本文迁移自 mindcarver/91ai · 原始位置 docs/paths/backend.md · 由 @阿新聊ai 整理。
后端学习路径
面向后端工程师、平台工程师、全栈偏后端开发者。
核心目标：构建可靠、可观测、可评测的 AI 应用后端，而不是只封装一次模型调用。
推荐路线
| 阶段 |
学什么 |
产出 |
| 1 |
模型 API |
统一模型调用、超时、重试、错误处理、成本日志 |
| 2 |
结构化输出 |
JSON schema、校验、降级和失败处理 |
| 3 |
工具调用 |
工具 schema、参数校验、幂等性、权限 |
| 4 |
RAG |
文档切分、embedding、检索、rerank、引用 |
| 5 |
工作流 |
多步骤流程、人工确认、状态机、回滚 |
| 6 |
Agent |
受控 agent loop、最大步数、最大成本、停止条件 |
| 7 |
评测 |
用例集、trace、回归评测、失败分类 |
| 8 |
生产化 |
tracing、replay、监控、限流、fallback |
先看这些专题
第一个项目
做一个 文档 RAG 服务。
它应该包含：
- 文档导入。
- 检索与引用。
- 检索失败处理。
- API 日志。
- 简单评测集。
- 成本和延迟记录。
推荐工具方向
| 方向 |
工具类型 |
| 模型调用 |
OpenAI、Anthropic、Gemini、本地模型网关 |
| RAG |
LlamaIndex、LangChain、向量数据库、rerank |
| Agent / Workflow |
OpenAI Agents SDK、LangGraph、CrewAI、AutoGen |
| 评测 |
Promptfoo、DeepEval、LangSmith、agent eval |
| 观测 |
tracing、structured logs、cost dashboard |
避坑
- 不要把向量检索当成万能长期记忆。
- 不要没有引用就声称回答基于资料。
- 不要让 Agent 拥有过大的写权限。
- 不要没有回归评测就替换模型、prompt 或检索策略。