生成式AI与智能体AI：从理论到实践的学习资源宝库

本帖介绍由Mrunmay07维护的GitHub项目《GenerativeAI-and-Agentic-AI》，这是一份系统性的生成式AI与智能体AI学习指南，涵盖大语言模型（LLMs）、提示工程、RAG检索增强、AI智能体架构、工具调用、记忆系统、工作流编排等核心技术，适合从入门到进阶的开发者。项目原始链接：https://github.com/Mrunmay07/GenerativeAI-and-Agentic-AI，发布时间为2026-05-31。

在AI飞速发展的今天，生成式AI和智能体AI成为热门话题，但开发者缺乏系统性学习路径。该项目解决这一痛点，不仅是链接列表，更是精心组织的知识库，覆盖从基础概念到高级应用的完整学习路径，适合新手和资深开发者。

项目围绕生成式AI和智能体AI展开：

1. 大语言模型（LLMs）：介绍主流模型（GPT、Claude、Llama等）的原理、能力边界，以及微调、量化等进阶话题；
2. 提示工程：讲解提示设计原则（角色设定、上下文管理、少样本学习等），链式思考推理技巧及可复用模板构建；
3. RAG检索增强生成：解释RAG架构（外部知识库与生成模型结合），向量数据库选择、嵌入模型对比、检索策略优化等；
4. AI智能体架构：介绍ReAct、Reflexion等主流架构，实现AI自主规划、工具调用、协作能力；
5. 工具调用与记忆系统：讲解工具调用机制（函数调用、API集成、错误处理）及记忆系统（对话历史、用户偏好管理）；
6. 工作流编排：介绍LangChain、AutoGen等框架，构建多智能体系统的复杂自动化流程。

项目具有强实践导向，每个主题配有代码示例和案例（如RAG问答系统、工具调用示例）。应用场景包括：

• 企业知识管理：基于RAG的内部文档问答；
• 自动化客服：多轮对话智能体；
• 代码辅助开发：工具调用编程助手；
• 数据分析：自动查询与报告生成；
• 内容创作：生成式AI与人工审核工作流。

初学者建议顺序：提示工程基础→RAG技术→工具调用→智能体架构与工作流编排；有经验开发者可直接深入感兴趣专题，资源库提供进阶材料与最佳实践，帮助构建生产级AI系统。

生成式AI和智能体AI重塑软件开发方式，该资源库提供系统性学习入口，涵盖理论到实践的知识体系，且持续更新跟进最新技术。对开发者而言，掌握这些技术是AI时代保持竞争力的必修课，此资源库是理想起点。