AI Develop 04 & AI 时代，前端工程师必须掌握哪些技术？从 Vue 开发到 AI 应用开发，大模型、Agent、MCP、RAG 到底是什么？一文彻底讲清楚
目录
前言
一、为什么 AI 时代的前端工程师必须学习 AI 应用开发？
1.1 AI 正在重新定义前端开发
1.2 企业真正需要的，不是训练模型的人，而是开发 AI 应用的人
1.3 前端开发者未来最大的竞争力是什么？
二、AI、大模型、通用大模型、专用大模型、Agent、RAG、MCP 到底是什么？
2.1 AI、大模型到底是什么？
2.2 什么是通用大模型？什么是专用大模型？
2.3 什么是 Agent？为什么未来 AI 应用离不开智能体？
2.4 什么是 RAG？为什么企业 AI 应用几乎都需要它？
2.5 什么是 MCP？为什么最近越来越受到关注？
三、国内主流大模型介绍
3.1 DeepSeek：国产大模型中的高关注选手
3.2 通义千问：生态完整的国产大模型
3.3 Kimi：长文本处理能力突出
3.4 智谱清言：国产大模型的重要代表
3.5 豆包：字节系 AI 产品代表
3.6 腾讯混元：依托腾讯生态的通用大模型
3.7 文心一言：百度 AI 生态的重要组成部分
3.8 讯飞星火：更偏向教育与办公场景
3.9 MiniMax：AI 原生企业的代表之一
3.10 百川智能：持续发展的国产大模型
四、国内主流大模型推荐（仅代表个人观点）
五、前端工程师如何进入 AI 应用开发？
4.1 学会调用大模型 API
4.2 学习 Prompt、RAG、Agent、MCP
4.3 不要放弃 Vue，它依然是 AI 应用的重要基础
六、学习 AI 应用开发的几点建议
七、本文总结
八、更多操作
前言
最近两年，无论是招聘网站、技术社区，还是各大互联网公司的技术分享，AI 已经成为绕不开的话题。从 DeepSeek、通义千问、Kimi、智谱清言、豆包，到 Agent、RAG、MCP 等新概念，越来越多的开发者开始思考：AI 到底和前端开发有什么关系？
很多人认为，大模型属于算法工程师，而前端工程师依然只需要负责 Vue 页面开发。事实上，越来越多企业真正需要的是能够开发 AI 应用的前端工程师，而不是训练大模型的算法专家。
对于绝大多数前端开发者来说，未来并不需要研究 Transformer，也不用自己训练几十亿参数的大模型。真正需要掌握的是如何把 AI 能力集成到自己的项目中，让传统 Web 应用升级为 AI 应用。
本文将站在前端开发者的角度，系统梳理 AI、大模型、通用大模型、专用大模型、Agent、RAG、MCP 等核心概念，并结合当前国内 AI 生态，帮助大家快速建立完整的 AI 应用开发知识体系。
阅读本文预计需要 15 分钟
适合人群：Vue2 / Vue3 前端开发者、全栈开发者、准备学习 AI 应用开发的工程师
阅读本文，你将收获什么？
阅读完本文，你将能够了解以下几个问题：
AI、大模型、Agent、RAG、MCP 到底是什么？它们之间是什么关系？
为什么越来越多企业开始招聘 AI 应用开发工程师？
前端工程师为什么必须学习 AI，而不仅仅是 Vue？
国内主流大模型各自有什么特点？应该如何选择？
未来前端开发者应该如何规划自己的 AI 学习路线？
如果你也正在思考这些问题，相信本文能够给你一些新的思路。
一、为什么 AI 时代的前端工程师必须学习 AI 应用开发？
1.1 AI 正在重新定义前端开发
过去几年，前端开发的发展重点一直围绕着 Vue、React、TypeScript、Vite、Node.js、前端工程化 等技术展开。对于大多数开发者来说，只要能够完成页面开发、接口联调、组件封装和项目部署，就已经能够胜任绝大多数工作。
但从 2023 年开始，情况正在发生变化。
