AI 程序员的学习与发展方向你应该学习的知识

每个开发人员都应该知道的数据库索引类型

数据库索引是一种派生结构，它将列值映射到表中行的物理位置。让我们看看一些关键的索引类型：

• 主索引

在表上定义主键时，会自动创建此索引。此类索引可以是密集索引，也可以是稀疏索引，但在大多数情况下，稀疏索引是首选索引。

密集索引包含表中每一行的一个条目。另一方面，稀疏索引仅包含表中某些行的条目。

• 聚集索引

聚集索引确定表中行的物理顺序。一个表上只能存在一个聚集索引，因为数据一次只能按一个顺序存储。它非常适合范围查询、有序扫描和 I/O 效率。

• 二级索引

非聚集索引是一种单独的结构，它保存一个或多个列的副本以及指向表中实际行的指针。它不会影响数据的物理存储方式，并且可以使用主索引来查找记录。

Agentic AI 学习路线图

AI 代理是一个能够使用工具（API、互联网、代码等）自主行动、对环境做出反应的系统，并且可以在人类指导下工作。

要构建 AI 代理，必须了解 Python、Jupyter、PyTorch 和 GitHub Copilot 等工具。这些支持编码、实验以及与 AI 库和 API 的集成。

GenAI 基础模型熟悉 GPT、Gemini、 LLaMa、DeepSeek 和 Claude 等大型模型至关重要。这些模型提供了代理可用于推理、生成和理解的基本智能。

• AI 代理开发堆栈

工具（如 Langchain、AutoGen、Crew AI）以及 Semantic Kernel 和 Hugging Face 等框架为代理工作流程提供动力。这些组件管理代理管道中的任务、内存和外部工具集成。

• API 设计

了解 REST、GraphQL、gRPC 和 SOAP 等 API 设计方法对于构建可互作的代理至关重要。关键概念包括 HTTP 方法、状态代码、版本控制、Cookie、标头和缓存。

• AI 代理

类型 了解几种类型的 AI 代理，例如简单反射、基于模型的反射、基于目标的反射、基于效用的代理和学习代理。每个的复杂程度各不相同。

• AI 代理系统架构

AI 代理可以作为单代理、多代理系统或人机协作运行。体系结构取决于用例。

AI VS 机器学习 VS 深度学习 VS 生成式 AI

• 人工智能 （AI）

这是一个专注于创建机器或系统的总体领域，这些机器或系统可以执行通常需要人类智能的任务，例如推理、学习、解决问题和语言理解。人工智能由各个子领域组成，包括机器学习、自然语言处理、机器人技术和计算机视觉

• 机器学习 （ML）

它是 AI 的一个子集，专注于开发算法，使计算机能够从数据中学习并根据数据做出决策。

ML 系统不是为每个任务都显式编程，而是在接触更多数据时提高其性能。常见应用程序包括垃圾邮件检测、推荐系统和预测分析。

• 深度学习

它是 ML 的一个特殊子集，它利用具有多层的人工神经网络对数据中的复杂模式进行建模。

神经网络是受人脑神经元网络启发的计算模型。深度神经网络可以自动发现未来检测所需的表示。用例包括图像和语音识别、NLP 和自动驾驶汽车。

• 生成式人工智能

它是指能够生成与训练数据相似的新内容（例如文本、图像、音乐或代码）的人工智能系统。它们依赖于 Transformer 架构。

著名的生成式人工智能模型包括用于文本生成的 GPT 和用于图像创建的 DALL-E。

应该知道的 20 大人工智能概念

• 机器学习：核心算法、统计学和模型训练技术。
• 深度学习：分层神经网络自动学习复杂的表示。
• 神经网络：分层架构可以有效地准确地对非线性关系进行建模。
• NLP：处理和理解自然语言文本的技术。
• 计算机视觉：有效解释和分析视觉数据的算法
• 强化学习：跨多个服务器分布流量以提高可靠性。
• 生成模型：使用学习的数据创建新的数据样本。
• LLM：使用海量预训练数据生成类似人类的文本。
• Transformers：为现代 AI 模型提供支持的基于自注意力的架构。
• 特征工程：设计信息丰富的特征以显着提高模型性能。
• 监督学习：在没有标记数据的情况下学习有用的表示。
• 贝叶斯学习：使用概率模型方法合并不确定性。
• 提示工程：制定有效的输入来指导生成模型输出。
• AI 代理：感知、决策和行动的自主系统。
• 微调模型：为特定领域的任务定制预训练模型。
• 多模态模型：跨图像、视频和文本等多种数据类型进行处理和生成。
• 嵌入：将输入转换为机器可读的矢量格式。
• 向量搜索：使用密集向量嵌入查找相似的项目。
• 模型评估：使用验证技术评估预测性能。
• 人工智能基础设施：部署可扩展的系统来支持人工智能运营。

用于构建 RAG 应用程序的 AI 应用程序堆栈

• 大型语言模型

这些是检索增强生成 （RAG） 背后的核心引擎，负责理解查询并生成连贯且上下文相关的响应。一些常见的 LLM 选项包括 OpenAI GPT 模型、Llama、Claude、Gemini、Mistral、DeepSeek、Qwen 2.5、Gemma 等。

• 框架和模型访问

这些工具通过处理提示编排、模型切换、内存、链接和路由，简化了 LLM 与应用程序的集成。常见的工具有 Langchain、LlamaIndex、Haystack、Ollama、Hugging Face 和 OpenRouter。

• 数据库

RAG 应用程序依赖于存储和检索相关信息。这些矢量数据库针对相似性搜索进行了优化，而 Postgres 等关系选项则提供结构化存储。工具有 Postgres、FAISS、Milvus、pgVector、Weaviate、Pinecone、Chroma 等。

• 数据提取

为了填充您的知识库，这些工具有助于从 PDF、网站和 API 等非结构化来源中提取结构化信息。一些常用工具是 Llamaparse、Docking、Megaparser、Firecrawl、ScrapeGraph AI、Document AI 和 Claude API。

• 文本嵌入

嵌入将文本转换为支持语义相似性搜索的高维向量，这是在 RAG 中将查询与相关上下文连接起来的关键步骤。常用工具包括 Nomic、OpenAI、Cognita、Gemini、LLMWare、Cohere、JinaAI 和 Ollama。