AI 应用工程

本文面向正在学习 AI 应用工程的开发者，系统梳理了 RAG 从数据摄入、分块、检索、重排序、生成到评估与运维的完整链路。文章还给出了从最简可行方案到生产化落地的演进路径。

本文系统解释 Spec-Driven Development 的核心概念、四阶段工作流以及它与 vibe coding 的本质差异。结合当前工具生态与实践分层，说明为什么在 AI Coding Agent 时代，先写 spec 再实现能显著降低歧义和返工成本。

基于多家机构的基准测试与行业实践，整理 RAG chunking 的默认配置、参数调优方法与不同文档类型下的策略选择。

LangChain 对 Agent Harness 的拆解，把 context engineering、memory、MCP 与 agent loop 串成了一张完整地图。

一份面向 AI Application Engineer 的 Prompt Engineering 长文指南，覆盖基础原则、上下文设计、任务链、注入防御、Agent 提示设计与评估驱动开发。

从 Anthropic Contextual Retrieval 原文与 Appendix II 出发，梳理其核心方法、实验结论，以及适合生产环境落地的 RAG 架构原则。

围绕 Contextual Retrieval、Context Engineering 与 RAG 评估整理的 10 篇高价值文章，覆盖 Anthropic 官方原文、开源实现教程与 2025 年趋势回顾。

面向 AI 工程师，从 CPU、缓存、内存带宽到 Neural Accelerator，实战拆解 M5 相比 M4 在本地 LLM 与 Diffusion 推理中的性能意义。

提示词工程？也许没有你想的那么简单。

了解什么事 LLM的 Prompt注入，以及了解一些最近本的防御措施