越来越多的企业开始尝试将 AI 能力融入自己的产品，例如 智能客服、AI 办公助手、知识库问答、智能教育、代码生成、文档总结、合同分析、数据分析 等。这些功能背后虽然依赖大模型提供智能能力，但真正完成业务落地的，依然是前端和后端开发人员。
举个最简单的例子。
以前，一个 Vue 项目可能只是调用后台接口获取数据，然后展示到页面即可。
而现在，一个 AI 应用的开发流程可能变成了这样：
Vue 页面
↓
Java / Python 后端
↓
调用大模型 API
↓
RAG 检索企业知识库
↓
Agent 调用工具
↓
返回 AI 结果
↓
前端页面渲染
可以发现，Vue 并没有退出舞台，而是成为 AI 应用的重要组成部分。
AI 技术发展路线图
一句话总结：AI 并没有取代前端，而是在原有开发流程上增加了 AI 能力。
1.2 企业真正需要的，不是训练模型的人，而是开发 AI 应用的人
很多开发者一听到 AI，就会想到算法、深度学习、神经网络、Transformer，甚至觉得必须会训练模型才能进入这个行业。
其实，这是一种误解。
目前绝大多数企业并不会自己从零训练一个通用大模型，因为训练成本极高，对算力和数据的要求也非常高。企业更倾向于直接接入成熟的大模型，再结合自己的业务进行二次开发。
例如：
一家教育公司，希望开发 AI 助教。
一家医院，希望开发智能问诊系统。
一家律师事务所，希望开发法律咨询助手。
一家知识产权公司，希望开发专利分析平台。
这些系统真正需要开发的内容包括 业务逻辑、权限管理、知识库、模型调用、结果展示、用户交互 等，而不是重新训练一个大模型。
因此，未来企业更看重的是开发者是否具备 AI 应用开发能力。
换句话说，企业需要的是：
懂业务 + 懂前端 + 懂 AI 应用开发。
而不是：懂模型训练，却不会开发系统。
这也是为什么最近越来越多招聘岗位开始出现：
AI 应用开发、Agent 开发、大模型接入、Prompt Engineering、RAG、MCP 等关键词。
这些岗位本质上仍然属于软件开发，只是增加了 AI 能力。
一句话总结：未来企业竞争的重点，不是谁拥有大模型，而是谁能够把大模型真正应用到业务中。
1.3 前端开发者未来最大的竞争力是什么？
过去，很多前端工程师拼的是：
谁更熟悉 Vue？谁组件封装得更好？谁更懂 Element Plus？谁更熟悉若依、Ant Design、微前端？
这些能力依然重要，但已经不再是唯一竞争力。
未来真正拉开差距的，将是下面这几种能力：
第一，能够快速开发现代化 Web 应用。
第二，能够理解 AI 应用开发流程。
第三，能够把大模型真正集成到业务系统中。
第四，能够结合行业知识，开发属于企业自己的 AI 应用。
例如，一个普通后台管理系统，如果增加了智能搜索、智能问答、智能分析、智能写作等功能，它就不再只是一个传统管理系统，而是一个 AI 应用。
未来几年，前端工程师最大的价值，将不再只是"写页面"，而是"开发智能应用"。
当然，这并不意味着 Vue 不重要。
相反，Vue 依然是 AI 应用开发的重要基础。
AI 负责提供智能能力，而 Vue 负责把这些能力以优秀的交互方式呈现给用户，两者缺一不可。
一句话总结：未来最有竞争力的前端工程师，不只是会 Vue，而是会利用 Vue 开发 AI 应用。
二、AI、大模型、通用大模型、专用大模型、Agent、RAG、MCP 到底是什么？
刚开始学习 AI 时，很多人都会遇到一个问题：网上每天都会出现新的名词。
今天看到 大模型（LLM）。
明天又出现 Agent。
后天又开始讨论 RAG、MCP、多智能体（Multi-Agent）。
看得越多，反而越容易混淆。
其实，这些概念并不是同一个层级，它们之间存在着非常清晰的关系。
如果把 AI 应用开发比作建房子，那么：
