ARTICLE · 1300242
AI已经进入常规题面:架构师与系统分析师5层知识框架+3科训练路线
别再单独背一份大模型术语表
AI进入常规题面
5层知识框架＋3科训练
模型 · 数据 · 应用 · 架构 · 治理
LEARN · TRANSFER · ANSWER
👉 左右滑动
01
先改误区
AI不是独立科
02
五层地图
知识框架
03
工程判断
五层详解
04
双科视角
角色差异
05
RAG迁移
同题双答
06
三科训练
综合案例论文
07
项目素材
三类证据链
08
四轮推进
不追具体天数
09
最后避坑
五个陷阱
后续备考AI，真正需要补的不是一串新名词，而是把模型、数据、应用、架构和治理连成一套可以在综合、案例和论文中反复调用的工程答案。
这两年准备系统架构设计师和系统分析师，已经很难完全绕开AI。综合知识会出现机器学习、Transformer、向量数据库和端边云；案例会把大模型放进质量属性、智能审核、嵌入式、知识问答或运维场景；论文则开始直接要求写RAG、幻觉治理、AIOps、Agent和大模型辅助需求分析。
最容易出现的错误，是看到AI题增加，就单独整理一份“大模型术语表”。结果选择题可以认出RAG和LoRA，案例题却画不出组件，论文也写不清数据来源、权限、失败处理和效果评价。
AI题的本质没有脱离软考高级的旧底座。架构师仍然考架构、质量属性、数据、部署和权衡；系统分析师仍然考业务、需求、建模、验证和系统化表达。变化只是这些能力被放进了新的AI场景。
下面用5层知识框架重新组织AI考点，再分别给出系统架构设计师和系统分析师的复习重点，以及综合、案例、论文3科训练路线。
说明：文中提到的2026年题目来自多来源考后回忆，不是官方真题，题目措辞、顺序和细节可能存在差异。本文只据此观察知识迁移方向，不把回忆版当成官方命题结论。
01
先改掉一个误区：AI不是新加的一门课
REFRAME · AI不是独立科目
AI在软考高级里通常以三种方式出现。
这意味着备考时不能把AI与传统知识割裂。
RAG离不开数据库、检索、缓存、安全和性能。
Agent离不开工作流、接口、权限、事务、幂等和异常处理。
AIOps离不开监控、告警、事件、故障、问题和变更管理。
大模型需求分析离不开需求获取、建模、评审、追踪和变更控制。
多模态测试离不开测试流程、用例、覆盖、缺陷和结果验证。
题面可以是新的，答案仍要回到软件工程和系统工程。
02
用5层框架建立AI知识地图
FIVE LAYERS · AI知识地图
这5层不是五个独立章节，而是一条完整链路：模型提供能力，数据提供知识，应用承接任务，架构保障运行，治理控制风险。
03
5层分别学什么：从概念背诵升级到工程判断
ENGINEERING · 从概念到工程
第1层：模型基础——先知道模型会什么、不会什么
机器学习的第一组判断，是看训练数据和反馈方式：
有标签并学习输入到答案的映射：监督学习，可用于分类和回归。
没有标签而寻找数据结构：无监督学习，可用于聚类和降维。
与环境交互并依据奖励调整策略：强化学习。
深度学习要抓三类结构的能力边界：CNN擅长局部空间特征，RNN及其变体适合序列依赖，Transformer通过自注意力建立长距离关系并支持并行计算。
大模型训练可以按“预训练—监督微调—偏好对齐”理解。LoRA等参数高效微调通过冻结大部分原模型参数，只训练少量低秩参数，降低训练资源和更新成本。
复习时不要只问“它是什么”，还要追问：
它解决什么问题？
输入、输出和训练数据是什么？
它对算力、时延和数据量有什么要求？
哪些场景不适合使用？
例如，业务知识频繁变化时，不应仅靠微调更新事实；模型输出需要固定格式和专业表达时，微调可能更合适；很多企业项目会把RAG和微调组合使用。
