第7章 AI技术基础与工具选型

本章导读

第4章扫盲了术语，本章把术语背后的技术逻辑讲透，并落到FDE最实际的决策——工具选型。FDE不必写底层代码，但必须懂技术原理，才能判断"什么场景用什么工具"。本章图解大模型调用、Prompt工程、RAG检索、工作流编排四项核心技术的原理；盘点主流工具；给出以落地效果为核心的选型方法论。读完本章，你应当能根据业务场景，快速匹配合适的工具组合。

§7.1 FDE要懂的技术深度

先校准一个认知：FDE要懂技术，但不必要懂到能写底层算法。

FDE的技术深度标准是**“能判断、能配置、能排查”**：

能判断：知道什么场景该用什么技术、什么技术做不了什么。
能配置：能在零代码平台配置Prompt、RAG、工作流。
能排查：出问题能定位是Prompt、数据、还是接口的问题。

不要求"能开发"——开发底层是算法工程师与平台团队的事。FDE的技术价值在应用层判断，不在底层实现。

§7.2 核心技术逻辑图解

7.2.1 大模型调用

原理：FDE通过API向大模型发送一段文本（Prompt），模型返回生成的文本（Response）。整个过程是"输入文本→模型预测→输出文本"。

图7-1：大模型调用流程 （建议呈现：横向流程图。Prompt组装→API请求→模型推理→Response返回→结果解析。）

FDE要懂的关键点：

Token计费：输入与输出都按Token计费，长Prompt成本高。
上下文窗口：超过窗口的输入会被截断，影响效果。
温度（Temperature）：控制输出随机性，0最确定、1较随机。事实性任务用低温度，创意性任务用高温度。
超时与重试：API可能超时或失败，调用逻辑要设计重试。

7.2.2 Prompt工程

原理：Prompt是给大模型的指令。同样的模型，不同Prompt效果天差地别。Prompt工程就是设计能稳定产出预期结果的指令。

核心要素：

角色设定：告诉模型"你是谁"（“你是一位资深客服主管”）。
任务描述：明确要做什么（“请根据以下客户问题，生成回复”）。
约束条件：限定输出（“不超过200字"“不承诺具体赔偿”）。
输出格式：指定结构（JSON、表格、Markdown）。
Few-Shot示例：给几个输入输出范例，引导模型学习模式。

方法论框7-1：Prompt五要素检查 写完一个Prompt，逐项检查：

角色设定了吗？

任务说清了吗？

约束给了吗？

输出格式定了吗？

需要Few-Shot吗？五项想清楚再写，比写完返工快。

7.2.3 RAG检索

原理：见第4章§4.5。RAG的核心是"先检索相关片段，再让模型基于片段回答”。

FDE要懂的调优点：

切片策略：文档怎么切（按段落、按字数、按语义）影响检索质量。
向量模型选择：不同向量模型对中文、专业术语的支持不同。
检索Top-K：每次取几条最相似片段，太少漏信息、太多噪声多。
重排序（Rerank）：对检索结果二次排序，提升相关性。
混合检索：向量检索+关键词检索结合，兼顾语义与精确匹配。

