AI 应用开发 · 四季回顾专题

AI 应用开发 · 四季回顾专题

从 0 到 1，把 AI 真正跑起来

我们写过的所有原理，过一遍 · 做什么用 · 怎么用

从第一季到第四季，我们一篇篇写，你一篇篇看，不知不觉已经攒下了 37 期内容。很多朋友后台留言说："每篇都看了，但信息太多，串不起来，到底学完了能干嘛？"今天这篇专题，就是给大家一次性串清楚的答案。

我们不复习名词，而是把四季所有原理过一遍、讲清做什么用、再告诉你怎么用。看完这一篇，你手里的就不是一堆零散知识点，而是一张完整的 AI 应用开发地图——知道自己走到了哪，也知道下一步该往哪走。

01先看全景：四根柱子，搭起一座房子

用、存、理、搭，四件事做完，AI 应用才立得住

如果把我们这四季的内容比作盖房子，那它是非常清楚的四根柱子：

第一季，自媒体运营 AI 智能体——盖的是"会干活的应用"这面墙。我们用一个真实场景，把 AI 智能体从选题到发布全流程跑通，让你第一次直观看到"AI 不只是聊天，它能自己把事办了"。

第二季，RAG 技术——盖的是"让 AI 懂你的资料"这面墙。模型只会训练时见过的东西，RAG 就是那座桥，把你的文档接进 AI 的大脑，让它能回答你专属的问题、不瞎编。

第三季，LLM 大模型原理——盖的是"地基"这面墙。我们往最底层挖，讲模型是怎么"猜下一个词"的、为什么叫大模型、它的能力边界在哪，让你用的时候心里有底、不被花哨名词忽悠。

第四季，LangChain / LangGraph 框架——盖的是"把能力组装起来"这面墙。有了底层的理解、有了资料库、有了会干活的思路，第四季教你怎么用框架把这些零件串成真正能跑的应用。

用、存、理、搭——四根柱子齐了，一座"AI 应用"的房子才立得住。下面我们一层层把每一面墙的砖拆开看，讲清楚每一块砖是什么、为什么需要、怎么用。

02第一季 · 自媒体运营 AI 智能体

十二期 · 造一台"会发内容的机器"

做什么用？一句话：给它一个方向，它自己会选题、写文、配图、审核、发布。这是四季里最"看得见"的一季，因为你学完就能立刻造出一个能帮你干活的自媒体助理。

· 智能体（Agent）到底是什么

它不是一个神秘的黑箱，本质上是"大模型 + 工具 + 一个循环"。大模型负责思考"这一步该做什么"，工具负责真正去执行（查资料、调接口、发文章），循环让它可以一步一步把复杂任务做完。你给智能体一个目标，它自己拆解、自己调用工具、自己检查结果，直到任务完成。

怎么用？第一季里我们用 LangGraph 搭了完整的流程：先让它读素材库选出一个好选题，再写初稿，再用一个"审核"步骤把关质量，通过后才交给发布模块。每一步都是一个节点，节点之间用状态传递数据。你完全可以照这个骨架，把"写文章"换成"写周报""写点评""生成海报文案"，就变成你自己的智能体。

· 为什么需要"状态"和"检查点"

智能体跑多步任务时，必须有一个"记事本"记住做到哪一步了、中间产出了什么——这就是状态（AgentState）。而"检查点"（Checkpointer）则是给这个记事本拍快照，哪怕中途出错、断电，也能从上一个快照接着跑，不用从头再来。这是生产级应用最重要的基建之一。

怎么用？写一个字典当状态，把选题、草稿、审核结果都放进去；在流程的每一步之间挂一个检查点，出错就能回滚重试。你不用把它想得多玄，就是"记进度 + 留备份"。

· 后端和存储为什么不能省

智能体不是跑一次就完，它要长期干活，就得有地方放历史任务、放素材、放账号状态。第一季我们用 FastAPI 提供接口、用 PostgreSQL 存数据，把它们和智能体串成一个真正的服务。你可能觉得这是"工程活"，但恰恰是这部分，决定了应用能不能上线跑、能不能被多人同时用。

