AI 和 MLOps 资料更新很快，如果没有索引，很容易只剩下一堆工具名和链接。
先按能力分层
可以把资料分成：
- 模型基础。
- Prompt 和应用设计。
- 向量检索。
- 多模态处理。
- 数据集和评估。
- 推理部署。
- 监控和反馈。
- Java 工程接入。
这样学习时不会只追新工具，而能看到能力链路。
向量检索要单独成专题
向量检索通常涉及：
- 文档切分。
- embedding。
- 向量库。
- 召回。
- rerank。
- 上下文拼接。
- 评估。
这些不是简单调用接口，而是一整套检索质量工程。
MLOps 看工程闭环
MLOps 关注的不只是模型效果，还包括：
- 数据版本。
- 模型版本。
- 评估指标。
- 发布流程。
- 线上监控。
- 反馈数据。
- 回滚方案。
如果没有工程闭环，AI 应用很难稳定迭代。
后端工程师的切入点
后端工程师可以从这些方向切入：
- API 封装。
- 数据清洗。
- 检索链路。
- 权限和审计。
- 任务调度。
- 监控告警。
- 成本控制。
不用一开始就研究训练大模型，先把应用工程跑通更实际。
维护建议
AI 和 MLOps 索引可以按“基础、检索、评估、部署、监控、工程接入”维护。
每个专题都记录可运行样例、评估方式和适用边界，避免只收藏概念。
正文完