图7-2：RAG调优关键点 （建议呈现：流程图，在标准RAG流程上标注切片、向量模型、Top-K、Rerank、混合检索五个调优点。）

7.2.4 工作流编排

原理：把复杂任务拆成多个节点，每个节点用一个AI能力或工具，按顺序/条件串联，自动完成。

节点类型：

大模型节点：调用LLM做生成/分析/分类。
工具节点：调用API、查数据库、发邮件。
条件节点：根据上游输出分支。
循环节点：对列表数据逐条处理。

图7-3：工作流编排示例 （建议呈现：节点流程图。输入→LLM分类→条件分支（A/B）→A分支调工具+LLM生成→B分支直接LLM生成→合并输出。）

FDE要懂的设计点：

节点粒度：每个节点做一件事，不要塞太多逻辑。
错误处理：每个节点都可能失败，要有降级方案。
数据流转：上游节点的输出如何作为下游输入，要设计清楚。

§7.3 主流工具盘点

说明：工具市场变化快，本节盘点为撰写时主流选择，读者应以最新市场情况为准。本书不替任何工具背书，仅做分类参考。

7.3.1 大模型平台

提供模型调用能力。选型关注：能力、价格、稳定性、合规性。

海外：GPT系列、Claude系列、Gemini系列（国内使用需注意合规）。
国内：通义、文心、智谱、月之暗面、DeepSeek、豆包等，各有侧重。

FDE建议至少熟悉2-3个，因为不同模型在不同任务上表现差异大。

7.3.2 零代码Agent搭建平台

提供Agent/Skill/工作流的可视化搭建。选型关注：易用性、扩展性、生态、价格。

主流方向：

大厂生态平台：与自家模型深度集成，适合深度用户。
独立Agent平台：支持多家模型，灵活度高。
工作流自动化平台：偏自动化集成，适合跨系统串联。

7.3.3 工作流自动化工具

用于跨系统串联、触发与执行。关注：连接器丰富度、稳定性、触发方式。

7.3.4 数据处理工具

用于清洗、转换、分析数据。关注：处理量、易用性、与AI能力的衔接。

§7.4 工具选型方法论

工具多到眼花，FDE怎么选？核心原则一句话：以落地效果为核心，不是以技术先进性为核心。

选型四步法

方法论框7-2：工具选型四步法

先定场景：要解决什么业务问题？输出什么效果？

再定能力：完成这个场景需要哪些AI能力（生成/检索/分类/编排）？

匹配工具：哪些工具能提供这些能力？列候选清单。

实测对比：用真实数据测2-3个候选，选效果最好且成本可控的。

选型的常见误区

误区一：追新。 新工具层出不穷，追新会陷入"工具焦虑"。原则：能用现有工具解决的，不换新。

误区二：贪全。 想用一个工具解决所有问题。现实是每个工具都有强项弱项，组合使用更合理。

误区三：只看Demo。 工具Demo都很漂亮，真实业务数据下表现可能差很多。必须用客户真实数据测。

误区四：忽视成本。 光看效果不看成本，上线后发现Token费用爆表。选型必须算成本。

误区五：忽视合规。 客户数据敏感度不同，选型要考虑私有化部署、数据脱敏、合规通道。

选型决策表

建议FDE维护一张自己的选型决策表，每次选型填一遍：

维度	权重	候选A	候选B	候选C
效果（实测）	30%
成本	20%
稳定性	15%
易用性	10%
合规性	15%
生态扩展	10%
加权总分

填完表，选型决策有据可依，不再是拍脑袋。

§7.5 场景与工具的匹配速查

把四类典型场景（第4章§4.9）与工具匹配，给一张速查表。

场景类型	核心能力	推荐工具组合	关键调优点
信息整理	分类/摘要	大模型 + Prompt	Prompt约束输出格式
内容生成	生成	大模型 + Prompt + Few-Shot	角色设定与Few-Shot
知识问答	检索+生成	大模型 + RAG + 向量库	切片与Top-K
流程自动化	编排+集成	工作流平台 + 大模型 + 工具	节点粒度与错误处理

这张表是入门速查，复杂场景需组合多种能力，第三篇会深入。

本章小结

技术深度标准：能判断、能配置、能排查，不要求能开发底层。
四项核心技术：大模型调用、Prompt工程、RAG检索、工作流编排，各有调优点。
工具盘点：大模型平台、Agent平台、工作流工具、数据处理工具四类。
选型方法论：先定场景→再定能力→匹配工具→实测对比，以落地效果为核心。
选型误区：追新、贪全、只看Demo、忽视成本、忽视合规。
场景速查：四类场景对应不同工具组合与调优点。

思考题

选一个你熟悉的工作任务，判断它属于四类场景的哪类，匹配对应工具组合。
用方法论框7-2，为这个任务做一次工具选型，填出选型决策表。
找两个大模型，用同一组Prompt测试同一任务，对比效果差异并分析原因。
用零代码平台搭一个简单RAG，调整切片策略与Top-K，观察检索效果变化。