怎么用？接口层用 FastAPI 把智能体的能力封装成"给外面调用的按钮"，存储层用数据库把"每一次任务"存下来。学会了这套，你的智能体就不再只是脚本，而是一个能被网页、App、机器人调用的服务。

· 从选题到发布，一条完整的流水线

我们不妨把第一季那条"内容流水线"完整走一遍，你会更清楚智能体到底在干什么。第一步选题：给它一批素材（热点、历史文章、用户留言），它分析后选出 3 个候选并排优先级。第二步写稿：选定选题后，调用大模型写正文，同时指定字数、语气、结构。第三步配图：根据内容生成或搜索匹配的封面图。第四步审核：用一个"审核节点"检查稿子有没有错别字、有没有踩红线、符不符合账号风格，不通过就打回重写。第五步发布：审核通过后，调用平台的发布接口定时发出去，并把结果写回数据库。

你看，整个链条里真正"思考"的部分很少——选题、审核靠模型判断，其余写稿、配图、发布都是"工具 + 代码"。智能体最大的价值，是把这些有明确规则的步骤自动串起来，让你只需要给个方向，剩下全自动。

· LangGraph 的节点图，其实不难懂

很多人一听"Graph""节点""状态机"就发怵。其实它就是一张流程图：每一个方框（节点）是一个步骤，箭头（边）表示"做完这步去下一步"，中间传递的那个"状态"就是一个装数据的袋子。你完全可以用第一季搭智能体，也能用第四季的 LangChain 搭，两者一个偏"流程编排"、一个偏"组件拼装"，底层思路是相通的——把任务拆成步骤，让 AI 在步骤之间带着数据前进。

· 第一季给后面三季埋了什么

你可能没注意，第一季其实是"预演"，它偷偷把后面三季会用到的能力都过了一遍：让 AI 会干活，靠的是第四季讲透的工具调用；让 AI 懂你的素材，靠的是第二季讲透的检索；而"模型为什么会这样判断"，正是第三季讲透的原理。第一季给你的是"全景"，后面三季给你的是"零件"。所以如果你看完第一季还一头雾水，别慌，那是正常的——你看到的是一辆整车，而后面三季，是带你一个一个把它拆开、再装回去。

这也是为什么我们四季的顺序这么排：先让你看到一个完整的、能跑的东西（建立直觉），再一层层往里拆（建立原理），最后再教会你亲手组装（建立能力）。知道"它是谁"、懂得"它为什么这样"、会做"怎么再做一个"，三个层次都过一遍，才算真正学会。

小结：第一季教会你一件事——AI 智能体是"能自动干完一件完整的事"的程序，它由思考（模型）+ 执行（工具）+ 循环 + 记忆（状态/存储）构成。它是整个四季的"应用层"，给你最大的直观感。

03第二季 · RAG 技术从小白到深入

十二期 · 让 AI 懂你的资料、回答你的问题

做什么用？一句话：把模型没见过的知识喂给它，让它"看着资料回答问题"，而且不瞎编。RAG（Retrieval-Augmented Generation，检索增强生成）是当前落地 AI 应用最常用、也最实用的一条技术路线。

· 为什么模型会"一本正经地胡说八道"

因为模型的知识止步于训练结束的那一刻，而且它天生是"猜下一个词"，不是"查数据库"。你问它公司内部手册里写了啥，它压根没见过，只能凭想象编。RAG 就是来治这个病的：先检索出真实相关的内容，再让模型照着回答。

· RAG 的四步，每一步在干什么

第一步 加载与切块：把文档读进来，切成几百字一块的小块。为什么要切？因为模型一次装不下整本手册，而且切碎了好检索、好定位。第二步 向量化入库：用 Embedding 模型把每块文字变成一串数字向量，塞进向量数据库。同意思的文字向量靠得近。第三步 检索：用户一问，先把问题也变成向量，从库里捞出最相近的几块。第四步 生成：把这几块原文塞进提示词，让模型"看着资料"组织回答。

