跳到正文
过去谈计算机知识，常常把它整理成一张课程清单。进入 AI 时代以后，真正的问题已经不是“还要多学几个名词”，而是这些知识之间到底怎样连接。
大模型、RAG、Agent、Harness Engineering、Loop Engineering、Graph Engineering 接连出现；Windows、Linux、macOS、iOS、Android 又继续决定系统最终能在哪里运行。
什么是物理底座，什么提供运行环境，什么负责概率能力，什么把模型变成可执行系统，什么最终把能力交付给人？因此，这里整理的不是一张排名，也不是一条从低到高的课程路线，而是一张拓扑图。
五个知识域是平级的
整张图分成五个平级知识域：计算机基础、软件平台、模型与知识、智能工程、产品触点。
“平级”并不表示它们彼此独立。相反，它们存在大量上下游依赖。计算硬件限制吞吐、延迟、容量和能耗；操作系统把硬件组织成进程、内存、文件、设备与权限；语言和运行时把代码变成可执行行为；云、后端与数据平台把单机程序扩展成可部署、可恢复的服务；大模型和 RAG 提供概率能力与外部证据；Agent、Harness、Loop 与 Graph Engineering 再把这些能力组织成可以行动、验证、停止和追责的系统；前端、桌面和移动端最终把它交付给人。
图中的箭头表达依赖，不表达高低。智能工程不是比操作系统“更高级”，产品也不是比硬件“更重要”。任何一层缺失，系统都可能在另一层暴露问题。
一、计算机基础：物理边界、系统边界与抽象边界
计算机基础包括四部分：计算硬件、操作系统、网络与协议、算法与数据结构。
硬件决定算力、带宽、内存、存储和能耗的物理上限。AI 时代只是让 GPU、NPU、量化和高带宽互连变得更显眼，并没有取消 CPU、缓存层级、ISA 或 I/O。
操作系统仍然负责进程、线程、虚拟内存、文件系统、设备、网络与安全边界。Windows、Linux、macOS、iOS、Android 都是这一层的不同实现。一个 Agent 可以调用工具，但工具最终仍然要经过进程、文件、权限、驱动和沙箱。
网络与协议决定不同机器、服务和设备如何交换数据。算法与数据结构则提供复杂度、图、并发和抽象能力。后面出现的任务图、知识图、Agent 图，本质上仍然要回到这些基础。
二、软件平台：把代码变成可运行、可扩展的系统
软件平台包括语言与运行时、云与分布式、后端与 API、数据与知识存储。
语言、编译器和运行时管理类型、内存、异步、并发、依赖和外部接口。云与分布式系统把程序变成可部署、可扩缩、可观测、可回滚的服务。后端通过 API、事件和任务系统连接产品、数据与 Agent。数据层保存事实、状态、事件、向量和关系，也承担 RAG、长期记忆与评测的外部状态。
这一层的核心能力不是“会用某个框架”，而是能定义稳定契约，理解失败模式，处理一致性、幂等、权限、容量、发布和回滚。
三、模型与知识：概率能力不等于事实系统
模型与知识域包括模型架构与训练、推理与 Serving、Evals 与模型安全、RAG 与 GraphRAG。
大模型提供预测、生成、推理和多模态转换能力，但它不自带事实新鲜度、工具权限、可靠停止条件或系统责任。推理层决定批处理、缓存、量化、路由、吞吐、延迟和单位成本。Evals 把主观演示变成可重复证据，测量质量、忠实度、安全、轨迹、成本和回归。
RAG 的作用不是把一堆文档塞给模型，而是在生成时提供可追溯的外部证据。经典 RAG 是检索到生成；GraphRAG 强化实体与关系；Agentic RAG 则允许系统动态决定何时检索、检索什么、是否调用工具、如何验证以及什么时候停止。
四、智能工程：把模型组织成可靠执行系统
智能工程包括 Agent Runtime、Harness Engineering、Loop Engineering 与 Graph Engineering。它们与其他四个知识域保持相同粒度，不单独占据“更高”的位置。
Agent Runtime 把模型配置成带指令、工具、状态、记忆、交接与 Guardrails 的执行体。
Harness Engineering 设计 Agent 可以可靠工作的环境：仓库知识、上下文装配、工具目录、沙箱、权限、架构约束、测试、Evals、追踪和 CI。它关注的不是怎样写出一次漂亮提示，而是怎样让正确做法能够被发现、执行和验证。
Loop Engineering 在 Harness 之上设计长期运行闭环：发现工作、设定目标、行动、观察、独立验证、写回状态，再决定重试、停止或升级给人。没有预算、停止条件和人工门禁的循环，通常只是在自动积累错误。
Graph Engineering 进一步把任务、Agent、工具、数据和系统状态显式建模成动态演化图，用依赖关系组织并行执行、异构专家、独立验证与持久状态。它是 2026 年出现的新范式，目前仍处于非常前沿、需要继续验证的阶段。
五、产品触点：系统最终在哪里遇见人
产品触点包括 Web 前端、Windows/Linux/macOS 桌面、iOS/Android 移动端，以及产品与人机协作。
Web 是 AI 产品最常见的分发面；桌面系统承载本地模型、开发工具、文件与计算机使用 Agent；移动端则把云端和端侧 AI 接入触控、相机、语音、定位、通知和离线场景。
产品层必须处理概率性结果如何被解释、撤销和审批。模型可以生成建议，Agent 可以执行动作，但“什么值得自动化、什么必须由人决定、失败由谁承担”仍然属于产品与责任设计。
工程可信性不是最后补上的一层
安全、隐私、测试、Evals、观测、可靠性、性能、成本、供应链与治理不应该被放在流程末尾。它们是一张横向约束网，贯穿硬件、系统、平台、数据、模型、Agent 和产品。
真正可用的系统必须能够预演失败、检测偏差、限制爆炸半径、保留审计证据，并在必要时回滚、停止或交还给人。
能力金字塔：从无知用户到结果责任
知识拓扑回答“系统由什么构成”，能力金字塔回答“一个人需要承担到什么程度”。
最底层是无知用户。这里的“无知”不是贬义，而是指使用者只有意图、痛点和生活常识，不需要理解实现细节。再往上依次是：知——理解概念、协议与系统边界；做——能够实现、测试和部署；控——能够定义规格、权限、评测和停止条件；组——能够组织任务图、工具和多智能体协作；责——能够对价值、风险和最终结果负责。
AI 可以显著降低“做”的门槛，也可以让“无知用户”直接获得过去需要专业人员才能得到的结果。但越往上，人的判断和责任越难外包。AI 能替人生成代码，却不能替人决定一个系统是否值得存在；能执行流程，却不能自动获得对后果负责的资格。
真正需要的智力结构
这张图背后对应七类长期能力：抽象分解、因果系统、数理统计、实验验证、对抗风险、产品人因、运维可靠。
不同岗位的配比不同。做模型训练需要更强的数理统计，做平台工程需要更强的因果系统与运维可靠，做产品需要更强的人因与责任判断，做 Harness、Loop 或 Graph Engineering 则必须同时理解任务分解、权限、评测、状态和失败恢复。
因此，AI 时代并不要求每个人掌握整张图。更现实的目标是：先知道自己处在拓扑的哪个位置，理解上下游依赖；选一两个领域建立真实深度；同时保留跨层判断，知道什么时候可以交给工具，什么时候必须自己验证，什么时候必须停止。
知识的价值，不在于记住更多名词，而在于看见系统的边界、依赖和责任。
