一、常用的vibecoding工具
（1）AI原生IDE
Cursor
Windsurf
Trae
（2）CLI（不占用界面，只在终端打字）
Claude code
Aider
Cline
（3）即时生成（一句话生成可运行项目，快速出Demo）
Devin
秒哒
码上飞
二、人工智能、机器学习、深度学习三者关系？
人工智能：目标是机器有类似人类的智能
机器学习：机器学习是人工智能的核心实现方式，它通过数据训练模型，让机器自动学习规律，而不是依赖人工编写规则。常见方法有：线性回归/逻辑回归、决策树、随机森林、支持向量机
深度学习：是机器学习的一个重要分支，是一种基于多层神经网络，让机器自动从海量数据中学习特征与规律、从而实现感知、理解与生成的高级机器学习方法
三者关系：深度学习是机器学习的重要分支，机器学习是人工智能的核心实现方式
三：什么是LLM
大语言模型，是一种基于海量文本数据训练，能理解和生成人类语言的人工智能模型
四：什么是提示词（prompt）？提示词的基本结构包括哪些部分？什么是提示词工程（prompt Engineering）？
（1）提示词是用户或者系统提供给大语言模型的指令或者生成文本呢，用于引导模型生成特定输出.。
（2）提示词的基本结构
系统提示词如同"操作系统"，用户提示词如同"操作指令"
提示词工程 （Prompt Engineering），通俗来说，就是研究如何用最精准、最有效的语言"指挥"AI大模型（如DeepSeek、ChatGPT），从而稳定地获得高质量回答的一门学问和技术。
通常在设计提示词时，我们可以遵循"CO-STAR"结构化框架
五：有哪些设计和优化提示词的技巧？
基础提示技巧：
角色提示：通过设定身份来约束模型的语气，专业深度和思维方式
结构化指令引导：通过特定分隔符，列表，以及Markdown格式等来清晰的界定指令，提供1-3个正确示例，让模型快速的学习格式与规则
少样本提示：提供1-3个正确示例，让模型快速学习格式与规则
进阶推理技巧：
链式思考提示让模型分布推理，先思考再输出答案，大幅提升复杂问题准确率
自我一致性：传统链式思考提示只走一条推理路径，自我一致则探索多条路径，最终聚合为一致答案，他不在依靠一次思考定生死，而是通过多次尝试+投票机制来提高准确率
**优化与迭代策略：**由浅入深不要指望一次写出完美的提示词，先从简单的指令开始，观察输出，再根据不足逐步添加约束条件和背景
五：什么是Token？Token在大语言模型中作用是什么？
**Token概念：**Token词元是大语言模型处理文本时的最小语义单位，将文本拆解为模型可理解的离散单元（不是字，也不是单词）
Token通过大模型的分词器将文本拆分而来，不同模型的分词器不同，同一个词在不同模型中可能被拆分为不同的token
**Token的分类：**Prompt Token/Input Token（输入token）发送给模型的内容、问题、历史对话、上传的文档、系统提示词等
Completion Token/Output Token（输出token）模型生成的回答
Token在大语言中的作用：
1.计费单位
2.上下文长度限制
3.决定模型理解能力：Token拆分的越合理，模型越能理解语义，同时token数量直接影响推理速度，显存占用成本
六：什么是会话记忆？有什么作用？
在对话系统中，会话记忆指的是模型对历史对话内容的存储和利用机制，属于上下文理解的核心能力之一
本质就是对话的整体语境与状态，主要包括：
1.主题与话题走向
2.指代关系
3.用户的意图与角色设定
4.对话历史中的关键信息
会话记忆的作用：
1.上下文连贯
2.减少重复输入
3.个性化体验
4.多轮任务完成
七：会话记忆和上下文窗口是什么关系？
会话记忆上一题
上下文窗口：大语言模型一次最多能处理的输入Token数量
两者的关系：上下文窗口=背包容量；当前输入+会话记忆+系统提示词=你要装进去的东西
八：什么是多模态？常见的模态有哪些？典型的应用场景有哪些？
多模态：是指融合文本、图像、音频、视频等多种类型信息，让模型能理解、生成不同模态数据的技术。
常见模态：文本、图像、音频、视频
典型应用场景：智能问答；图生文、文生图；语音助手；视频理解
九：什么是Rag（检索增强生成）？它能解决大模型的什么问题？
RAG是一种结合外部知识库检索与大模型生成的计数。核心是让大模型在回答前先"查资料"（外部知识库），再基于检索到的权威信息生成答案，解决模型知识的过时，幻觉，专业知识不足三大核心问题。（从背书机器变成会查资料的专家）
Rag解决的问题：
知识过时问题：大模型训练数据是历史的，rag可以接入：最新文档、实时数据、内部知识库、实现动态知识
幻觉问题：模型容易编答案，Rag基于真实文档回答提供依据大幅降低幻觉
私有知识问题：模型默认不知道：公司内部数据、私有文档、业务规则。Rag可以接入：企业知识库，本地文件，实现企业专属AI
上下文窗口限制：模型不能一次读太多内容。Rag检索相关片段，而不是全部数据节省Token
可解释性问题：传统模型回答"黑盒"，Rag可以返回"引用来源"支持溯源
十：Rag的核心工作流程
离线准备阶段：
第一步：数据采集，数据来源包括：文档，数据库，API，网页
第二步：文档切分（chunking），把长文档拆成小块以提高检索精度，适配上下文窗口
第三步：向量化（embedding），将每个chunk转化为向量
第四步：将向量存储到向量数据库（除向量外一般还存储：原文、metadata），常见的向量数据库有：Milvus，Pinecone
