AI 人工智能概览
1. 一句话结论
AI 在 CBL 中既是需要持续理解的技术领域，也是连接所有知识方向的能力放大器；它的价值不只来自模型本身，而来自数据、知识、工具、工作流、评估与人的判断共同构成的系统。
2. 定位与边界
AI 领域收纳以智能模型和自动化系统为核心的问题，包括模型能力、Embedding、RAG、Agent、评估、数据流程、AI Coding 和产品化。
以下内容不因为使用了 AI 就自动归入本目录：
- AI 辅助分析 APD 数据表，主要领域仍是
photonics。 - AI 辅助个人资产研究，主要领域仍是
finance。 - AI 辅助健康记录，主要领域仍是
body，并遵守隐私和医疗边界。 - AI 辅助写技术文章，若主题是表达方法，可归入
creation。
判断原则是：文档主要回答“AI 怎样工作”时归入 AI；主要回答“某个专业问题是什么”时归入对应专业领域，并使用 ai 标签建立连接。
3. 知识地图
基础概念
- 机器学习、深度学习与生成式 AI
- Transformer、Token、上下文与推理
- 训练、微调、推理和模型服务
模型与能力
- 文本、视觉、语音和多模态模型
- 能力边界、上下文限制与不确定性
- 模型选择、成本、延迟和质量折中
表示与检索
- Embedding 与语义表示
- 关键词搜索、向量搜索与混合检索
- RAG、重排、引用与知识更新
Agent 与工具
- 工具调用、计划、状态和执行循环
- 权限、确认、失败恢复与可观测性
- 单 Agent、工作流和多 Agent 协作
评估与治理
- 任务成功率、检索质量和回答依据
- 幻觉、偏差、隐私、安全与访问控制
- 测试集、回归评估和人工复核
工程与产品化
- 数据管道、模型接口和应用架构
- AI Coding 与软件工程自动化
- 用户体验、成本控制和业务闭环
4. 一套 AI 系统的基本层次
可以把实际 AI 应用理解为以下层次：
用户目标与产品界面
↓
工作流 / Agent / 工具
↓
模型推理与上下文
↓
搜索 / RAG / 记忆
↓
文档 / 数据 / 外部系统
评估、权限、安全和可观测性贯穿所有层次
模型是核心组件，但不是完整产品。数据质量、检索准确性、工具权限和评估方法，往往比更换模型更直接地决定系统是否可靠。
5. 当前推荐阅读
后续将增加 AI Coding 工作流、模型评估、知识库元数据和 Agent 基础等主题。
6. AI 与 CBL 的关系
CBL 首先是由 Markdown、元数据和引用构成的知识源，然后才是 AI 语料库。AI 在其中可以承担：
- 帮助整理资料和发现缺失结构。
- 根据规范生成草稿，但不替代专业复核。
- 建立关键词与语义检索。
- 在可追溯来源的基础上回答问题。
- 将 Photonics、Finance、Body 和 Mind 的知识连接到具体任务。
AI 生成内容不能因为语言流畅就直接成为 stable。来源、边界、适用条件和专业审核仍然是 CBL 的质量基础。
7. 内容时效性
AI 模型、产品和平台变化较快。涉及具体模型、价格、限制或接口的文档，应优先引用官方资料并维护 last_reviewed；长期文档则更关注不依赖单一厂商的系统概念和判断框架。
8. 与其他方向的关系
- Photonics：资料分析、测试数据处理、仿真辅助、器件知识检索和产品自动化。
- Finance：数据研究、信息提取、风险提示和流程自动化。
- Body：健康知识整理与个人反馈，但必须保护敏感数据并避免替代医疗判断。
- Mind：帮助学习、写作和决策，也需要认识论来约束模型输出。
- Business：把 AI 能力转化为产品、流程、组织效率和市场价值。
- Creation：辅助写作、视觉、演示和内容生产，同时保留人的审美与责任。
9. 参考资料
- Attention Is All You Need，Vaswani 等，2017。Transformer 架构的原始论文。
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks，Lewis 等，2020。RAG 的代表性原始论文。
- ReAct: Synergizing Reasoning and Acting in Language Models，Yao 等，2022。语言模型推理与外部行动结合的代表性工作。
10. 修订记录
- 2026-08-27：建立 AI 领域定位、边界和知识地图。