AI技术栈全解析：从机器学习到生成式AI的技术演进与实战入门

1次阅读

没有评论

共计 2020 个字符，预计需要花费 6 分钟才能阅读完成。

理解 AI 技术栈最直观的方式就是分层思考。我习惯用金字塔模型来梳理：

基础层（Foundation）：机器学习（Machine Learning）和深度学习（Deep Learning）构成整个 AI 体系的基石。就像盖房子需要钢筋水泥，这里的核心是数学框架和算法模型。
中间层（Middleware）：Agent 框架（如 LangChain、AutoGPT）属于这一层。它们像建筑中的管道电路，负责协调基础能力来实现复杂任务。
应用层（Application）：生成式 AI（Generative AI）位于顶端，直接面向用户。好比装修好的房间，能直接产出文本 / 图像等创造性成果。

监督学习（Supervised Learning）：像有参考答案的练习题。给定输入数据 X 和对应标签 Y（如鸢尾花分类），目标是学习 X→Y 的映射关系。
生成式 AI（Generative AI）：更像自由创作。给定提示（Prompt），模型自主生成新内容（如 GPT 写故事）。

静态模型（Static Model）：训练完成后参数固定，像印刷好的字典。
Agent 持续学习（Continuous Learning）：模型能在交互中进化，类似人类通过对话积累经验。

硬编码规则（Hard-coded Rules）：用 if-else 语句明确逻辑，适合确定性场景。
提示词工程（Prompt Engineering）：通过自然语言指令引导模型行为，更灵活但需要调试。

# 导入基础库
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 特征工程（Feature Engineering）iris = load_iris()
X, y = iris.data, iris.target

# 数据集拆分（Data Splitting）X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 模型训练（Model Training）clf = RandomForestClassifier(n_estimators=100)
clf.fit(X_train, y_train)

# 模型评估（Model Evaluation）preds = clf.predict(X_test)
print(f"模型准确率: {accuracy_score(y_test, preds):.2f}")

from langchain.llms import OpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

# 初始化带记忆的 Agent
llm = OpenAI(temperature=0.5)  # 控制生成随机性
memory = ConversationBufferMemory()
conversation = ConversationChain(llm=llm, memory=memory)

# 设计提示词模板（Prompt Template）response = conversation.predict(input="请用海盗风格回答：今天的天气怎么样？")
print(response)  # 输出示例："哟吼！今天是个扬帆起航的好日子，太阳亮得像藏宝图上的金叉！"