# SelfTechHub

> SelfTechHub | 聚焦成长、技术、商业、AI 的记忆研究，分享可落地的职场、技术、创业方法论

本文件遵循 llmstxt.org 约定，供 AI 助手与 AI 搜索引擎快速理解本站结构与核心内容。
站点性质：个人原创中文深度博客。内容主题：成长认知、技术精进、商业财富、AI 落地与实战教程。
使用许可：欢迎 AI 检索、摘要与引用，请保留原文链接（https://blog.irudder.me/）。

## 内容板块
- [成长认知](https://blog.irudder.me/categories/%E6%88%90%E9%95%BF.html)：261 篇 —— 聚焦职场晋升、精力管理、心态成长，分享可落地的个人成长方法论
- [财富自由](https://blog.irudder.me/categories/%E5%95%86%E4%B8%9A.html)：200 篇 —— 聚焦小成本创业、私域运营、银发经济，拆解可复制的商业逻辑和试错方法
- [技术精进](https://blog.irudder.me/categories/%E6%8A%80%E6%9C%AF.html)：170 篇 —— 聚焦中小团队的项目管理、架构设计、DevOps落地，10分钟可读的轻量化技术指南
- [AI探索](https://blog.irudder.me/categories/ai.html)：46 篇 —— 聚焦AI工具实测、前沿应用探索、落地场景拆解，记录从小白到实践者的真实进化路径

## 系列教程（建议按顺序阅读）
- [AI知识成长体系](https://blog.irudder.me/series/AI%E7%9F%A5%E8%AF%86%E6%88%90%E9%95%BF%E4%BD%93%E7%B3%BB.html)：共 24 篇，分 2 个阶段（章节详解 → 体系实战） —— 一站式 AI 大模型学习路线：阶段一为 16 章认知与工程详解，阶段二为 8 篇体系化实战，从原理到落地循序渐进。
- [AI落地工程师（FDE）实战指南](https://blog.irudder.me/series/AI%E8%90%BD%E5%9C%B0%E5%B7%A5%E7%A8%8B%E5%B8%88FDE%E5%AE%9E%E6%88%98%E6%8C%87%E5%8D%97.html)：共 22 篇 —— 面向 AI 前线部署工程师（FDE）的 22 章完整实战教程：行业认知、入行路径、Prompt/工作流技能、项目交付 SOP、商业化与规模化，直到团队管理与职业规划。

## 核心页面
- [首页](https://blog.irudder.me/)
- [全部文章归档](https://blog.irudder.me/archives.html)
- [站内搜索](https://blog.irudder.me/search.html)
- [关于作者与本站](https://blog.irudder.me/about/)