怎么用？工具链很成熟：用 TextLoader 加载文档，RecursiveCharacterTextSplitter 切块，OpenAIEmbeddings 向量化，Chroma 做向量库，最后用一条检索链把"检索→填充→回答"串起来。而那条"没查到就说不知道，不要编造"的系统提示词，是每个 RAG 应用必须写进的第一行。

· 几个绕不开的关键词

切块大小：太小语义断、太大检索不准，chunk_size 和 chunk_overlap 要调。向量模型：选 embedding 模型决定了"相似"判断得准不准。检索条数 k：每次捞几条最相关的，多了稀释重点、少了漏信息。防幻觉：检索不到就叫模型明说"没查到"，这是底线。

· 一个能直接跑的最小 RAG 案例

光懂概念不算数，我们把 RAG 四步写成一段能跑的代码，你照着就能搭一个"课程咨询助手"：

from langchain_community.document_loaders import TextLoaderfrom langchain_text_splitters import RecursiveCharacterTextSplitterfrom langchain_openai import OpenAIEmbeddingsfrom langchain_chroma import Chromafrom langchain.chains import create_retrieval_chainfrom langchain.chains.combine_documents import create_stuff_documents_chainfrom langchain_core.prompts import ChatPromptTemplate# 1) 加载 + 切块loader = TextLoader("course_info.txt", encoding="utf-8")docs = loader.load()splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)splits = splitter.split_documents(docs)# 2) 向量化 + 入库vectorstore = Chroma.from_documents(    splits, OpenAIEmbeddings(model="text-embedding-3-small"))retriever = vectorstore.as_retriever(search_kwargs={"k": 3})# 3) 生成链：照着资料回答prompt = ChatPromptTemplate.from_messages([    ("system", "你是课程咨询助手，只根据【上下文】回答，没查到就说不清楚，不要编造。\n\n【上下文】:\n{context}"),    ("human", "{input}"),])chain = create_retrieval_chain(    retriever, create_stuff_documents_chain(llm, prompt))# 4) 跑起来，还能看它参考了哪几段resp = chain.invoke({"input": "课程几天？学费多少？"})print(resp["answer"])for d in resp["context"]:      # 检索溯源    print(d.page_content[:40])

注意最后那个 for 循环——resp["context"] 里存着 AI 参考过的每一段原文，这是 RAG 最让人安心的能力：每一句回答都有出处，能追、能查、能改。真实业务里，你把 TextLoader 换成 PDF/网页加载器，把 Chroma 换成线上向量库，就是完整的产品。

· 调优时最该盯的三个点

做 RAG 别一头扎进去乱调，先盯三个最容易出问题的地方：切块粒度——chunk 太大检索颗粒粗、太小语义会断，500 字上下是常用起点；检索质量——k 值太小漏关键信息、太大把无关内容也塞进提示词，还会占 token；防幻觉提示词——"查不到就说不清楚"这句话一定要写，否则模型照样编。这三处调好，绝大多数 RAG 的质量问题就解决了七八成。

小结：第二季教会你一件事——RAG 让 AI 从"只会背课文"变成"能查资料再答题"。凡是"公司知识问答、文档助手、智能客服"这类需求，RAG 都是最优先的技术方案，因为它快、可控、每句话有出处。

04第三季 · LLM 大模型原理

七期 · 把"地基"挖到最底层

做什么用？一句话：弄懂大模型到底是个什么东西、为什么这样、边界在哪，让你使用它的时候不是"玄学"，而是心里有数的工程。

· 从"查字典"到"看懂大模型"

我们用一个比喻讲透核心：模型的本质是在"猜下一个词"。你给它一句话，它根据海量训练学到的"哪个词最可能跟在后头"，一个词一个词地续写下去。你看到的"聪明回答"，其实是亿万次概率猜测叠加出来的结果。

