API、数据、架构、Prompt、RAG 与 Agent
为核心学习任务设计完整技术实现蓝图。
- 用自己的话解释“API、数据、架构、Prompt、RAG 与 Agent”及其核心术语。
- 在真实 AI 产品场景中识别何时应该使用本课方法。
- 完成一份可沉淀进你的 AI 学习助手项目的实践产出。
REAL SCENE
先从一个真实场景开始
作品集写“前端调用大模型并连接向量数据库”，看似技术化却绕过身份、业务服务、版本和工具授权。面试官会追问 API 如何定义、数据怎样关联、RAG 如何更新、Agent 为什么必要。技术蓝图必须能追溯到用户任务与质量风险。
PLAIN EXPLANATION
说人话：它到底是什么？
技术方案从核心任务时序出发，划分客户端、业务 API、身份权限、数据库、任务队列、模型网关、知识服务、检索、工具和监控。API 是输入输出与错误契约，数据模型保存用户、课程、进度、评测和项目产物；Prompt、RAG、Agent 只用于各自必要节点。设计 Prompt、知识库和 Agent 工作流时，要分别写清指令契约、知识更新与引用机制、工具权限和人工审批点。架构图要说明数据流、信任边界、权威状态、版本、失败与降级。
API 与数据模型
把开始课程、提交测验、生成解释和保存产物建为资源与状态变化。服务端验证身份权限，写操作幂等。表结构有稳定主外键、唯一约束和生命周期，个人内容按目的保留删除。
- 前端不持有模型密钥
- 学习进度由服务端或本地权威层一致管理
- 错误码连接恢复和监控
Prompt 与 RAG 设计
Prompt 版本定义角色、任务、证据和输出 Schema；RAG 文档从课程内容解析切分，保存课程、重点、权限与版本，混合检索重排并引用。评测分别检查召回和生成支持。
- 课程原文是权威知识源
- 重点与模板可做元数据过滤
- 更新删除传播到索引缓存
Agent 必要性与工作流
学习计划生成可由固定工作流完成：读取目标、选择课程、校验时间、生成草案、用户确认。只有跨工具路径不可预先确定时才用 Agent，并限制工具、步数、预算和执行权限。
- 先画确定工作流基线
- 建议和修改学习状态分离
- 所有步骤可回放和降级
技术组件必须服务具体用户任务、质量门槛与风险控制。
API、数据、Prompt、知识和模型均有版本、权限、失败和审计。
优先确定工作流，只有动态路径有可测价值时才引入 Agent。
KEY POINT
这节课最重要的结论
- 为什么重要
- 这决定了完成一套可展示、可答辩的 AI 产品项目时，团队是否拥有一致、可验证的判断标准。
- 适用边界
- 当问题目标、数据来源或失败成本发生变化时，不要机械套用；先重新确认假设和风险等级。
EXAMPLES
正确案例与常见反例
客户端只调用业务 API；LearningProgress 用 lessonId 唯一保存，提交测验幂等。解释请求经模型网关读取版本化 Prompt 和课程 RAG，答案引用 lesson block。学习计划用固定工作流生成 proposal，用户确认后才写进度；全链路有 requestId 和降级。
浏览器保存模型密钥并直接查询全量向量库，用户 ID 由模型生成；课程进度、测验和笔记混在一个 JSON 字符串。任何任务都用多 Agent，能直接修改完成状态；文档更新无版本，错误无法关联接口或模型。
“架构图请标 trust boundary 和 authoritative store。API 资源为 progress、quizAttempt、artifact、aiTask；幂等键和状态机明确。模型网关绑定 prompt/model/kbVersion，RAG 返回 citationIds。Agent 不直接写状态，只提交 proposal。”
HANDS-ON
必做实操任务
本节产出：你的 AI 学习助手项目中的《API、数据、架构、Prompt、RAG 与 Agent》一页实践卡
步骤 1画出用户学习、AI 解释和项目产出的端到端系统时序。
步骤 2为四个核心资源定义 API、JSON、错误、权限、幂等和版本。
步骤 3建立用户、课程、进度、测验、复习和项目产物关系模型。
步骤 4设计 Prompt、RAG 与工作流，说明为何不用或有限使用 Agent。
实践结果会自动保存在本机，并进入项目工坊的任务来源。
核心任务时序：____
组件：client____ API____ auth____ DB____ queue____ model gateway____ RAG____ tools____ monitor____
信任边界与数据流：____
API｜方法｜输入｜输出｜权限｜错误｜幂等：____
数据实体/主键/外键/唯一约束：____
状态机：____
Prompt：role____ task____ context____ constraints____ schema____ version____
RAG：source____ parse____ chunk____ metadata____ retrieve____ cite____ update____
Agent/工作流选择：____
工具和审批：____
requestId/审计：____
超时、重试、缓存、降级、回滚：____CHECKLIST
产品经理工作检查表
MASTERY QUIZ
掌握测验
达到 60% 即可完成本课。
INTERVIEW
常见面试题
展开参考回答
我从核心用户任务画时序，客户端只访问带身份权限的业务 API，资源和数据模型定义稳定 ID、状态、幂等与生命周期。AI 请求经模型网关绑定 Prompt、模型和知识版本；RAG 从受控课程源解析切分、混合检索并逐条引用。能用确定工作流的学习计划不开放 Agent，必要动态节点也只读、限步、可审批降级。
RECAP & FURTHER READING
重点回顾、延伸阅读与下一步
- 1
围绕“API、数据、架构、Prompt、RAG 与 Agent”继续阅读：阅读一份完整项目复盘，沿着目标、证据、方案、交付、结果和反思还原决策链。
- 2
用“系统架构、RAG、Agent”作为检索词，分别写下一条定义、一条适用边界和一个反例。
- 3
对照本课正确案例与反例，寻找一个公开案例并记录其中可复用的判断与不能照搬的条件。