## 最新文章
- [AI知识成长体系总纲——学习路径与进阶指南](https://blog.irudder.me/ai/ai-systematization/07-AI-Knowledge-Growth-System-Overview.html)：本文是「AI知识成长体系」系列的收官篇。
- [Claude Code实战——AI编程工程深度拆解](https://blog.irudder.me/ai/ai-systematization/06-Claude-Code-Practical-Guide.html)：本文是「AI 大模型工程知识体系」系列的第 06 篇。在前五篇中，我们分别拆解了大模型原理、RAG 检索增强、工具调用机制和 LangChain 框架。
- [Agent智能体——从概念到自主推理与行动](https://blog.irudder.me/ai/ai-systematization/05-Agent-Intelligent-Agent.html)：本文是「AI 知识体系深度教程」系列的第五篇。
- [LangChain框架全解析——架构、组件与实战](https://blog.irudder.me/ai/ai-systematization/04-LangChain-Framework-Comprehensive-Guide.html)：本篇为 AI 知识系列第 04 篇。素材整合自 LangChain 官方文档、腾讯云开发者社区、MyScale 技术博客、LangGraph 深度教程（2026 版）以及 Claude…
- [LLM工具调用深度解析——从Function Calling到MCP](https://blog.irudder.me/ai/ai-systematization/03-LLM-Tool-Calling-Deep-Dive.html)：本文是「AI 知识体系深度解析」系列的第三篇。LLM 的工具调用能力是 Agent 系统的地基：没有它，模型只是一个会聊天的文字盒子。
- [RAG检索增强生成——从原理到工程落地](https://blog.irudder.me/ai/ai-systematization/02-RAG-Retrieval-Augmented-Generation.html)：本文是「AI 大模型工程知识体系」系列的第 02 篇。
- [大模型基础与工程化实践](https://blog.irudder.me/ai/ai-systematization/01-Foundation-of-Large-Models-and-Engineering-Practice.html)：本文是"AI 知识体系"系列的开篇，系统梳理大语言模型从底层原理到工程落地的完整知识链路。定位是：让初学者理解 LLM 的本质，让有经验者加深对底层原理的理解。
- [AI大模型工程知识体系总览与导论](https://blog.irudder.me/ai/ai-systematization/00-Introduction-to-AI-Large-Model-Engineering-Knowledge-System.html)：本文是「AI知识成长体系」系列的开篇，为全系列8篇文章提供路线图与认知框架。无论你是刚接触大模型的初学者，还是已有工程经验的开发者，都可以从这篇文章找到适合自己的学习路径。
- [第19章：大模型评估与测试——怎么知道你的 AI 系统好还是不好？](https://blog.irudder.me/ai/knowledge-series/19-LLM-Evaluation-and-Testing.html)：系列导读："感觉不错"不是一个好的评估标准。本章教你建立一套可复现、可量化、可迭代的评估体系。你改了一个 Prompt、换了一个模型、加了一个工具——效果到底变好了还是变差了？
- [第17章：推理优化——KV Cache、量化与高效生成](https://blog.irudder.me/ai/knowledge-series/17-Inference-Optimization-and-KV-Cache.html)：系列导读：本章是 LLM 工程的核心技术之一。如果你要自建 LLM 服务或做推理调优，KV Cache 是必须理解的第一块基础。
- [第15章：LangChain 框架——Agent 开发的瑞士军刀](https://blog.irudder.me/ai/knowledge-series/15-LangChain-Framework-Practical-Guide.html)：系列导读：LangChain 是 Agent 开发的主流框架。本章讲框架架构、核心概念和实战决策——"什么时候用 LangChain，什么时候应该甩开它"。手工实现一个 Agent，你需要写：
- [第14章：Agent 记忆系统——如何让 AI 记得你的约定？](https://blog.irudder.me/ai/knowledge-series/14-Agent-Memory-System.html)：系列导读：记忆是 Agent 区别于单次对话 LLM 的核心特征之一。没有记忆，Agent 每次对话都像第一次认识。你：帮我分析这份 Excel 里的销售数据，只关注华东地区。
- [第12章：Agent 推理模式——从 CoT 到 ReAct 再到自主执行](https://blog.irudder.me/ai/knowledge-series/12-Agent-Reasoning-Patterns-and-ReAct.html)：系列导读：本章深入 Agent 的"思考方式"，是它之所以"智能"的核心机制。理解了推理模式，你才能真正设计好一个 Agent 的行为逻辑。
- [第11章：Agent 核心架构拆解——四个缺一不可的组件](https://blog.irudder.me/ai/knowledge-series/11-Agent-Core-Architecture-Explained.html)：系列导读：本章深入 Agent 的内部结构。如果你准备亲手实现一个 Agent，这就是你要看的「系统说明书"。一个完整的 Agent 系统由以下四个核心组件构成，任何一个掉链子，系统都跑不好：
- [第10章：从 Prompt 到 Agent——AI 能力跃迁的分水岭](https://blog.irudder.me/ai/knowledge-series/10-From-Prompt-to-Agent.html)：系列导读：本章是 Agent 模块的开篇。建议先看第1-5章建立 LLM 和工具调用的基础认知，再进入 Agent 的学习。Prompt 时代：你给模型一个指令，模型给你一个回答。对话结束。
- [第9章：RAG 检索优化全攻略——从召回率到答案质量](https://blog.irudder.me/ai/knowledge-series/09-RAG-Retrieval-Optimization-Guide.html)：系列导读：检索是 RAG 的命脉，召回的内容质量决定了 LLM 回答的天花板。本章系统讲解检索优化的四维框架。先看三个现实问题：