AI 是整个建筑行业。
大模型是建筑材料。
RAG 是知识仓库。
MCP 是连接各种设备的标准接口。
Agent 则像施工队，负责真正完成整个建造过程。
理解了它们之间的关系，后续学习就会轻松很多。
AI 应用开发知识体系图
2.1 AI、大模型到底是什么？
AI（Artificial Intelligence，人工智能） 是一个非常大的概念，而最近几年大家讨论最多的，其实是其中的 生成式 AI（Generative AI）。
生成式 AI 与传统 AI 最大的区别在于，它不仅能够分析数据，还能够主动生成新的内容，例如文字、代码、图片、音频甚至视频。
目前大家熟悉的聊天机器人、AI 写作、AI 编程助手、智能客服等，都属于生成式 AI 的典型应用。
而这些能力，大多数都来自于 大语言模型（Large Language Model，LLM）。
可以简单理解为：
大模型就是 AI 的"大脑"。
它经过海量数据训练，具备理解自然语言、推理分析、代码生成、内容创作等能力。
对于前端开发者来说，我们并不需要关心模型内部是如何训练的，更重要的是学会如何调用它提供的能力，把 AI 集成到自己的项目中。
一句话总结：AI 是整个领域，大模型是当前 AI 应用最核心的基础能力。
2.2 什么是通用大模型？什么是专用大模型？
很多人以为 DeepSeek、Kimi、通义千问就是不同类型的大模型，其实它们都属于 通用大模型。
所谓通用大模型，就是能够处理各种不同类型任务的模型，例如聊天、代码生成、文档总结、翻译、写作、数学推理等，它们更像一个"全能型选手"。
但是，在真实企业场景中，仅有通用能力往往还不够。
比如：
医院需要医学知识。
法院需要法律知识。
学校需要教育知识。
银行需要金融知识。
交通行业需要交通知识。
知识产权行业需要专利知识。
这时候，就需要在通用大模型的基础上，结合行业数据进行训练或微调，形成更加专业的 专用大模型（行业大模型）。
例如：
医疗大模型：辅助诊断、病历分析、医学问答；
教育大模型：智能教学、作业批改、AI 助教；
金融大模型：风险评估、智能投顾、金融问答；
交通大模型：交通预测、车路协同、智能调度；
知识产权大模型：专利分析、侵权比对、技术检索。
可以发现，未来真正落地到企业中的，大多数都是"通用大模型 + 行业知识"的组合。
一句话总结：通用大模型负责通用能力，专用大模型负责行业能力，两者并不是竞争关系，而是互补关系。
2.3 什么是 Agent？为什么未来 AI 应用离不开智能体？
如果说大模型是 AI 应用的“大脑”，那么 Agent（智能体）就是能够利用大脑完成任务的执行者。
很多初学者容易把 Agent 和大模型混淆。
实际上：大模型 ≠ Agent。
大模型主要负责理解、推理和生成内容，而 Agent 则是在大模型基础上增加了任务规划、工具调用、流程执行等能力。
举一个简单例子，如果你问大模型：
：帮我总结一下这篇文章。
模型会直接生成总结内容，这属于普通的大模型调用。
但是，如果你告诉 AI：
：帮我分析最近一个月的行业新闻，整理重点内容，生成一份报告，并发送给指定人员。
这时候，AI 需要完成多个步骤：
第一步：理解任务目标。
第二步：搜索相关资料。
第三步：分析整理内容。
第四步：生成报告。
第五步：调用其他工具完成发送。
这个过程，就是 Agent 的典型应用。
从开发角度来看，一个完整 Agent 通常包含：
大语言模型（LLM）+ 工具调用 + 任务规划 + 数据获取 + 工作流程。
例如：
AI 客服 Agent：
用户提问 → 理解问题 → 查询知识库 → 调用业务接口 → 返回答案。
AI 编程 Agent：
分析需求 → 查看代码 → 修改文件 → 执行测试 → 修复问题。
AI 办公 Agent：