· 关键概念，一次讲清

Token：模型眼里文字的最小单位，计费、限长都看它。上下文窗口：模型一次能"看"进多少字，超出就"忘"——这正是为什么前面要用 RAG 和记忆。温度 temperature：控制回答的随机性，调 0 更严谨、调高更有想象力。能力边界：模型不擅长精确计算、不了解实时信息、没有真实记忆——这些"短板"都要靠外部工具（计算器、RAG、记忆）补上。

怎么用？当你理解模型是"猜词器"，你就明白为什么提示词那么重要——你是通过给它"上下文"来引导它往对的词去猜；为什么 temperature 该调低——做事实回答时你要的是稳定不是创意；为什么模型总爱编——它没有"查证"这个动作，你只能通过 RAG、工具、强约束来补。

· 模型是怎么"一步步学会"的

你可能会好奇，这个"猜词器"怎么变得这么聪明？一句话讲清楚它的训练过程：先给它海量文本，让它读一句、猜下一个词、再对照真实答案，猜错了就微调内部参数，如此重复几十亿次。读得越多、猜得越准，它就在"理解"语言了。到后面它不仅能续写，还能从"接话"里学会翻译、总结、推理，因为这些本质上都是"顺着上下文猜最合理的下文"。理解了这一点，你就明白为什么训练数据的质量、规模决定了一个模型聪明不聪明——它不是学会规则，是从数据里"长"出来的。

· temperature 和 top_p，到底怎么调

这两个是最常被乱调的参数。简单记：temperature 控"大胆程度"，0 表示永远选最可能的词（稳定、严谨），1 以上表示敢于选冷门的词（有创意、发散）；top_p 控"候选范围"，它规定模型只从概率最高的前百分之多少的词里挑。实战口诀：做事实问答、数据提取、代码生成，调 0 或很低；做文案、剧本、头脑风暴，再往上调。两个配合着用，别同时拉满，否则输出会又乱又不稳定。

小结：第三季教会你一件事——大模型不是万能的，它是一台"很会接话的机器"，聪明但不可靠。真正可靠的 AI 应用，一定是"模型 + 检索 + 工具 + 约束"的组合，而不是单靠模型硬答。

05第四季 · LangChain / LangGraph 框架

六期 · 把零件串成能跑的应用

做什么用？一句话：有了模型、资料、原理，LangChain 帮你把这些零件用最优雅的方式组装起来。它是四季的"组装车间"，是前面所有知识的收口。

· 管道符：把流程声明式地串起来

核心就一个符号 |。`prompt | llm` 意思是"先把 prompt 喂给 llm，再把结果传给下一个"，一条链就串好了。怎么用？你把"提示词、模型、后处理"用一根竖线连起来，它就自动按顺序跑，代码清晰、可读性极高，这是 LangChain 最标志性的写法。

· 结构化输出：让模型吐出规整数据

模型默认回你一段自由文本，可你要的是 JSON、是固定字段，怎么办？用 Pydantic 定义一个数据模型，让 LangChain 告诉模型"必须按这个结构回"，答案就规整了。怎么用？定义好结构 → with_structured_output 交给模型 → 直接得到能进数据库、能调接口的干净数据。

· 工具调用：让模型会动手

用 @tool 装饰一个普通函数，它就变成模型可以"调用"的工具。模型自己判断"这问题该查库存"，就去调你的函数，把结果拿回来再回答。怎么用？把业务能力写成函数 → 加 @tool → 交给 create_agent，模型就"边想边干"。

· 会话记忆 + 文档 RAG：装脑子和查资料

给链条套上 RunnableWithMessageHistory 就"记得住聊过啥"，用 session_id 给每个用户开独立记忆；再用第二季的 RAG 四步，让 AI 能查你的文档。怎么用？这两个都是"包装一层"的活，把记忆和检索挂在你的主链外面，AI 就既记得住又查得到。

· Web 界面 + 性能优化：让它真的能用

用 Streamlit 几行 Python 把 Agent 装进网页，用户就能打字交互；再通过 max_tokens、timeout、精简提示词把响应从 17 秒压到 10 秒。怎么用？一套能跑能给人用的 AI 应用，就是"界面 + 大脑 + 工具 + 记忆 + 检索 + 优化"的组合，缺一环都不完整。

