入门与定位
为什么花这么多时间讲原理？
磨刀不误砍柴工 · 打好基础才能真正做工程化
AI 所有工程化操作，本质上都是对上下文的高效处理
不管是 Prompt Engineering、RAG、Fine-tuning，还是 Agent 工具调用，所有的花活，基本上都围绕着这个 message list 处理。理解它，你才能真正判断方案好不好、问题出在哪里。
所有工程化操作，本质都在做这件事
Prompt Engineering
精心构造 messages，让模型看到正确的上下文：系统指令、角色定义、少样本示例，全部是往 message list 里塞内容。
RAG 检索增强生成
从外部知识库取回相关文档片段，拼进 message list 再发给模型，本质是在运行时扩充上下文。
Agent 工具调用
模型输出 function call → 执行工具 → 把结果 append 回 message list → 再次推理。每一轮都是在积累上下文。
Fine-tuning / SFT
把大量理想的 message list 烧进模型权重，让模型默认就能按期望方式处理上下文，省去每次都要在 prompt 里说明的成本。
不理解底层，会卡在这些问题上
「Prompt 改了没用」
System Prompt 被截断、历史对话占满窗口，问题根本出在上下文管理，跟 Prompt 写得好不好没有关系。
「RAG 效果差，不知道哪环节坏了」
Chunking 粒度、Embedding 模型、相似度阈值，不了解原理就不知道该查哪里，只能瞎试。
「模型答错了，该改 Prompt 还是 Fine-tune？」
是上下文没给对，还是参数里压根没这个知识？两件事的修复方式完全不同，搞错方向浪费大量时间。
我会花比较大的篇幅讲解这部分，不推荐跳过。
理解了 message list 的处理逻辑，后面所有工程化方案你都能一眼看穿它在做什么，为什么有效，局限在哪。