我优化
  • agent组成
    • LLM(大脑)
    • Memory(记忆)
    • RAG(知识)
    • MCP(连接)
    • Skills(技能)
    • ReAct(决策)
    • Function Calling（工具）
• 增强技术层
  • Memory(记忆)
  • RAG(知识)
  • MCP(连接)
  • Skills(技能)
  • Function Calling（工具调用）
  • Embedding（向量数据库）
• 模型层
  • 微调技术
    • LoRA
    • QLoRA
    • P-Tuning
    • Adapter
    • Full Fine-tuning
  • 对齐技术
    • RLHF（基于人类反馈的强化学习）
    • DPO（直接偏好优化）
    • Constitutional AI（宪法式AI）
  • 提示工程
    • 基础提示
      • Zero-shot
      • Few-shot
      • Template
    • 思维链提示
      • CoT
        • 思维链
      • ToT
        • 思维树
      • GoT
        • 思维图
    • 自动提示优化
      • Prompt Generator
      • OPRO
  • 模型优化
    • 蒸馏
      • 知识蒸馏
      • 自蒸馏
    • 量化
      • GPTQ
      • AWQ
      • GGUF
    • 剪枝
      • 结构化剪枝
      • 非结构化剪枝
    • 推理加速
      • KV Cache
      • 推测解码
      • FlashAttention
• 深度学习层
  • 经典架构
    • CNN
    • RNN
    • Transformer
  • 生成模型
    • GAN（生成对抗网络）
    • VAE（变分自编码器）
    • Flow-based Models（流模型）
  • 大模型关键技术
    • MoE（混合专家）
    • Attention（注意力机制）及其变体
    • Position Encoding（位置编码）
    • LayerNorm / RMSNorm（归一化）
    • Activation Functions（激活函数）
• 框架与工具层
  • 训练框架
    • PyTorch
    • TensorFlow
    • JAX
    • MindSpore
    • PaddlePaddle
  • 推理与服务
    • vLLM / TGI
    • Ollama / llama.cpp
    • TensorRT / ONNX
    • Ray Serve
  • 应用框架
    • LangChain
    • LlamaIndex
    • AutoGen
    • CrewAI
    • Semantic Kernel
    • LangGraph
• 基础层
  • 模型生态基础设施
    • HuggingFace
    • Ollama
  • 基础设施
    • 向量数据库
      • Pinecone
      • Chroma
      • Qdrant
    • 传统数据库
      • PostgreSQL
    • 数据库框架
      • Pandas
      • Spark
    • 模型服务
      • vLLM
      • TGI
    • 监控评估
      • LangSmith
    • 部署平台
      • K8s/Docker
        • 容器声明周期管理
    • 机器学习平台
      • Kubeflow
        • 深度集成kubernetes的机器学习平台
      • MLflow
        • 轻量级机器学习平台
      • 相同点
        • 都可以进行模型部署，也可以记录实验数据
      • 差异点
        • kubeflow更聚焦于生产级的模型部署
        • MLflow支持非k8s部署，聚焦与实验数据的记录，适合开发环境
      • 使用场景
        • MLflow
          • 主要需求是实验记录、模型打包和轻量部署
          • 需要快速进行实验跟踪和模型管理。
        • kubeflow
          • 大规模分布式训练、高级推理服务（自动伸缩、金丝雀发布、监控）
        • 两者结合
          • 开发环境研发人员在MLflow上快速验证
          • 通过kubeflow进行大规模分布式训练，并调用MLflow记录结果
          • kubeflow直接从MLflow的模型仓库加载模型，部署到生产环境
• 核心工具对比速查表
  • 常用工具/平台对比速查