- [第8章：Embedding 与向量数据库——RAG 的技术底座](https://blog.irudder.me/ai/knowledge-series/08-Embedding-and-Vector-Database-Selection.html)：系列导读：本章讲 RAG 的"底层基础设施"。选对了 Embedding 模型和向量数据库，后面的优化事半功倍；选错了，上层做再多也救不回来。Embedding（嵌入）做的事情本质上只有一件：
- [第7章：文档切割——Chunking 的策略与最佳实践](https://blog.irudder.me/ai/knowledge-series/07-Chunking-Strategies-and-Best-Practices.html)：系列导读：本章是 RAG 的进阶篇。很多人以为 chunking 就是「切成 500 token」，但实际上它是影响检索质量最关键的工程决策之一。
- [第6章：RAG——给大模型一本「开卷考试」的参考资料](https://blog.irudder.me/ai/knowledge-series/06-What-is-RAG.html)：系列导读：RAG 是 LLM 工程中最主流、最有实现价值的系统方案。从本章开始，建议认真跟完 RAG 模块（第6-11章），这是把 LLM 做成靠谱产品最关键的技术栈。
- [第5章：MCP——工具调用的标准化革命](https://blog.irudder.me/ai/knowledge-series/05-MCP-and-Protocolized-Tool-Ecosystem.html)：系列导读：本章是上章的延伸。如果你还在手写每个工具的集成代码，MCP 就是来救你的。它能让你接入一个工具的效率从「一天」降到「十分钟」。
- [第4章：Function Calling——让大模型从「聊天者」变成「执行者」](https://blog.irudder.me/ai/knowledge-series/04-Function-Calling.html)：系列导读：从本章开始，我们进入 LLM 的「行动能力」阶段。如果你还没看第1章，建议先了解 LLM 的本质，再去理解为什么它能「调用工具」是真正的事半功倍。
- [第2章：Transformer架构——LLM的心脏，你必须了解的结构](https://blog.irudder.me/ai/knowledge-series/02-Transformer-Architecture-Explained.html)：系列导读：本章是系列中最偏技术原理的一章。如果你不需要深挖底层，可以跳过神经网络和注意力机制的具体数学，但Attention 机制的概念建议不要跳过，它是理解一切 LLM 能力的基础。
- [第3章：大模型幻觉——它为什么胡说八道？如何让它老实？](https://blog.irudder.me/ai/knowledge-series/03-Hallucination-and-Controllability.html)：系列导读：从本章开始，我们从「原理认知」转向「工程控制」。理解幻觉的成因，是构建可靠 AI 系统的第一步。当你问 GPT-4：「鲁迅和周树人是什么关系？」
- [第1章：大语言模型到底是什么？从零开始的AI认知升级](https://blog.irudder.me/ai/knowledge-series/01-What-is-LLM.html)：系列导读：这是「AI知识成长体系」系列的开篇。如果你刚接触大模型，本章帮你建立底层认知；如果你已有经验，建议从第3章「幻觉与可控性」开始，那里的工程视角同样值得回顾。
- [第22章 行业趋势与职业长期规划](https://blog.irudder.me/ai/ped/Chapter22-Industry-Trends-and-Long-term-Career-Planning.html)：全书最后一章，从当下望向未来。FDE是过渡性岗位还是长期职业？从业者该如何规划长期发展？新技术（Agent、MCP等）会怎样改变FDE？
- [第21章 FDE团队管理与人才培养](https://blog.irudder.me/ai/ped/Chapter21-FDE-Team-Management-and-Talent-Development.html)：前几章讲了战略与组织。本章讲团队——FDE团队负责人与服务商创始人的核心功课。本章讲FDE人才能力模型与招聘标准、人才培养体系、团队协作机制、绩效与激励设计。
- [第20章 AI战略价值与高管沟通](https://blog.irudder.me/ai/ped/Chapter20-AI-Strategic-Value-and-Executive-Communication.html)：第19章讲规模化。本章讲FDE能力的最高层——战略对话。大型标杆项目与年度合作，决策权在企业高管。FDE要拿下这些项目，必须能从战略层面与高管对话，把AI从工具升级为企业核心能力。
- [第19章 规模化交付与产品化设计](https://blog.irudder.me/ai/ped/Chapter19-Scaled-Delivery-and-Productization-Design.html)：第13章讲了组件化沉淀，本章讲从组件到产品的进阶——规模化交付与产品化。定制化服务毛利低、不可扩展，是独立服务商与FDE团队的共同痛点。
- [第18章 AI原生组织与团队运作机制](https://blog.irudder.me/ai/ped/Chapter18-AI-Native-Organization-and-Team-Operations.html)：第17章讲了企业级方案的技术架构。但企业级AI落地的真正难点，往往不在技术，在组织——AI要真正融入企业运转，需要组织架构、协作机制、工作模式的深层改变。
- [第17章 企业级复杂解决方案架构设计](https://blog.irudder.me/ai/ped/Chapter17-Enterprise-Complex-Solution-Architecture.html)：第四篇从单项目交付升级到企业级。企业级项目与中小项目的核心差异在"复杂度"——多系统、多部门、多场景、强合规。

## 数据与订阅
- Sitemap: https://blog.irudder.me/sitemap.xml
- RSS: https://blog.irudder.me/index.xml
- 站内搜索索引 (JSON): https://blog.irudder.me/search.json
- 全站全文（供 AI 一次性读取）: https://blog.irudder.me/llms-full.txt

## 说明
- 本站为纯静态站点，无登录、无付费墙，所有正文可公开访问。
- 引用请注明来源：SelfTechHub（https://blog.irudder.me/）。