AI 基础简介

本栏目是 AI 产品经理的技术通识课：不以从零训练大型模型为主，讲清楚 AI 能做什么、不能做什么、怎么用，帮助你在产品决策中理解技术边界、与工程师高效协作。内容按知识类分卷，每个知识类拆多篇：开会查词走AI 黑话速查与AI 定理与经验定律，先有地基（机器学习、深度学习、工程实践与 Transformer），再到大模型（训练、推理、能力边界与模型生态），再到各应用技术（多模态、提示词、RAG、Agent），最后是评估、安全、系统架构与 AI 前沿。相邻栏目：产品方法论回答「怎么判断、怎么设计」，商业与财会回答「金融与财务领域是怎么运转的」，本栏目回答「模型能做什么、怎样把模型做成可维护的系统」。

flowchart LR
    foundation["机器学习 / 深度学习 / 工程实践 / Transformer"] --> llm["大模型：训练 / 推理 / 选型 / 生态"]
    llm --> multimodal["多模态"]
    llm --> prompting["提示词工程"]
    llm --> rag["RAG 与知识检索"]
    llm --> agent["Agent 与工作流"]
    multimodal --> evaluation["评估与评测"]
    prompting --> evaluation
    rag --> evaluation
    agent --> evaluation
    evaluation --> safety["AI 安全与对齐"]
    safety --> architecture["AI 系统架构"]
    architecture --> classic["AI 经典论文"]
    classic --> frontier["前沿论文导读"]

核心关系：上图是知识依赖主链，不是阅读顺序，也不是完整目录。完整页面见下列；阅读顺序见文末阅读建议。黑话与定理是速查，不插入主链；经典论文补概念依赖，前沿专题按需选读，不替代通识页的厚度。

内容列表

AI 黑话与定理

AI 黑话速查：训练、数据、架构、推理、提示、评测、对齐与社区口语，听懂论文和评审里的词
AI 定理与经验定律：Scaling Law、Bitter Lesson、Densing Law、莫拉维克悖论等出处、用法与边界

机器学习与深度学习（地基）

机器学习基础：监督/无监督/半监督/强化、回归/分类/聚类、模型评估与特征工程——传统 ML 全景
深度学习基础：神经网络、反向传播、CNN/RNN/GNN、优化与训练——深度学习全景
深度学习工程实践：数据与模型契约、训练调试、checkpoint、评估、导出、服务化与上线回滚——把模型做成可维护的系统
Transformer 架构：注意力机制、多头、位置编码、三种形态——大模型的地基

大模型

大模型基础：LLM 是怎么工作的、token/上下文/温度、幻觉、发展简史
模型训练与对齐：预训练、扩展定律、RLHF/DPO、微调与蒸馏——模型是怎么炼成的
模型推理与部署：预填充/解码、KV Cache、量化、私有化部署与成本结构
模型能力与边界：做得到做不到、推理预算与选型快照
开源与闭源模型生态：许可、开闭源格局、本地化与迁移风险

多模态

多模态理解：文本之外——图像、文档、视频、音频的理解能力
图像生成：扩散模型原理、Stable Diffusion/FLUX 生态、可控生成
视频生成：视频生成架构、典型模型、产品边界
语音与音频：ASR/TTS、实时语音对话、音乐生成与合规

提示词工程

提示词工程：与模型高效对话的方法、结构与技巧
高级提示词技巧：复杂推理、上下文工程、结构化输出、企业级实践
提示词安全：提示词注入、越狱、防护体系与红队

RAG 与知识检索

RAG 基础：让模型知道你的私有知识——流程、失败模式与评估
检索技术：Embedding、向量检索、BM25、混合检索与重排
高级 RAG：查询处理、GraphRAG、Agentic RAG、评测体系

Agent

Agent 与工作流：从对话到自主完成任务——基础概念与产品设计要点
工具调用与 MCP：Function Calling、MCP 协议、工具安全，兼及 A2A
Agent 架构与多智能体：设计模式、记忆系统、多智能体编排、AgentOps

评估、安全与架构

评估与评测：三层评估体系、基准与榜单、LLM-as-Judge、红队与灰度
AI 安全与对齐：模型安全、应用安全与内容安全，对齐技术与上线评审
AI 系统架构：一张四层地图，讲清业务、应用、技术、数据每层 PM 该关注什么

AI 前沿

AI 经典论文：按概念依赖组织代表作，并接到 CLIP / ViT / InstructGPT / 扩展定律与前沿专题
大模型前沿论文：前沿论文导读总入口，按架构、推理、训练、Agent、多模态、记忆、替代范式与可信研究组织专题

架构与序列

架构组件与训练稳定性：位置编码、归一化、激活函数、残差连接与深层优化
注意力与 KV Cache：MHA、MQA、GQA、MLA、CSA/HCA 及缓存压缩
稀疏与局部注意力：结构化稀疏、滑动窗口、局部—全局注意力与 DSA
线性注意力与状态空间：Lightning Attention、Mamba、DeltaNet、KDA 与 Mamba-3
混合专家模型：稀疏路由、专家专业化、负载均衡与分布式代价
世界模型与具身智能：环境动力学、潜在 rollout、VLA 和机器人闭环

推理与训练

推理时扩展：采样、搜索、验证器、自适应预算和 test-time compute
RLVR 与 GRPO：可验证奖励、过程监督、DeepSeekMath 与 DeepSeek-R1
推理系统与量化：IO、调度、缓存、投机解码、量化和端到端成本

Agent 与多模态

Agent 与 Computer Use：GUI grounding、浏览器、桌面、移动端和软件工程 Agent
多模态前沿论文：视觉语言模型、原生多模态、视频音频与视觉 grounding

记忆与替代范式

外部记忆与模型编辑：检索式模型、测试时记忆、参数编辑与遗忘
Diffusion Language Model：离散扩散、Masked Diffusion、infilling 与并行生成
Tokenizer-free 模型：字节级、字符级、多尺度压缩与多语言成本

可信前沿

可解释性与安全前沿：内部表征、因果干预、SAE、监督和安全监控

产品经理需要掌握到什么程度

必懂：幻觉、上下文窗口、token、RAG 概念、评估方法
应懂：常见模型家族的差异、提示词技巧、Agent 的边界、提示词安全
可懂：训练/微调的基本原理，听懂、不误解即可；前沿论文按岗位选读

阅读建议

开会听不懂词、做规模与选型判断时，随时查AI 黑话速查和AI 定理与经验定律，不必按主链读完再进。

没有 ML 背景的读者先读「机器学习与深度学习」四篇，再进大模型；其中深度学习工程实践可先读与目标岗位相关的章节。有基础的可以直接从 Transformer 架构开始。

大模型按列出的顺序读：基础 → 训练 → 推理 → 模型能力与边界（做不做得了、档位）→ 开源与闭源模型生态（许可与迁移）。再按多模态、提示词、RAG、Agent 进入应用。收口依次是评估与评测、AI 安全与对齐、AI 系统架构。经典论文按概念依赖补读；前沿从大模型前沿论文的瓶颈地图按需选专题，不要用前沿页代替通识厚度。

每个知识类内部文章按列出的顺序阅读，由浅入深。

发现错误？想一起完善？在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用