读取文件 → 总结内容 → 创建文档 → 输出结果。
目前很多 AI 产品，例如 AI 编程助手、智能办公助手、企业智能客服，本质上都在向 Agent 方向发展。
对于前端开发者来说，未来开发的不只是一个聊天窗口，而是一个具有任务处理能力的智能应用。
一句话总结：Agent 是大模型能力的应用层，让 AI 从“回答问题”升级为“完成任务”。
2.4 什么是 RAG？为什么企业 AI 应用几乎都需要它？
虽然现在的大模型能力非常强，但它依然存在一个明显问题：
不知道企业自己的数据。
例如：
一个公司的内部规章制度。
一个学校的课程资料。
一个医院的医学文档。
一个企业的产品手册。
这些内容并不存在于通用大模型训练数据中。
如果直接询问模型：
我们公司的产品售后流程是什么？
模型并不知道。甚至可能生成错误答案。这就是所谓的“幻觉问题”。
为了解决这个问题，出现了 RAG（Retrieval-Augmented Generation，检索增强生成）技术。
简单理解：
RAG = 让大模型先查资料，再回答问题。
传统大模型：
用户问题
↓
大模型
↓
生成答案
RAG：
用户问题
↓
搜索知识库
↓
找到相关资料
↓
提供给大模型
↓
生成准确答案
例如，一个企业建设 AI 客服系统：
用户：
如何申请产品售后？
系统不会直接让大模型回答。
而是：
第一步，从企业知识库中查找售后流程。
第二步，把相关内容发送给大模型。
第三步，由模型根据真实资料生成答案。
这样得到的结果更加准确。
目前大量企业 AI 应用，例如：
企业知识库助手；
智能客服；
AI 教学助手；
法律咨询助手；
医疗辅助系统；
都会采用：大模型 + RAG
这种架构。
对于前端开发者来说，需要理解的是：
未来很多 AI 页面背后，并不是简单调用一个接口，而是连接完整的 AI 应用链路。
一句话总结：RAG 解决大模型“不知道企业数据”的问题，是企业 AI 落地的重要技术。
2.5 什么是 MCP？为什么最近越来越受到关注？
如果说 RAG 解决的是：
AI 如何获取知识？
那么 MCP 解决的是：
AI 如何连接外部工具？
MCP 全称：
Model Context Protocol（模型上下文协议）。
简单理解：
MCP 是大模型连接外部世界的一套标准协议。
过去，如果想让 AI 调用数据库、文件系统、搜索工具或者企业内部系统，每家公司可能都会设计自己的接口。
这导致：不同 AI 应用之间难以复用。开发成本较高。维护比较复杂。
MCP 的出现，就是希望建立一种统一标准，让模型能够更加方便地连接各种外部资源。
例如：
AI 助手通过 MCP：
读取本地文件。访问数据库。调用 Git 仓库。连接企业系统。获取实时数据。
这样，AI 就不再只是一个聊天机器人，而是一个能够操作工具的智能助手。
对于前端工程师来说，MCP 的意义在于：
未来开发 AI 应用时，前端可能不仅展示 AI 返回结果，还需要设计：
工具调用过程展示；
Agent 执行状态；
AI 工作流页面；
多步骤任务交互。
这些都会成为新的前端应用场景。
一句话总结：MCP 是连接大模型和外部工具的桥梁，让 AI 具备更强的扩展能力。
三、国内主流大模型介绍
当前国内大模型发展速度非常快，不同模型在代码能力、中文理解、长文本、多模态、行业应用等方面各有特点。
说明：本文主要介绍国内主流通用大模型，不涉及国外模型。
以下介绍主要基于个人学习体验和开发体验整理，仅供参考。
3.1 DeepSeek：国产大模型中的高关注选手
公司背景
DeepSeek（深度求索） 是国内近年来关注度非常高的大模型公司，其模型凭借较强的推理能力和代码能力迅速获得大量开发者关注。
尤其是在代码生成、数学推理、技术问题分析等方面，DeepSeek 给开发者留下了较深印象。
核心特点
