2025-05-26 什么是“AI 全栈”

AI全栈：模型 + 表示学习 + 向量库 + API + UI

一句话定义：

​ AI 全栈开发，是指开发者从原始文本/语音/图像开始，结合大模型能力，构建完整应用闭环的技术能力栈。

AI全栈应用的过程

AI应用 ≠ 一个GPT接口，它通畅包含

 输入：用户提供问题 / 文档 / 图片 / 音频
↓
 表示学习（Embedding）：把输入变成向量
↓
 检索（Faiss / Milvus）：在知识库中找相关内容
↓
 生成（LLM）：构造 Prompt + 调用模型生成答案
↓
 服务封装：FastAPI / Flask 做成 API 接口
↓
️ 前端可视化：Vue + Axios 作为用户交互界面

核心模块

graph TD
  A[用户输入] --> B[文本预处理]
  B --> C[Embedding 向量化]
  C --> D[向量数据库]
  D --> E[检索 Top-K]
  E --> F[构造 Prompt]
  F --> G[调用大模型]
  G --> H[输出结果]
  H --> I[前端呈现]

架构图:
+------------------------------------------------------------+
| 前端层（交互与可视化） Vue/React + WebAssembly + AI Plugin |
+----------------------------|-------------------------------+
| 后端层（服务与集成）       FastAPI/Django + gRPC + JWT      |
+----------------------------|-------------------------------+
| 推理服务层（模型服务化）   TorchServe/ONNX + Docker + K8s  |
+----------------------------|-------------------------------+
| 训练与数据处理层           PyTorch/TensorFlow + Pandas     |
+----------------------------|-------------------------------+
| 数据采集与标注             Airflow/Spark + Label Studio    |
+------------------------------------------------------------+

模块	能力范围	常用技术栈/工具
数据工程	数据采集、清洗、标注、特征工程	Pandas、Spark、Airflow、Label Studio
模型训练	模型开发、训练、调优	PyTorch、TensorFlow、Hugging Face Transformers、Sklearn
模型评估	模型评估、A/B 测试、指标体系设计	MLflow、TensorBoard、Prometheus/Grafana
模型部署	模型服务化、容器化、版本管理	ONNX、TorchServe、TF Serving、Docker、Kubernetes、FastAPI
后端集成	与业务系统集成、API 网关设计、权限/安全性处理	Django/FastAPI、gRPC、OAuth2、JWT
前端呈现	前端交互、可视化、AI 驱动的 UI	Vue、React、ECharts、WebSocket、WebAssembly
监控与迭代	模型监控、漂移检测、自动更新	Evidently AI、Feast、Seldon、Kubeflow

AI全栈开发与传统的全栈开发

对比维度	传统全栈开发	AI 全栈开发
目标	搭建业务应用系统（Web/Mobile）	构建端到端的智能系统（AI 应用）
技术核心	CRUD、认证授权、页面交互	模型训练部署、智能交互
数据处理	数据库交互、简单处理	大规模数据预处理、特征提取、向量化
后端职责	RESTful API、业务逻辑处理	模型服务封装、推理接口、高并发优化
前端职责	UI/UX、交互逻辑	AI 能力集成（如人脸识别、对话框、推荐模块）
部署工具	Docker、Nginx、K8s	+ 模型推理优化工具（ONNX、TensorRT）
性能关注点	网络、数据库、响应时间	+ 推理延迟、吞吐量、模型精度与漂移

mindmap
  root((AI 全栈开发))

    定义
      原始输入 → 模型 → API → UI

    应用流程
      输入（文本/语音/图像）
      Embedding（表示学习）
      向量检索（Faiss / Milvus）
      生成（构造 Prompt + 大模型）
      封装 API（FastAPI）
      前端可视化（Vue + Axios）

架构设计图：

mindmap
  root((架构分层))
      前端层
        Vue / React
        WebAssembly
        AI Plugin
      后端层
        FastAPI / Django
        gRPC
        JWT
      推理服务层
        TorchServe
        ONNX
        Docker / Kubernetes
      训练与数据处理
        PyTorch / TensorFlow
        Pandas
      数据采集与标注
        Airflow / Spark
        Label Studio

核心模块能力：

mindmap
root((核心模块能力))
    数据工程
        Pandas
        Spark
        Airflow
        Label Studio
    模型训练
        PyTorch
        Transformers
        Sklearn
    模型评估
        MLflow
        TensorBoard
        Prometheus
    模型部署
        ONNX
        TorchServe
        TF Serving
        Docker
        Kubernetes