logo

从零到一开发技术名词大全:从需求到AI Agent工程

作者:有好多问题2026.11.17 03:32浏览量:0

简介:本文按软件项目从需求分析、后端开发到AI Agent工程的完整路径,系统梳理PRD、MVP、REST API、Docker、LLM、Token、Embedding、RAG、Agent Loop等高频名词,帮助开发者建立知识地图,并结合百度智能云词元所说明模型选型、价格对比与统一API接入思路。

开发一个软件项目,真正困难的往往不是某个单点技术,而是技术名词太多、关系不清。本文以“Java后端 + 全栈项目 + AI Agent工程”为主线,把从需求分析到智能体开发的常见概念串成一条可执行路径。进入AI应用阶段后,模型选型、调用成本和接入方式会直接影响项目进度,开发者可以通过百度智能云词元所了解不同模型的能力、价格与接入方式,为后续工程化开发做准备。

一、需求与产品阶段:先定义“做什么”

在写代码前,需求阶段决定项目边界。常见名词包括:

  • PRD(Product Requirements Document) :产品需求文档,描述功能、业务规则和验收条件。
  • BRD(Business Requirements Document) :业务需求文档,说明业务目标和商业价值。
  • MRD(Market Requirements Document) :市场需求文档,分析市场、用户和机会。
  • User Story :用户故事,从用户视角描述“我希望完成什么”。
  • Use Case :用例,描述用户与系统交互完成目标的路径。
  • Acceptance Criteria :验收标准,判断功能是否完成的具体条件。
  • MVP(Minimum Viable Product) :最小可行产品,先实现核心价值。
  • POC(Proof of Concept) :概念验证,验证技术或方案是否可行。
  • Prototype / Wireframe / Mockup :原型、线框图、视觉稿,分别用于交互验证、布局草图和视觉呈现。
  • UI / UX :用户界面与用户体验,前者关注界面呈现,后者关注整体使用感受。

这一阶段的关键不是文档越多越好,而是把“业务目标、用户路径、验收条件”说清楚,避免后期频繁返工。

二、后端与全栈开发:把需求变成可运行系统

需求明确后,进入工程实现。Java后端常见名词包括:

  • Java :编程语言,适合构建稳定后端服务。
  • Maven :项目构建与依赖管理工具。
  • Spring Boot :简化Java应用开发的框架,常用于快速搭建REST服务。
  • MySQL :关系型数据库,适合存储结构化业务数据。
  • Redis :内存数据库,常用于缓存、会话、排行榜和限流。
  • Docker :容器化工具,把应用和运行环境打包,便于部署。
  • Git :版本控制系统,用于代码协作和变更管理。
  • REST API :一种接口风格,通过HTTP方法访问资源。
  • CI/CD :持续集成与持续交付,用于自动化测试、构建和发布。

全栈项目还会涉及前端框架、接口联调、日志、监控、权限、网关等概念。理解这些名词的关系,有助于判断一个功能应该放在前端、后端还是基础设施层实现。

三、AI应用基础:从传统软件到LLM应用

当项目开始接入大模型,技术栈会从“确定性逻辑”转向“概率生成 + 工具调用”。常见名词包括:

  • LLM(Large Language Model) :大语言模型,负责理解、生成和推理。
  • Token :模型处理文本的基本计费与上下文单位。
  • Prompt :提示词,用于告诉模型任务目标、约束和输出格式。
  • Context Window :上下文窗口,决定模型一次能处理多少内容。
  • Embedding :把文本转成向量,便于语义检索和相似度计算。
  • Vector Database :向量数据库,用于存储和检索Embedding。
  • RAG(Retrieval-Augmented Generation) :检索增强生成,先从知识库检索相关内容,再让模型生成答案。知识库搜索是常见工程实现之一。
  • Fine-tuning :精调,通过领域数据进一步调整模型行为。
  • Inference :推理,即模型根据输入生成输出。
  • Function Calling :函数调用,让模型可以触发外部工具或API。
  • MCP :在AI Agent语境中常指Model Context Protocol,用于连接模型与外部工具、数据源。

