Vibe Coding 与 AI Agent 全景知识库

主题

📖 第二章：核心概念扫盲 —— 从软件基建到 AI Agent 底层全解 ​

欢迎来到 《Vibe Coding 极速通关》第二章：概念扫盲！

如果说第一章《发展之路》建立了整体视角，本章会进一步说明软件与 Agent 中常见的技术概念，以及这些概念之间如何衔接。

不管是前端、后端、数据库、Git，还是大模型底层、Transformer、Agent 闭环、上下文工程、MCP 协议、RAG 向量库、Multi-Agent 多智能体五大范式、微调量化、Harness/Loop 工程、主流开发框架，乃至AI 时代最值得读的代表论文、前沿代表项目（DeerFlow/DeepAgents）、Skills 市场与 MCP 教程，我们一律结合具体场景说明，即使你是零基础小白，也能轻松通读无压力！

🧭 第二章全景知识图谱 ​

🧭 第二章全景知识图谱

📑 章节目录导航 ​

点击下方链接逐一阅读各小节的通俗精讲与权威官方链接：

  1. 2.1 软件架构基础：计算机、网络、前端、后端、数据库、中间件、微服务、同步与异步

    • 开胃菜先补底层：电脑与操作系统怎么跑起来、IP/端口/服务器/接口是什么、一次网页请求的完整旅程；再借饭店前厅与后厨的比喻，彻底搞懂现代互联网软件的骨架与协作方式。

  2. 2.2 Git 与 GitHub 极速入门：时光机、代码云盘、注册与代理配置

    • 什么是 Git 存盘点？什么是 GitHub 社交广场？国内如何配置代理流畅拉取代码？

  3. 2.3 大模型本质与工作原理：超级文字接龙、高维压缩与 Transformer

    • 大模型到底是怎么学会说话的？它的本质是什么？Transformer 注意力机制在解决什么？

  4. 2.4 Agent 机制与运行原理：给大模型装上眼睛、双手与规划大脑

    • 为什么普通聊天模型不是 Agent？ReAct（思考-行动-观察-自愈）闭环与做大餐大比喻。

  5. 2.5 提示词与上下文工程：从写好 Prompt 到喂饱 Context

    • 提示词工程 vs 上下文工程的区别；KV Cache 预制菜与避免“迷失在中间”。

  6. 2.6 记忆管理与 Agent Skills：短期遗忘、长期记忆与技能包扩展

    • 人类三大记忆映射、滑动窗口截断、向量记忆库持久化；可复用技能安装包体系。

  7. 2.7 工具调用、MCP 协议与 A2A 协作：打通软硬件通用连接

    • Function Calling 递小票原理；Anthropic MCP 万能协议；A2A 三大协作拓扑。

  8. 2.8 RAG 知识库与向量存储：给 AI 备一本开卷考试参考书

    • 相亲角红娘打分雷达图（Embedding）、千层饼分块重叠、海选+决赛混合检索与重排。

  9. 2.9 Multi-Agent（多智能体）：团队作战与五大核心协作范式

    • 告别单兵作战瓶颈；深入监工调度、线性流水线、树状层级、法庭辩论对抗与自组织蜂群五大范式！

  10. 2.10 模型微调与量化技术：专科深造与轻量化瘦身秘籍

    • SFT/LoRA 专科深造 vs RAG 选型判断方法，GGUF/AWQ 4-bit 极限瘦身。

  11. 2.11 Harness 工程与 Loop 工程：从单次问答到自主工业级闭环

    • 运行与评测支架（Agent/Eval Harness 与 SWE-bench）；自主循环控制与死循环熔断。

  12. 2.12 主流开发框架全景：LangChain、LangGraph、AutoGen 与 CrewAI

    • 工业级落地框架盘点！三大单 Agent 与三大多 Agent 主流框架横向对比与官方选型指南。

  13. 2.13 AI 时代最值得读的论文、代表项目、Skills 市场与 MCP 教程

    • 8 篇里程碑论文（Transformer、ReAct、Reflexion、SWE-bench 等）+ 前沿必学代表项目（Hello-Agents、Learn-Claude-Code、DeerFlow、DeepAgents）+ Agent Skills 大市场 + MCP 极速实战教程！

建议的阅读顺序 ​

如果缺少软件基础，建议从 2.1 和 2.2 开始，再进入模型、Agent 与上下文。已经熟悉开发流程的读者，可以先读 2.3—2.7，建立“模型如何生成、Agent 如何行动、工具如何接入”的主链路，再按需要补充 RAG、多智能体、微调和框架选型。

每学到一个概念，可以同时记下三个问题：它解决什么问题，它不负责什么，它在一次真实任务中怎样被验证。这个方法能减少概念之间的混用，也方便后续阅读框架源码。