第2层：数据与知识——RAG不是接一个向量库就结束
完整的RAG链路可以整理为：
采集文档、数据库、工单、接口和业务知识。
清洗重复内容、页眉页脚、乱码和失效版本。
按语义、标题层级、条款或问答单元切分。
使用同一Embedding模型把问题与文档转换为向量。
建立向量索引，并保留来源、版本、部门和权限等元数据。
结合语义检索、关键词检索和查询改写进行召回。
对候选片段重排序、去重和裁剪。
组装上下文，生成答案并附引用。
进行忠实度、相关性、召回率、时延和成本评价。
向量检索适合“意思相近”，关键词检索适合编号、产品名、人名和精确术语。混合检索可以通过排序融合兼顾两类问题。HNSW、IVF等近似索引用少量精度损失换取更好的检索性能，但具体选择仍要看数据规模、内存、更新频率和延迟要求。
知识图谱更擅长明确关系和多跳链路。例如“系统负责人所属部门的上级是谁”属于关系查询，不应完全依赖相似文本召回。实际项目中，向量检索、图谱查询和结构化数据库可以协同工作。
这一层最容易忽略两件事：
权限必须尽量在检索前生效。 无权查看的文档不应先送入模型再尝试隐藏。
知识必须有版本和责任人。 过期制度、错误文档和冲突规则会把模型变成“稳定引用错误资料”的系统。
第3层：应用与Agent——从“会回答”变成“能完成任务”
普通问答系统关注输入和回答；Agent还需要规划任务、保持状态、调用工具、判断执行结果并在失败后恢复。
Agent常见组成可以记为：
规划： 把目标拆成步骤，决定顺序和分支。
记忆： 保存会话上下文、长期偏好和历史执行记录。
知识： 通过RAG、数据库或知识图谱获得外部事实。
工具： 调用搜索、计算、工单、数据库和业务接口。
执行控制： 校验参数、限制权限、设置超时、重试和幂等。
反思与评价： 检查结果，决定继续、重试、回退或转人工。
单智能体适合边界清楚、流程较短的任务；多智能体适合跨领域、需要角色协作的复杂任务，但会增加通信开销、状态同步、责任划分和误差传播问题。
系统分析师要特别关注“Agent到底代表谁、能做什么、哪些动作必须审批”；系统架构师则要进一步说明工具注册、服务编排、会话状态、并发控制和故障隔离。
第4层：架构与部署——把模型放进企业系统
企业级AI系统通常不只是“前端＋大模型API”，还可能包含：
接入层：Web、App、API、设备或第三方系统；
业务层：用户、会话、任务、工单和业务规则；
AI编排层：Prompt模板、模型路由、工作流、Agent和工具注册；
知识层：文档库、向量库、图数据库、缓存和元数据；
模型层：云模型、私有模型、Embedding模型、重排模型；
治理层：权限、脱敏、审计、评测、成本和内容安全；
运维层：日志、链路追踪、指标、告警、版本和灰度发布。
训练与推理需要不同资源特征。训练强调吞吐、集群通信和弹性；在线推理强调稳定时延、并发、可用性和成本。量化、蒸馏、批处理、缓存和模型路由都可以降低推理成本，但可能牺牲精度、实时性或系统复杂度。
云、边、端的选择也不是背优缺点：
云侧算力与模型能力强，但存在网络时延、成本和数据出域问题；
边侧靠近数据源，适合低时延和本地聚合，但运维分散；
端侧隐私好、断网可用，但算力、功耗和模型规模受限。
架构题真正要写的是权衡：为什么把某个模型放在这一侧，失败如何切换，模型版本如何一致，敏感数据如何保护。
第5层：可信治理——AI答案不是“生成成功”就算完成
AI系统的风险至少包括：
知识过期、检索错误和模型推理造成的幻觉；
Prompt注入、越权工具调用、敏感数据泄漏；
数据污染、知识库投毒和错误版本；
输出不稳定、格式错误和执行结果不可重复；
长上下文导致信息丢失，或高并发导致成本失控；
自动执行缺少审批、审计和责任边界。
治理措施要对应风险来源：