在线查询阶段：
第一步：数据查询检索，用户输入问题将问题转化为向量，然后在向量数据库中进行相似度搜索，寻找最相似的文档块（常见算法：余弦相似度，向量距离）
第二步（可选）：重排序（re-ranking）对检索结果可以进行再次排序即使用更强模型筛选最相关内容，称为重排序，此操作为可选操作
第三步：Prompt构建（关键）&答案生成：将检索结果和用户问题组合起来，构造一个完整的Prompt，放入上下文窗口调用大模型，模型生成答案并返回
十一：什么是工具调用（Tool calling）？
大模型本身无法精确计算：在大数运算，复杂公式推导以及统计分析场景极易出现计算错误，无法保证结果完全正确。
Tool calling（工具调用）是AI应用中的一种常见技术模式，指的是大语言模型可以根据用户技术，智能地选择并调用外部工具（如函数，APi,服务）并获取执行结果，一次扩展并且增强自身能力的技术流程
Function calling（函数调用）是工具调用（Tool Calling）的早期叫法与核心形式，现在行业里一般统一称为工具调用，函数调用就是指LLM请求调用一个开发者预定义的函数，这里的函数就是你带代码中的一个方法，Tool Calling是一个更通用，更广泛的概念，不仅包含了Function Calling，还涵盖了其他类型的工具
十二：什么是Mcp？与Tool Calling的区别是什么？
Mcp（Model Context Protocal，模型上下文协议）由AI公司Anthropic推出的开源标准协议，为大语言模型于外部系统，工具，数据源提供标准化的安全双向通信接口，解决AI集成的复杂问题，常被类比为AI领域的USB-C或者通用接口
以前的大模型想要接入各类的外部系统或者工具等，每个模型和每个工具系统之间都要单独开发一套专属对接逻辑，适配成本极高，复用性极差
现在有了MCP，就像所有设备都统一用使用USB-C只要遵循这个标准，就能即插即用
其中，MCP Client是大模型系统内的"连接器"，负责按Mcp协议发起连接，调用外部服务，其实现可基于MCP官方提供的SDK，只需完成协议适配和请求封装，无需复杂开发
MCP Sever是外部工具的"适配器"，会按照MCP协议将工具功能封装成标准的接口，供Client调用，二者配合实现模型与工具的即插即用，Mcp Server支持两种获取方式，既可以基于Mcp官方规范自行开发，适配自身个性化需求，也可以直接使用现成的服务。为了方便开发者快速找到适配的现成Mcp Sever，无需自行从零开发，目前有多个主流渠道可获得各类的MCP Sever，具体如下：
与Tool calling的区别：Tool Calling是LLM调用外部工具的能力，MCP是LLM与工具交互的标准化协议
十三：MCP的核心工作流程是什么？
初始化连接（握手连接）：MCP 主机启动，创建Mcp Client并按照配置与MCP建立通信连接（一个主机可以同时连接多个MCP Sever，每个Sever独立承担不同的工具与能力）
能力发现（工具/资源列表）：Client想Sever发起能力查询，Sever返回结构化清单：名称，描述，参数，权限，Client将工具信息同步给主机，让LLM明确自身可以调用的外部能力边界
执行决策&调用工具（LLM驱动）：用户输入问题之后，Client会自动整合可用工具列表，用户原始问题与对话上下文，并且以标准化格式封装之后发送给LLM，LLM依据上下文及工具进行智能决策
判断是否需要外部工具，选择具体工具并匹配合规入参
若无需调用工具，则直接生成自然语言回复，跳过后续执行环节。
若LLM确定调用工具，Client会将结构化的调用请求精准转发至对应MCP Server；由Sever承担实际执行职责，完成API调用，数据库读写，脚本运行或者文件系统操作等任务，执行完毕后，以统一结构化格式将结果回传给Client。
结果回传&输出：Client把工具执行结果回传给LLM，模型融合工具执行结果，用户问题与对话上下文，生成符合需求的自然语言回答，再由Client通过主机应用展示给用户。
十四：什么是工作流与Agent区别是什么？
**Agent：**能够感知环境输入、自助决策、规划行动路径，并可调用工具或执行操作以达成目标的自主性软件实体
**工作流：**是按照预先定义好的步骤和规则，依次执行任务的一种流程化的机制。特色：流程是固定的，
区别：工作流是"人预先定义步骤的自动化流程"，而Agent是"大模型（LLM）根据目标动态控制流程走向"
十五：什么是多Agent，什么场景下需要使用多Agent协作而不是单个Agent解决？
**多Agent模式：**将一个复杂任务拆分给多个具备不同职责的Agent，由它们协作完成整体目标的系统。可以理解为："从一个人干所有事"，变成"一群分工明确的人协作"
什么场景下需要使用多Agent协作：当任务复杂到一个Agent无法稳定、清晰地完成时，就需要多Agent。尽管可采用单个Agent整合并执行复杂任务、但这种超级Agent架构存在明显的弊端。以下将对其主要问题展开说明
上下文限制：一个Agent需要将所有任务的内容、工具描述、历史记录都塞入有限的上下文窗口，这会导致信息过载、成本剧增、推理速度下降
角色冲突与指令污染：同一个Agent同时扮演多个角色时，系统提示词会发生冲突，导致行为混乱或平庸化
单点故障与脆弱性：单个Agent一旦在某个步骤推理出错或者遇到未知情况，整个任务链可能崩溃