12份针对AI工程师的MCP、RAG和代理的备忘单（附带视觉效果）:

1️⃣ 函数调用与 LLM 的 MCP 在 MCP 流行之前，AI 工作流依赖于传统的函数调用来访问工具。现在，MCP 正在为代理/LLM 标准化这一过程。 该视觉图展示了函数调用与 MCP 在后台的工作原理。 查看下面的线程 👇

2️⃣ LLMs 从零开始训练的 4 个阶段 这个视觉图涵盖了从零开始构建 LLMs 的 4 个阶段，使其在实际应用中可行。 - 预训练 - 指令微调 - 偏好微调 - 推理微调 这是我关于此的详细讨论 👇

3️⃣ 3 种用于 LLM 推理的提示技术 这涵盖了三种流行的提示技术，帮助 LLM 在回答之前更清晰地思考。 - 思维链 (CoT) - 自我一致性（或 CoT 的多数投票） - 思维树 (ToT) 请阅读我下面的详细讨论 👇

4️⃣ 使用其他 LLM 训练 LLM LLM 不仅仅从原始文本中学习；它们也相互学习。 - Llama 4 Scout 和 Maverick 是使用 Llama 4 Behemoth 训练的。 - Gemma 2 和 3 是使用 Gemini 训练的。 这个视觉图解释了三种流行的技术。 请阅读下面的线程 👇

5️⃣ 监督与强化微调在大型语言模型中的应用 这张图展示了监督微调和强化微调之间的区别。 强化微调允许你在没有任何标记数据的情况下，将任何开源大型语言模型转变为推理强者。 请阅读下面的讨论 👇

6️⃣ 变压器与大规模语言模型中的专家混合 专家混合（MoE）是一种流行的架构，它使用不同的“专家”来改进变压器模型。 下面的视觉图解释了它们与变压器的不同之处。 这是我关于它的详细讨论👇

7️⃣ RAG与Agentic RAG 简单的RAG只检索一次并生成一次，它无法动态搜索更多信息，也无法通过复杂查询进行推理。 Agentic RAG解决了这个问题。 查看我关于此的详细解释线程👇

8️⃣ 5种流行的代理AI设计模式 代理行为允许大型语言模型通过自我评估、规划和协作来优化其输出！ 这张图展示了构建AI代理的5种流行设计模式。 查看我的相关讨论以获取更多信息👇

9️⃣ 5 级代理 AI 系统 代理系统不仅生成文本，还生成文本。他们做出决策、调用函数，甚至运行自主工作流。 该视觉效果解释了 AI 代理的 5 个级别。 我已经链接了我的详细解释线程👇

🔟 传统 RAG 与 HyDE 问题在语义上与答案不相似，因此系统可能会检索不相关的上下文。 在 HyDE 中，首先生成一个假设答案 （H） 进行查询。然后，使用 （H） 检索相关上下文 （C）。 我写了一个关于它的👇详细帖子

1️⃣1️⃣ RAG 与 Graph RAG 使用传统 RAG 很难回答需要全局上下文的问题，因为它只能检索前 k 个相关块。 Graph RAG 通过图形结构使 RAG 更加健壮。 查看我在下面的👇详细帖子

1️⃣2️⃣ KV 缓存 KV 缓存是一种用于加速 LLM 推理的技术。 我在下面👇链接了我的详细线程

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.