第7章 AI技术基础与工具选型

Thu, 12 Feb 2026 00:00:00 +0000

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。

Workflow on SelfTechHub

第7章 AI技术基础与工具选型

第7章 AI技术基础与工具选型

§7.1 FDE要懂的技术深度

§7.2 核心技术逻辑图解

7.2.1 大模型调用

7.2.2 Prompt工程

7.2.3 RAG检索

7.2.4 工作流编排

§7.3 主流工具盘点

7.3.1 大模型平台

7.3.2 零代码Agent搭建平台

7.3.3 工作流自动化工具

7.3.4 数据处理工具

§7.4 工具选型方法论

选型四步法

选型的常见误区

选型决策表

§7.5 场景与工具的匹配速查

本章小结

思考题

延伸阅读