AI 全栈开发的知识地图：从大模型原理到 Agent 落地

「AI 全栈开发」听着唬人，拆开看其实是一条很清楚的能力链：底层原理 → 模型选型与部署 → RAG → Agent 开发 → 协议与集成 → 企业级落地。按这条链把知识点摊开，每一环该学什么都能对号入座。两张总览图先看：

打底：机器学习与深度学习理论

不必从数学推导开始，但要过一遍：监督/非监督/半监督学习的适用场景，神经网络基础（神经元、激活函数、前向与反向传播），经典深度网络架构和主流框架生态。这层知识决定后面遇到 MoE、量化这些问题时是看懂了还是背下来了。

大模型关键技术

核心是 Transformer 一族：Attention 与 Self-Attention 解决长距离依赖和语义理解，多头注意力并行计算子空间特征，位置编码引入序列信息。再往上是工程化的关键取舍——稀疏注意力降低计算复杂度、MoE 的动态路由、量化与知识蒸馏做模型压缩加速。DeepSeek 这类推理模型（R1）代表的技术方向也归在这层。

部署：公有云 API 与私有化

调用侧从 API 快速入门和提示工程开始；私有化部署这条线要会做技术选型和需求分析，实操上用 Ollama 把 DeepSeek 跑起来，再套一个具体场景（比如文案生成助手）验证。显存、量化精度、并发量是这步绕不开的三件事。

RAG 与 Agent

第一个 RAG 的最小闭环：向量化、向量数据库、检索增强生成，再用 API 拼出智能问答系统。Agent 侧先掌握理论基础和开发范式，然后做具体的小项目（文案生成、代码生成、多平台客服）。工具链上 Dify 负责工作流编排类应用，LangBot 做大模型原生 IM 机器人，FastGPT 偏企业级知识库与 RAG 进阶。

协议层：MCP 与 A2A

MCP 搞两件事：Server 的开发部署（比如接一个天气查询）、底层技术原理，配合 Cline 这类工具做行程规划助手。A2A 管 Agent 之间怎么协作，和 MCP 是互补关系，官方 Python HelloWorld 示例足够入门。

企业级：知识库、权限与隐私

从 demo 到生产隔着一道鸿沟：企业数据治理和知识库搭建、RAG 系统整体设计、FastGPT 部署（Docker Compose 起）与 API 发布接入 IM 机器人，以及权限分级控制和数据隐私保护。最后留一个观察清单——面试或选型时，能把 RAG 效果评估、私有化成本、权限设计讲清楚的，才是这条链真正走通了的证据。