· 三个最常用的小案例，复制就能用

光讲概念不落地，等于没讲。我们把第四季最常用的三种写法浓缩成三段，你改个模型名就能跑：

① 最小问答链（管道符）

from langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatellm = ChatOpenAI(model="doubao-seed-1-6-251015")prompt = ChatPromptTemplate.from_messages([    ("system", "用大白话解释技术问题。"), ("human", "{topic}")])chain = prompt | llmprint(chain.invoke({"topic": "什么是RAG？"}).content)

② 带工具的客服 Agent（@tool + create_agent）

from langchain.agents import create_agentfrom langchain_core.tools import tool@tooldef get_price(item: str) -> str:    """查询价格。"""     return {"手机": "3999元", "耳机": "599元"}.get(item, "未知")@tooldef check_stock(item: str) -> str:    """查询库存。"""    return "有货" if item != "耳机" else "缺货"agent = create_agent(model=llm, tools=[get_price, check_stock],                     system_prompt="电商客服，用工具查完再答，简洁友好。")print(agent.invoke({"messages": [{"role":"user","content":"耳机多少钱？"}]})        ["messages"][-1].content)

③ 带性能监控的仓库助理（max_tokens + timeout + 压思考）

import timellm = ChatOpenAI(model="doubao-seed-1-6-251015",                 temperature=0, max_tokens=200, timeout=10)@tooldef check_inventory(item: str) -> str:    """查库存。"""     return f"{item}库存: {{'电脑':5,'显示器':0}}.get(item,'无')"@tooldef calc_shipping(weight: float) -> str:    """算运费。"""     return f"运费 {weight*10} 元"agent = create_agent(model=llm, tools=[check_inventory, calc_shipping],                     system_prompt="直接调工具回答，简洁，不要思考过程。")t0 = time.time()r = agent.invoke({"messages":[{"role":"user","content":"查电脑库存，算3.5kg运费"}]})print(r["messages"][-1].content); print(f"耗时 {time.time()-t0:.2f}s")

三段代码，从左到右正好是第四季的进阶线：先学会串链，再学会给模型装手，最后学会让它跑得快。你照着敲一遍，第四季就真正长在你手里了。

· 性能优化：为什么能快一半

很多人以为提速靠"更好的模型"，其实在第四季，我们把 17 秒压到 10 秒，核心靠的是三个不起眼的参数：max_tokens 限制输出长度，回答短了自然快；timeout 兜底，卡住就断不让无限等；精简 system_prompt，让模型少"想"一大段废话。再配合换轻量模型、提示词里明说"不要思考过程"，速度立竿见影。这一季想告诉你的核心是：AI 应用的性能，很多时候不是模型不够强，而是你让它"说了太多没用的话"。

小结：第四季教会你一件事——框架不是花架子，它把"原理"变成"能跑的代码"。前四季的原理，在 LangChain 里都有对应的一个组件；你理解的原理越透，用框架就越顺。

06四合一：你手里到底有什么

一张完整的能力栈，和三条立刻能走的路

把四季放在一起看，你其实已经掌握了一套从"想清楚"到"做出来"的完整能力：懂原理（第三季）让你不被名词忽悠；懂数据接入（第二季）让你能让 AI 懂你的业务；懂应用组装（第四季）让你把能力串成服务；懂智能体落地（第一季）让你能造出真正自动干活的东西。

这套能力，可以走通很多条实际的路。最典型的三条：

· 做一个"懂你公司"的智能客服：用 RAG 喂进产品手册和常见问题，用记忆记住每个客户的上下文，用工具去查订单、算优惠，最后套个网页或接入公众号。第一、二、四季的能力全用上。

