基于吴恩达 DeepLearning.ai《Retrieval Augmented Generation》课程，我自己梳理了RAG 的核心组件：检索器、向量库、文档分块、查询重写、重排序、LLM 生成与生产部署要点，并给出各环节的落地工具与最佳实践。

从我开发的真实的 AI 开发 Prompt 规则库（keframework-aidev-promptkit）和 AI 视频生成管线的实践出发，系统拆解 Prompt 工程：接口化设计、上下文工程、分层规则、Memory Bank、PLAN/ACT 双模式、Agent 编排、幻觉控制、多模态提示与评估回归。

分享我开发的方糖猫 AI 视频平台中 RAG 本地素材库的构建经验，包括 Embedding 选型、向量库设计、召回调优和工程化落地细节。

Netflix 技术博客 Graph Search 系列第四篇的学习笔记：企业内部几百个应用原本靠 Graph Search Filter DSL 过滤数据，用户被迫学习每个应用的查询构建器；Netflix 用 LLM 做 Text-to-Query，把自然语言翻译成 DSL。核心工程经验有三条：把「正确」拆成语法、语义、语用三层分别治理；用双路 RAG（字段 RAG + 受控词表 RAG）给 LLM 裁剪上下文，解决几百个字段、上千个枚举值塞不进 prompt 的问题；用 AST 确定性校验兜底幻觉，再把 AST 反射回 UI 组件「show your work」建立用户信任。

读 Chip Huyen《AI 工程：大模型应用开发实战》下半部分（第 6-10 章）的实战向总结：RAG 检索工程、Agent 规划与失败模式、微调与 RAG 的抉择、数据工程、推理优化指标，以及完整的 AI 应用架构。附踩坑记录、案例和面试高频题。

拆解 LangChain 的设计原理、核心组件，并给出可运行的 AI 视频生成 Demo，帮助你从调用 API 进阶到构建可复用的 LLM 应用。

基于《生成式AI原理与实战 —— Part 2》，把提示工程、Agent 架构、RAG 检索增强生成等核心概念整理成适合初级开发者的长文。用 Mermaid 图例讲解 temperature/top_p、提示词结构、幻觉控制、Agent 工作流、文档分块与混合检索。