入門與定位
為什麼花這麼多時間講原理？
磨刀不誤砍柴工 · 打好基礎才能真正做工程化
AI 所有工程化操作，本質上都是對上下文的高效處理
不管是 Prompt Engineering、RAG、Fine-tuning，還是 Agent 工具呼叫，那些花招，基本上都圍繞著這個 message list 處理。理解它，你才能真正判斷方案好不好、問題出在哪裡。
所有工程化操作，本質都在做這件事
Prompt Engineering
精心構造 messages，讓模型看到正確的上下文：系統指令、角色定義、少樣本示例，全部是往 message list 裡塞內容。
RAG 檢索增強生成
從外部知識庫取回相關文件片段，拼進 message list 再發給模型，本質是在執行時擴充上下文。
Agent 工具呼叫
模型輸出 function call → 執行工具 → 把結果 append 回 message list → 再次推理。每一輪都是在累積上下文。
Fine-tuning / SFT
把大量理想的 message list 燒進模型權重，讓模型預設就能按期望方式處理上下文，省去每次都要在 prompt 裡說明的成本。
不理解底層，會卡在這些問題上
「Prompt 改了沒用」
System Prompt 被截斷、歷史對話佔滿視窗，問題根本出在上下文管理，跟 Prompt 寫得好不好沒有關係。
「RAG 效果差，不知道哪環節壞了」
Chunking 粒度、Embedding 模型、相似度閾值，不了解原理就不知道該查哪裡，只能亂試。
「模型答錯了，該改 Prompt 還是 Fine-tune？」
是上下文沒給對，還是參數裡根本沒有這份知識？兩件事的修復方式完全不同，弄錯方向會浪費大量時間。
我會花比較大的篇幅講解這部分，不推薦跳過。
理解了 message list 的處理邏輯，後面所有工程化方案你都能一眼看穿它在做什麼，為什麼有效，侷限在哪。