# W3AI | 前端 × AI 学习资料库（教程 · Agents · RAG · 最佳实践）

> 前端 × AI 学习资料库：教程、Agents、Skill 与最佳实践。

## Table of Contents


### Other

- [Agents 与工具调用](/agents.md)
- [Embedding 到底在做什么：从文本到向量](/basics/what-is-embedding.md): 从文本到向量的完整链路讲起：维度是什么、为什么语义相近的向量夹角小、余弦相似度怎么算，并说清它为什么比关键词匹配强又不完全可靠，附常见模型维度与批量调用实践。
- [Function Calling：让模型真的能调你的函数](/agents/function-calling.md): 面向前端工程师讲清 Function Calling（函数调用）的完整链路：工具定义怎么写、参数描述为什么最关键、并行调用与多轮循环怎么跑、错误结果为什么要回填，以及哪些危险操作必须人工确认。
- [MCP 入门：模型上下文协议解决了什么问题](/agents/mcp.md): 面向前端工程师讲清 MCP（模型上下文协议）：M×N 的工具适配爆炸、它统一的是「工具怎么被描述和调用」而不是模型内部、host/client/server 三个角色、最小 server 的 JSON 配置、stdio 与远程两种接法，以及它和 Function Calling 的关系与安全边界。
- [RAG 与知识库](/rag.md)
- [RAG 切片策略：文档怎么切才不掉链子](/rag/chunking.md): 从检索单元的本质出发，讲清固定长度切分、滑动窗口重叠、按 Markdown 结构切分的取舍，并给出表格与代码的特殊处理方式和切片粒度的评估方法。
- [Token 与上下文窗口：模型为什么会「忘事」](/basics/token-context-window.md): 从 token 的切分原理讲到上下文窗口的额度分配，说清中文为什么更费 token、模型为什么会「忘事」，并给前端工程师一套可落地的长度估算与超窗排查思路。
- [Vercel AI SDK 上手：前端接大模型的标准姿势](/frontend-ai/ai-sdk.md): 面向前端工程师的 Vercel AI SDK 上手科普：讲清裸写 fetch 流式解析要重复造哪些轮子、AI SDK 抽象掉了哪几层、服务端与客户端怎么分工、最小可读的前后端示例怎么写，以及换模型和代价（依赖、版本漂移、黑盒）的真实体验。
- [关于本站](/about.md)
- [最佳实践](/practices.md)
- [分类](/categories.md)
- [前端 AI 开发](/frontend-ai.md)
- [基础概念](/basics.md)
- [大模型流式输出：SSE 在前端怎么接](/frontend-ai/streaming-sse.md): 面向前端工程师的大模型流式输出科普：为什么模型逐 token 生成、SSE 的 data 行与空行分隔协议、为什么该用 fetch 而不是 EventSource，以及断字处理、[DONE] 结束标记、用 AbortController 停止生成与断线降级。
- [归档](/archives.md)
- [提示工程模式：从角色设定到结构化输出](/practices/prompt-patterns.md): 把 prompt 当成写给同事的接口文档：角色设定真正固定了什么、指令怎么具体到格式与长度、示例为何比讲道理有效、思维链的适用边界、结构化输出的可靠做法与兜底，以及改 prompt 之前为什么必须先有评测集。
- [标签](/tags.md)
- [混合检索：BM25 和向量召回的结果怎么合并](/rag/hybrid-search.md): 纯向量和纯 BM25 各有盲区，混合检索把两路结果合起来，但两边的分数量纲不同不能直接相加。这篇讲 RRF 的公式与 k 的取值、Elasticsearch 与 Weaviate 的默认参数、跨编码器重排的位置，以及我踩过的几个坑。