我的 2026 技术雷达：AI 工程化的十个方向
2026 年 AI 工程化在往哪走？Agent 协作标准化、MCP 生态成熟、本地优先崛起、评估驱动开发——十个值得投入的方向和我的投入建议。
AI工程
AI 应用架构模式：从单体 Prompt 到分层系统
AI 应用有没有’架构’？有：交互层、编排层、能力层、数据层。从单体 Prompt 到分层系统，AI 应用架构的演进路径与分层模式。
MCP 与 RAG 结合：Tool 即知识的边界
RAG 把知识喂给模型，MCP 把能力交给模型。两者结合：查询即检索（Tool 即知识）、边检索边思考、动态知识接入——知识型 Agent 的新架构。
Agentic Workflow：人机协作的工程化
全自动 Agent 是理想，人机协作是现实：人在回路、关键节点审批、异常升级、自主度分级——Agentic Workflow 的工程化设计。
RAG 评测：离线指标与线上效果的鸿沟
离线评测 recall@5 到 90%，上线后用户还是说’答非所问’？检索质量、生成质量、端到端三个层面，RAG 评测的真实方法与鸿沟分析。
智能体编排：从链式到图式
链式编排写简单任务可以，复杂任务就死板。图式编排：节点（任务）+ 边（依赖）+ 条件（分支）——从线性到有向无环图的 Agent 编排演进。
Agentic RAG：Agent 如何用工具迭代检索
传统 RAG 是’一次检索定生死’，Agentic RAG 让模型自己决定’搜什么、搜几次、要不要换关键词’。同一个知识库，从 55% 准确率提到 78%，代价是延迟和成本。
AI 评测体系：从准确率到用户满意度
模型准不准，不能靠感觉。离线评测（评测集+指标）、在线评测（A/B+埋点）、业务指标（转化率）——三层 AI 评测体系，让每次优化都有数据背书。
RAG 工程化：从切分到重排的调优实录
RAG demo 人人都能做，生产级 RAG 到处都是坑：切分粒度、召回策略、重排、上下文压缩。用招聘知识库做案例，把检索准确率从 55% 调到 85% 的完整记录。
Agent 记忆体系：短期、长期与工作记忆
AI 面试官记不住候选人前面说过什么，是产品硬伤。短期记忆（上下文）、长期记忆（向量库）、工作记忆（状态）——Agent 记忆体系的设计与落地。