“换更强模型”不是通用治理方案。真正可靠的答案应包含技术控制、流程控制、人工控制和持续评测。
04
同一个AI系统，两门考试到底分别考什么
TWO ROLES · 架构师与系统分析师
系统架构设计师：重点回答“怎么建、如何权衡”
架构师复习AI，要把技术点放进质量属性和架构决策。
2026年架构师回忆题中，论文涉及向量数据库、多模态智能测试、RAG、幻觉治理和AIOps；案例也出现AI辅助嵌入式设计。共同点是：不能只解释AI原理，还要把AI放进一个可运行、可评估、可治理的系统。
系统分析师：重点回答“为什么建、需求如何落地”
系统分析师复习AI，要从业务问题和干系人开始。
2026年系统分析师回忆题中，案例出现多模态内容审核和AI辅助安全关键软件；论文涉及AI故障管理、AI Agent、大模型需求分析和人机交互。它更强调：AI能力怎样被转化为可验证需求，并嵌入业务流程。
05
用RAG问答系统做一次“双科迁移”
RAG EXAMPLE · 双科迁移
假设企业要建设内部制度问答系统，知识来源包括制度文档、OA公告和历史工单。
架构师怎么展开
先画出文档接入、清洗切分、Embedding、向量库、关键词索引、混合检索、重排、模型生成、引用校验和权限审计组件。
然后围绕质量属性做决策：
性能：缓存高频问题、控制召回数量、异步处理文档更新；
可用性：模型服务和检索服务隔离，设置超时、重试和降级；
安全性：检索前按用户、部门和文档密级过滤；
可修改性：模型、Embedding、重排和向量库通过适配层解耦；
成本：简单问题走小模型，复杂问题再路由到大模型。
最后写权衡：扩大召回数量可能提高召回率，但会增加重排成本和上下文长度；近似索引降低时延，但可能漏掉少量候选；权限前置增加过滤开销，却避免敏感知识进入模型上下文。
系统分析师怎么展开
先确认干系人：普通员工、部门负责人、制度管理员、人力、财务、审计和运维人员。
再定义需求：
员工能够用自然语言查询制度并看到有效引用；
制度管理员能够发布、更新、撤销和追踪知识版本；
系统根据身份限制可检索范围；
低置信度、冲突制度和高风险问题转人工；
管理人员能够查看未命中问题、错误引用和用户反馈。
然后建立流程：提问 → 身份与权限校验 → 查询改写 → 检索与重排 → 生成与引用 → 置信度判断 → 返回、拒答或转人工 → 反馈回写。
最后定义验收：准备经过人工标注的测试问题，分别验证知识召回、答案忠实、引用正确、权限隔离、拒答和人工转接。系统“能回答”不是验收标准，答得有依据、看得见边界、错了能收住才是。
06
3科怎么练：不要把AI单独学完再做题
THREE EXAMS · 综合案例论文
科目一：综合知识——练“概念＋边界＋场景”
每个AI概念至少做三张卡：
一句话定义；
与相邻概念的区别；
一个适用场景和一个不适用场景。
优先完成这些辨析：
监督学习、无监督学习、强化学习；
CNN、RNN、Transformer；
编码器、解码器、编码器—解码器；
预训练、监督微调、偏好对齐；
RAG、微调、Prompt工程；
向量检索、关键词检索、知识图谱；
单智能体、多智能体、固定工作流；
量化、蒸馏、批处理；
GPU、FPGA、ASIC；
云侧、边侧、端侧AI。
选择题不要只背“谁对应谁”，要能依据标签、数据、时延、成本、隐私和更新频率做判断。
科目二：案例分析——练“6步工程答案”
遇到AI案例，先按以下顺序组织：
目标： 要解决什么业务问题，为什么传统方式不足。
约束： 数据、权限、时延、成本、准确性和部署边界是什么。
链路： 数据如何进入、处理、检索、生成、执行和返回。
选型： 为什么选择RAG、微调、Agent、向量库或多模态。
治理： 如何处理幻觉、越权、失败、重复、乱序和人工复核。
