生成式AI学习全景图：从RAG到智能代理的完整技术栈实践指南

本项目是由codeswithshivay在GitHub发布的《Learn-Generative-AI》资源库（发布时间2026年6月16日），系统记录了AI工程师从入门到进阶的生成式AI学习旅程。涵盖生成式AI基础、检索增强生成(RAG)、智能代理(Agents)、LangGraph、模型上下文协议(MCP)、本地大语言模型部署等前沿技术，通过笔记、实验和实战项目构建完整AI工程能力，实践导向的学习方式适合开发者快速上手。

生成式AI正重塑技术行业格局，从ChatGPT爆火到各类应用普及，掌握其技术成为AI工程师核心竞争力。本项目是系统性学习资源库，以"学习即代码"为理念，不仅包含理论笔记，更有可运行实验代码和实战项目，适合希望快速构建实际能力的开发者。

项目涵盖完整生成式AI工程能力图谱： 1.生成式AI基础：LLM原理、提示工程、模型微调； 2.RAG：向量数据库、嵌入模型、检索策略； 3.智能代理：ReAct模式、多代理协作； 4.LangGraph：图结构支持复杂代理工作流； 5.MCP：标准化模型与外部数据源集成； 6.本地LLM：模型量化、推理优化、本地知识库构建。

RAG是企业级AI应用主流架构，核心价值包括知识时效性（连接实时数据源）、可溯源性（标注参考来源）、成本效益（比微调更经济）。实现细节涵盖文档预处理（PDF解析、分块、元数据提取）、向量化（嵌入模型选择）、向量数据库（Chroma/Pinecone等选型）、检索策略（语义/混合搜索、重排序）、生成优化（上下文压缩、历史管理）。

AI代理从简单问答机器人升级为自主执行多步骤任务系统。关键概念：ReAct模式（推理+行动）、工具使用（调用外部API/数据库）、规划执行（任务分解、监控、错误恢复）、多代理系统（专业代理协作）。LangGraph通过图结构支持状态管理和流程控制，节点代表步骤，边代表状态流转，适合复杂逻辑。

本地部署LLM适用于数据隐私或网络受限场景。技术包括：模型量化（INT8/INT4减少体积内存）、推理框架（llama.cpp/Ollama/vLLM）、硬件优化（GPU加速、Apple Silicon Neural Engine等）、知识库集成（RAG与本地模型结合构建私有问答系统）。

项目采用"笔记+代码+实验"三位一体学习模式：结构化笔记（概念/原理/最佳实践）、可运行代码（技术点示例）、实战项目（端到端应用如知识助手）。主流工具链：LangChain/LangGraph（应用编排）、Hugging Face Transformers（模型推理）、LlamaIndex（RAG）、Chroma/Pinecone（向量存储）、Ollama（本地模型管理）、Streamlit/Gradio（原型界面）。

本项目是全面实用的生成式AI学习资源库，覆盖从基础到前沿的知识体系，适合AI工程领域开发者。生成式AI发展趋势：多模态融合（文本/图像/音频统一）、代理能力提升（更长上下文/复杂规划）、边缘部署（模型小型化端侧普及）、标准化协议（MCP推动生态）。持续学习是AI工程师必备素质。