DeepSeek 主要优势：
第一，代码能力突出。
对于程序员来说，代码生成、代码解释、Bug 分析等场景表现较好。
第二，推理能力较强。
面对复杂逻辑问题，分析过程相对完整。
第三，开发者生态逐渐完善。
提供 API 服务，方便开发者接入自己的应用。
适合场景
比较适合：
编程辅助；
技术文档分析；
代码优化；
AI 应用开发；
知识问答。
对于前端工程师来说，DeepSeek 可以作为日常：代码助手。技术学习助手。项目分析助手。
使用地址
网页版：
开放平台：
3.2 通义千问：生态完整的国产大模型
公司背景
通义千问（Qwen） 是阿里巴巴推出的大模型系列。
相比一些更加偏向聊天体验的模型，通义千问更加注重企业应用和开发生态。
核心特点
通义千问优势：
第一，模型体系完整。
覆盖文本、多模态、代码等多个方向。
第二，企业生态较强。
依托阿里云，提供较完善的大模型开发平台。
第三，Agent 能力发展较快。
适合企业构建智能应用。
适合场景
包括：
企业 AI 应用；
智能客服；
知识库问答；
AI 办公；
大模型 API 开发。
如果企业准备正式落地 AI 项目，通义千问是值得关注的选择。
使用地址
网页版：
开放平台：
https://bailian.console.aliyun.com
3.3 Kimi：长文本处理能力突出
公司背景
Kimi 是月之暗面（Moonshot AI）推出的大模型产品。
它最早因为超长文本处理能力受到大量关注。
核心特点
Kimi 的优势：
第一，长文本理解能力较强。
适合处理：论文。报告。技术文档。长篇资料。
第二，中文阅读体验较好。
对于总结、分析类任务表现不错。
适合场景
适合：
阅读论文；
分析技术文档；
总结资料；
长文本问答。
对于开发者来说，如果经常阅读：源码、官方文档、技术论文，Kimi 是一个不错的辅助工具。
使用地址
网页版：
开放平台：
3.4 智谱清言：国产大模型的重要代表
公司背景
智谱清言 是智谱 AI 基于 GLM 系列模型推出的产品。
智谱 AI 是国内较早布局大模型技术的企业之一。
核心特点
主要优势：
第一，国产大模型生态较成熟。
第二，GLM 系列模型持续发展。
第三，企业服务能力较完善。
适合场景
包括：
企业智能助手；
知识问答；
内容生成；
AI 应用开发。
使用地址
网页版：
开放平台：
3.5 豆包：字节系 AI 产品代表
公司背景
豆包 是字节跳动推出的 AI 产品。
依托字节跳动强大的产品生态，豆包在普通用户体验方面具有明显优势。
核心特点
主要特点：
中文交互体验优秀。产品化能力较强。用户使用门槛较低。
适合场景
适合：
日常问答；
内容创作；
办公辅助；
普通用户 AI 使用。
使用地址
网页版：
3.6 腾讯混元：依托腾讯生态的通用大模型
公司背景
腾讯混元是腾讯推出的通用大模型，也是腾讯 AI 能力的重要基础。依托腾讯在微信、腾讯云、企业微信、腾讯会议等产品生态，混元大模型正在逐步应用到办公、企业服务、内容创作等多个场景。
相比一些更偏向个人用户的大模型，腾讯混元更加注重企业级应用和产业落地。
核心特点
腾讯混元的优势主要体现在三个方面。
第一，腾讯生态优势明显。 能够更方便地与腾讯云、企业微信等产品结合。
第二，企业应用场景丰富。 在智能办公、企业知识库、数字员工等方向持续布局。
第三，多模态能力不断完善。 不仅支持文本，还逐步支持图片、语音等多种输入方式。
适合场景
对于开发者而言，更适合：
企业智能办公
AI 办公助手
企业知识库
腾讯云生态项目
使用地址
网页版：
开放平台：
3.7 文心一言：百度 AI 生态的重要组成部分
公司背景
文心一言是百度推出的大模型产品，也是文心大模型家族的重要应用。依托百度长期积累的搜索、知识图谱和人工智能技术，在中文理解方面具有一定优势。
