AI 应用工程化六艺： Prompt / RAG / Vector DB / LangChain / LlamaIndex / Fine‑tuning

AI 应用工程化六艺： Prompt / RAG / Vector DB / LangChain / LlamaIndex / Fine‑tuning

写在前面

2026 年，大语言模型早已不是“写个 prompt 就能出奇迹”的时代。任何一个把 AI 认真当生产力用的团队，迟早都会撞上一面墙：模型很强，但就是落不到生产环境里。速度慢、成本高、知识变成时、输出不可控、安全没保障……这些不是模型的错，而是我们缺了一套工程化的方法论。

这篇文章，是我给自己、给团队、给仍在 Java‑C++‑Python 堆栈里摸爬滚打的工程师们，写的一份“AI 应用工程化六艺”地图。不讲漂亮话，只讲落地。

---

一、一个全景图：六项技术在 RAG 流水线中的位置

先给一张总图，后面每一章都会回来对照这张图：

[User query]
    ↣ 
┌─────────────────────────────────────────────────────────────┐
│ 1. Prompt Engineering（现场调参）                           │
│    ↓                           &