· 做一个"自动干活"的内容助手：像第一季那样，让它自己选题、写稿、配图、审核、定时发布。加一个 RAG 库，它还能引用你积累的素材，写得更像你的风格。

· 做一个"会动手"的办公助手：把查库存、算报价、下订单、整理表格这些重复活写成 @tool 工具，让 Agent 在你打字吩咐后自己完成。这就是第四季那个仓库助理的任意变体。

这三个方向，本质上都是同一套骨架换不同场景。你只要真正动手做一个，就会发现自己已经把四季全用上了。

· 一张"动手清单"，照做就入门

如果今天看完还想动手，给你列一个 7 步清单，正好把四季的每一项都用一遍：

第一步（用第三季原理）想清楚：我要做一件什么事，模型在里面负责"想"，剩下的交给代码。第二步（用第四季）用一根管道符，把一个"输入→输出"的最小链跑通。第三步（用第二季）给这个链加一个 RAG 库，让它能回答你资料里的事。第四步（用第四季）写两个 @tool 工具，让模型会"查订单、算价格"。第五步（用第四季）套一个 Streamlit 网页，让别人也能点。第六步（用第四季）加上会话记忆，让多轮对话不串台。第七步（用第一季）把它变成一个"自动干活"的流程，配上状态和存储，让它长期运行。

做完这 7 步，你手上就是一个能给人用的 AI 应用了——而这一整个过程，恰恰就是四季浓缩成的一个项目。

07写在最后：下一步往哪走

原理讲完了，接下来是真刀真枪做项目

四季回顾，不是终点。前面我们一直在"讲原理、搭骨架"，接下来的路，是把这套骨架装进真实的小项目里。下一季，我们会从真实需求出发，一个项目一个项目地做，让你把四季学到的每一样能力都真刀真枪地派上用场。

如果你现在一头雾水、感觉信息太多——别急，挑一个小项目，照着做一遍，比回看任何一期都有效。做完一个，你会发现自己早就不是小白了。

从 0 到 1，我们真的把 AI 跑起来了。接下来的项目季，我们一起把它跑得更远。

08一句话，记住每一季

37 期太长记不住？给你压成五句话

如果这一篇太长了，你只看下面这五句话，也能把四季带走：

第一季：智能体 = 会思考的模型 + 会干活的工具 + 一个循环，它能替你干完一整件事。

第二季：RAG = 先把你的文档切成小块存起来，再在回答前捞几块给模型"照着讲"，让它懂你的资料、不瞎编。

第三季：大模型 = 一台很会"猜下一个词"的机器，聪明但会编、算不清、记不住，短板要靠工具补。

第四季：LangChain = 把上面所有零件，用管道符、结构化、工具、记忆、网页、优化这六个工具，优雅地串成能跑的应用。

合起来：懂原理（第三季）→ 会喂资料（第二季）→ 会组装（第四季）→ 会干整件事（第一季），你就从"会聊天"升级成"会做 AI 应用"。

记住这五句话，再回头去翻任意一期，你都不会迷路。每句话展开，就是对应那一季的完整知识。

09这一路，怎么学最有效

别按顺序硬背，按"要做的事"去取

最后给你一句掏心窝子的建议：不要从头到尾当小说一样追着看，而是"我要做一个东西 → 去那一期取对应的能力"。今天想做客服，就去看 RAG 和 Tools；明天想自动发文，就去看智能体和流程编排；想搞懂模型为啥这样，再回头补原理。以"任务"为索引去学，永远比按"顺序"学效率高十倍。

因为我们写这四季，从来不是为了让你背名词，而是为了让你手里有一套随时能取用的工具。工具的价值，不在书架上的位置，而在你把它拿出来干活的那一刻。

四季回顾到这里就讲完了。感谢你陪我们一路走到这里——下一篇，项目季见。

用 · 存 · 理 · 搭
四根柱子，一座房子
四季讲完，你已不是小白

下一季预告

四季的原理都在这儿了。
接下来，一个项目一个项目地做，
把每一块能力都用上。

AI 应用开发 · 四季回顾专题

AI 应用开发 · 四季回顾专题

从 0 到 1，把 AI 真正跑起来