核心特点
文心一言比较适合中文内容生成、知识问答以及搜索增强等场景，同时与百度智能云、大模型开发平台形成了较完整的生态体系。
适合场景
比较适合：
中文内容创作
智能问答
企业应用开发
百度智能云生态
使用地址
网页版：
开放平台：
3.8 讯飞星火：更偏向教育与办公场景
公司背景
讯飞星火由科大讯飞推出，在教育、办公、语音交互等领域拥有较深的技术积累。
核心特点
相比其它模型，讯飞星火在中文语言理解、语音识别以及教育行业应用方面具有一定优势。
近年来也不断完善代码生成、办公辅助等能力。
适合场景
适合：
AI 教学
AI 办公
教育行业应用
智能语音交互
使用地址
网页版：
开放平台：
3.9 MiniMax：AI 原生企业的代表之一
MiniMax 是国内较早专注于 AI 原生应用的大模型企业，在文本生成、角色对话、多模态交互等方面持续投入，也推出了面向开发者的开放平台。
对于开发者来说，如果需要体验不同模型的生成风格，MiniMax 也是一个值得关注的选择。
网页版：
开放平台：
3.10 百川智能：持续发展的国产大模型
百川智能是国内大模型领域的重要参与者之一，持续推出不同参数规模的大模型产品，并不断完善企业级应用能力。
虽然普通用户接触相对较少，但在开发者社区和企业应用领域同样具有一定影响力。
网页版：
开放平台：
https://platform.baichuan-ai.com
国内主流大模型生态图
四、国内主流大模型推荐（仅代表个人观点）
随着国内 AI 技术快速发展，各家模型都在持续迭代，模型能力也会不断变化。
因此，下面的排序仅代表我个人当前的学习体验和开发体验，不代表官方评价，也不构成任何商业推荐，仅供大家参考。
| 排名 | 大模型 | 推荐指数 | 推荐理由 |
|---|---|---|---|
| ① | DeepSeek | ⭐⭐⭐⭐⭐ | 代码能力、逻辑推理表现优秀，开发者体验较好 |
| ② | 通义千问 | ⭐⭐⭐⭐⭐ | 企业生态完善，API 丰富，适合 AI 应用开发 |
| ③ | Kimi | ⭐⭐⭐⭐☆ | 长文本处理能力突出，适合阅读文档、论文 |
| ④ | 智谱清言 | ⭐⭐⭐⭐☆ | 国产生态成熟，GLM 系列持续更新 |
| ⑤ | 豆包 | ⭐⭐⭐⭐☆ | 中文体验优秀，普通用户使用体验较好 |
| ⑥ | 腾讯混元 | ⭐⭐⭐⭐ | 企业生态优势明显 |
| ⑦ | 讯飞星火 | ⭐⭐⭐⭐ | 教育、办公场景表现较好 |
| ⑧ | 文心一言 | ⭐⭐⭐☆ | 百度 AI 生态的重要组成部分 |
| ⑨ | MiniMax | ⭐⭐⭐☆ | AI 原生应用值得关注 |
| ⑩ | 百川智能 | ⭐⭐⭐☆ | 企业级应用持续发展 |
需要强调的是，大模型的发展速度非常快。
今天的排名，并不意味着半年后依然如此。
因此，更建议大家根据自己的实际项目需求选择模型，而不是单纯追求排行榜。
【图片4】
图片内容：AI 应用开发整体架构图
Vue3 前端 → Java/Python 后端 → 大模型 API → RAG → MCP → Agent → 企业知识库/数据库/第三方系统
五、前端工程师如何进入 AI 应用开发？
对于绝大多数前端工程师来说，
学习 AI 并不意味着转行做算法工程师，
而是学习如何开发 AI 应用。
如果你已经掌握了 Vue、TypeScript、Node.js，那么恭喜你，你已经具备了一半以上的基础。
接下来建议重点学习以下几个方向：
4.1 学会调用大模型 API
这是进入 AI 应用开发最重要的一步。
无论是 DeepSeek、通义千问、智谱清言还是腾讯混元，都提供了开放平台和 API。学会接口调用、流式输出（Streaming）、上下文管理等能力，是每一位前端开发者都应该掌握的技能。
