12份針對AI工程師的MCP、RAG和代理的備忘單（附帶視覺效果）:

1️⃣ 函數調用與 LLM 的 MCP 在 MCP 流行之前，AI 工作流依賴於傳統的函數調用來訪問工具。現在，MCP 正在為代理/LLM 標準化這一過程。 該視覺圖展示了函數調用與 MCP 在後台的工作原理。 查看下面的線程 👇

2️⃣ LLMs 從零開始訓練的 4 個階段 這個視覺圖涵蓋了從零開始構建 LLMs 的 4 個階段，使其在實際應用中可行。 - 預訓練 - 指令微調 - 偏好微調 - 推理微調 這是我關於此的詳細討論 👇

3️⃣ 3 種用於 LLM 推理的提示技術 這涵蓋了三種流行的提示技術，幫助 LLM 在回答之前更清晰地思考。 - 思維鏈 (CoT) - 自我一致性（或 CoT 的多數投票） - 思維樹 (ToT) 請閱讀我下面的詳細討論 👇

4️⃣ 使用其他 LLM 訓練 LLM LLM 不僅僅從原始文本中學習；它們也相互學習。 - Llama 4 Scout 和 Maverick 是使用 Llama 4 Behemoth 訓練的。 - Gemma 2 和 3 是使用 Gemini 訓練的。 這個視覺圖解釋了三種流行的技術。 請閱讀下面的線程 👇

5️⃣ 監督與強化微調在大型語言模型中的應用 這張圖展示了監督微調和強化微調之間的區別。 強化微調允許你在沒有任何標記數據的情況下，將任何開源大型語言模型轉變為推理強者。 請閱讀下面的討論 👇

6️⃣ 變壓器與大規模語言模型中的專家混合 專家混合（MoE）是一種流行的架構，它使用不同的「專家」來改進變壓器模型。 下面的視覺圖解釋了它們與變壓器的不同之處。 這是我關於它的詳細討論👇

7️⃣ RAG與Agentic RAG 簡單的RAG只檢索一次並生成一次，它無法動態搜索更多信息，也無法通過複雜查詢進行推理。 Agentic RAG解決了這個問題。 查看我關於此的詳細解釋線程👇

8️⃣ 5種流行的代理AI設計模式 代理行為允許大型語言模型透過自我評估、規劃和協作來優化其輸出！ 這張圖展示了構建AI代理的5種流行設計模式。 查看我的相關討論以獲取更多信息👇

9️⃣ 5 級代理 AI 系統 代理系統不僅生成文本，還生成文本。他們做出決策、調用函數，甚至運行自主工作流。 該視覺效果解釋了 AI 代理的 5 個級別。 我已經連結了我的詳細解釋線程 👇

🔟 傳統RAG與 HyDE 問題在語義上與答案不相似，因此系統可能會檢索不相關的上下文。 在 HyDE 中，首先生成一個假設答案 （H） 進行查詢。然後，使用 （H） 檢索相關上下文 （C）。 我寫了一個關於它的👇詳細帖子

1️⃣1️⃣ RAG 與 Graph RAG 使用傳統RAG很難回答需要全域上下文的問題，因為它只能檢索前 k 個相關塊。 Graph RAG 通過圖形結構使RAG更加健壯。 查看我在下面的👇詳細帖子

1️⃣2️⃣ KV 緩存 KV 快取是一種用於加速 LLM 推理的技術。 我在下面👇連結了我的詳細線程

That's a wrap! If you found it insightful, reshare it with your network. Find me → @_avichawla Every day, I share tutorials and insights on DS, ML, LLMs, and RAGs.