评价： 用什么指标、测试集和运行数据证明有效。
弱答案通常是“采用大模型、RAG和向量数据库提高准确率”。强答案会说明数据来源、切分规则、检索方式、权限位置、失败路径和评价指标。
科目三：论文——练“真实项目证据链”
AI论文最容易出现“技术名词很多，项目动作很少”。项目素材要沿着以下证据链准备：
业务问题 → 本人职责 → 数据与约束 → 候选方案 → 选择理由 → 实施步骤 → 风险与治理 → 测试评价 → 结果与反思。
论文里的数字只能来自真实项目或可核对记录。可以准备指标类别和写法，但不要提前编造金额、用户量、准确率或性能提升。
架构师论文重点准备架构图、组件、质量属性、选型权衡和部署治理；系统分析师论文重点准备干系人、需求获取、模型、流程、验证和人机协作。
07
准备3类项目素材，比押10个AI题目更有用
PROJECT ASSETS · 三类项目素材
素材1：企业知识问答或RAG
可迁移到RAG、向量数据库、幻觉治理、知识图谱、智能客服和需求知识管理。
必须准备：知识来源、切分与版本、混合检索、重排、权限、引用、拒答、评价和badcase闭环。
素材2：智能运维或故障管理
可迁移到AIOps、异常检测、告警聚合、根因分析、自动处置、可观测性和系统可靠性。
必须准备：监控数据、事件流程、告警降噪、诊断方法、处置审批、回退、复盘和指标。
素材3：AI Agent或大模型辅助分析
可迁移到Agent、需求分析、智能测试、多模态审核和AI辅助开发。
必须准备：任务分解、知识来源、工具权限、工作流状态、人工审批、异常恢复、数据安全和验收集。
同一项目可以服务两门考试，但叙述角度必须切换。架构师写系统怎样组织和权衡；系统分析师写需求怎样形成、流程怎样验证。
08
后续复习按4轮推进，不追具体天数
FOUR ROUNDS · 四轮复习
第一轮：补齐5层知识地图
为每层建立“概念—组件—风险—指标”四栏表。先补结构，不追求一次记住所有算法和产品。
第二轮：做双科角色转换
选RAG、Agent、AIOps三个场景，各写一份架构师答案和一份系统分析师答案，强迫自己区分组件权衡与需求验证。
第三轮：完成三科迁移
每周选一个主题：做一组综合辨析、一道案例提纲和一份论文主体提纲。发现不会的知识回到5层地图补齐。
第四轮：用真题和模拟题收口
真题用于检验命题方式，模拟题用于覆盖新场景。无论题面怎样变化，都回到目标、约束、链路、选型、治理和评价六步检查答案。
09
最后避开5个AI备考陷阱
PITFALLS · 五个陷阱
只背名词，不画链路。 认识RAG，不等于能说明数据怎样进入答案。
只学AI，丢掉传统架构。 缓存、消息、数据库、UML、质量属性仍是AI系统的底座。
两门考试使用同一套话术。架构师重结构与权衡，系统分析师重业务与验证。
只写准确率，不写可信与成本。 企业系统还要看引用、权限、时延、稳定性、人工接管和单次成本。
为了论文硬编AI项目。 没有真实证据的项目很难写出问题、动作、指标和反思。
现在可以做一个10分钟自检：任选一个你熟悉的系统，画出模型、数据、应用、架构和治理5层；再分别写下架构师会问的3个问题、系统分析师会问的3个问题。如果两边答案完全一样，说明你还没有完成角色转换。
后续AI题可能继续换名字、换场景，但真正稳定的备考方法不会变：用传统软件工程托住AI，用工程链路解释新概念，用真实项目证明你能把它落地。
用传统软件工程托住AI，用工程链路解释新概念。
五层知识 → 双科视角 → 三科迁移 → 真实项目证据
我是软考人，持续分享系统架构设计师、系统分析师等软考高级的知识拆解、案例答题和论文写作方法。如果这篇对你有用，欢迎点赞、在看，并转给正在准备架构师或系统分析师的同学。
THANKS FOR READING · 软考人