4.2 学习 Prompt、RAG、Agent、MCP
很多开发者把注意力放在模型本身，但真正决定 AI 应用体验的，往往是模型之外的能力。
建议按照下面的顺序学习：
Prompt → Function Calling → RAG → MCP → Agent → 多 Agent 工作流
这也是当前企业 AI 应用开发中最常见的技术路线。
4.3 不要放弃 Vue，它依然是 AI 应用的重要基础
很多同学担心，学习 AI 以后是不是 Vue 就没用了。
答案当然是否定的。
无论聊天机器人、AI 办公平台、知识库系统还是智能客服，它们最终都需要一个良好的用户界面，而 Vue 依然是构建这些界面的优秀框架。
未来真正有竞争力的开发者，不是只会 Vue，也不是只懂 AI，而是能够把两者结合起来，开发出真正解决业务问题的 AI 应用。
【图片5】
图片内容：前端工程师 AI 学习路线图
JavaScript → TypeScript → Vue3 → Node.js → HTTP/API → 大模型 API → Prompt → RAG → MCP → Agent → AI 应用开发
六、学习 AI 应用开发的几点建议
AI 技术更新非常快，新的模型和工具几乎每个月都会出现。
因此，在学习过程中，更建议大家建立完整的知识体系，而不是追逐每一个热点。
对于前端开发者来说，可以重点关注以下几点：
第一，不要过于关注模型参数大小，而要关注模型是否适合自己的业务场景。
第二，优先学习 AI 应用开发，而不是模型训练。
第三，多动手实践。 可以尝试自己开发一个 AI 聊天助手、知识库问答系统或者 AI 办公工具，通过真实项目理解 AI 技术的应用方式。
第四，保持持续学习。 AI 领域的发展速度远快于传统前端，保持对新技术的关注，才能不断提升自己的竞争力。
七、本文总结
AI 正在深刻影响软件开发行业，但它并不会取代前端工程师，而是推动前端开发进入新的阶段。
对于绝大多数开发者来说，未来需要掌握的重点，不是如何训练一个大模型，而是如何基于成熟的大模型开发真正解决业务问题的 AI 应用。
本文从前端开发者的角度，介绍了 AI、大模型、通用大模型、专用大模型、Agent、RAG、MCP 等核心概念，并对国内主流通用大模型进行了简单介绍，希望能够帮助大家建立完整的知识框架。
如果你是一名 Vue 开发者，现在开始学习 AI 应用开发，正是一个不错的时机。未来，Vue + AI + Agent 很可能成为越来越多企业项目的标准配置，而具备复合能力的开发者，也将拥有更广阔的发展空间。
八、更多操作
更多 AI 前端实战内容，请看 AI 应用开发个人专栏
本文属于 AI 应用开发实战系列，持续更新Vue 结合 AI 开发、大模型对接、Agent 落地、RAG 知
识库、前端 AI 工程化等干货，欢迎关注我的 CSDN 专栏：
👉 AI Develop 实战专栏
https://ncmile.blog.csdn.net/category_13140754.html?orderBy=1
本专栏聚焦 AI 应用开发，围绕大模型、Agent、MCP、RAG、Prompt、AI SDK、知识库、AI 工作流等热门技术，结合 Vue、Java 等开发实践，分享 AI 应用开发经验、项目实战与完整学习路线，帮助开发者搭建系统化AI 应用开发知识体系，持续跟进 AI 技术迭代与行业落地新趋势。
如果本文对你有帮助，欢迎点赞、收藏、评论，你的支持是我持续输出实战干货的动力！
如果你在AI 项目、Vue 对接大模型开发中遇到相关问题，欢迎留言交流，分享你的开发场景与踩坑解决方案。
欢迎加入 MCP 技术社区！与志同道合者携手前行，一同解锁 MCP 技术的无限可能！
更多推荐
8
0- 0
已为社区贡献1条内容
所有评论(0)