这一阶段最重要的是区分“模型能力”和“工程能力”。模型负责理解与生成,工程负责检索、权限、工具调用、日志和稳定性。

agent-">四、AI Agent工程:从单次问答到自主任务执行

Agent不是简单聊天机器人,而是能围绕目标进行规划、调用工具并持续迭代的系统。常见名词包括:

  • Agent :智能体,能够感知输入、做出决策并执行动作。
  • Agent Loop :智能体循环,通常指“思考—行动—观察—再思考”的反复过程。
  • Planning :任务规划,把复杂目标拆成多个步骤。
  • Memory :记忆,保存短期上下文或长期知识。
  • Tool Use :工具使用,让Agent调用搜索、数据库、API等能力。
  • ReAct :一种将推理与行动结合的Agent模式。
  • DAG(Directed Acyclic Graph) :有向无环图,常用于描述任务依赖和流程编排。
  • Scheduler :调度器,负责按优先级、依赖或时间执行任务。
  • Harness :Agent运行框架或执行外壳,负责管理循环、工具和状态。
  • Workflow / Orchestration :工作流与编排,把多个模型、工具和任务组织成稳定流程。
  • Evaluation :评估,衡量Agent输出质量、成功率、成本和延迟。
  • Guardrails :护栏机制,用于限制越权操作、敏感输出和异常行为。

一个简化的Agent Loop可以表示为:

  1. while not done:
  2. context = build_context(memory, user_input)
  3. plan = llm.plan(context)
  4. action = choose_tool(plan)
  5. observation = tool.run(action)
  6. memory.append(observation)
  7. if task_finished(observation):
  8. done = True

这段伪代码说明,Agent工程的核心不是“让模型自由发挥”,而是通过循环、工具、记忆和评估把模型能力约束到可交付的业务流程中。

五、模型选型与成本控制:不要只看“能不能做”

AI项目上线前,模型选型往往决定成本和体验。需要关注:

  • 能力匹配 :是否需要长文本、多轮对话、工具调用、多模态或代码能力。
  • 上下文长度 :能否容纳业务文档、历史对话和检索结果。
  • 调用成本 :Token消耗、并发量、重试次数都会影响费用。
  • 延迟与稳定性 :实时客服、语音助手等场景对响应速度要求更高。
  • 接入复杂度 :是否支持统一API、流式输出、函数调用和知识库能力。

在模型选型阶段,可以通过词元所模型服务对比不同模型的能力、价格与适用场景,辅助判断哪类模型更适合当前业务。对于需要多模型接入的项目,统一API方式可以降低重复适配成本。

六、从零到一落地路线:把名词变成工程步骤

一个可执行的开发路线可以概括为:

  1. 需求阶段 :输出PRD、用户故事和验收标准。
  2. 原型阶段 :用Wireframe、Mockup验证交互和视觉。
  3. 后端阶段 :用Spring Boot、MySQL、Redis搭建基础服务。
  4. 部署阶段 :用Docker、Git、CI/CD完成环境交付。
  5. AI阶段 :设计Prompt、知识库、Embedding和RAG流程。
  6. Agent阶段 :定义Agent Loop、工具、记忆、DAG和调度策略。
  7. 评估阶段 :建立测试集,观察准确率、成本、延迟和安全性。
  8. 上线阶段 :通过日志、监控和Guardrails持续优化。

如果项目需要快速验证,可以结合低代码、全代码组件、千帆平台、智能客服等能力。如果企业需要统一管理多模型调用,也可以进一步了解百度智能云词元所的模型调用管理与供需对接能力。

总体来看,技术名词并不是孤立的。需求分析决定边界,后端工程保证稳定,AI能力提供智能,Agent工程负责把智能组织成可执行流程。建立这张知识地图后,开发者面对新项目时就不会只看到零散概念,而是能快速判断每个名词在项目中的位置、作用和落地方式。

发表评论

活动