要系统地学习AI应用开发，首先得理清那些频繁出现却又让人摸不着头脑的核心概念。作为AI知识合集中的开篇，本文旨在扫清这些基础术语的障碍，用最通俗的语言和生活化的例子，带你一次性搞懂从底层模型到上层应用的完整生态。
刚开始接触AI时，听到LLM、RAG、Agent这些名词是不是感觉头大，像在听天书？其实它们并没有那么复杂。下面我们就从最核心的基础开始，逐步拆解，并搭配清晰的框架图，让你看完就能把握其精髓。
一、AI的“核心大脑”：基础概念
这部分概念是AI功能的根基，如同人体的大脑与神经系统，是所有智能应用的核心支撑。我们将依次介绍LLM、Prompt、Context等。
1. LLM：大语言模型
全称 Large Language Model，即大语言模型。它的核心能力在于懂语言、会表达，而不是预测未来。
你可以把LLM想象成一个博览群书的超级学霸，它阅读了互联网上几乎所有的文本资料，记住了海量的语言模式和知识。因此，它能理解你的话语、与你聊天、撰写文章、回答问题。我们日常使用的豆包、ChatGPT等AI助手，其内核都是LLM。
例如，你问它“番茄炒蛋怎么做？”，它能一步步告诉你烹饪步骤；你让它“写一封请假条”，它也能立刻生成。这就是LLM的核心：理解与生成自然语言。
2. Prompt：提示词
Prompt就是你向AI发出的指令，相当于你与AI沟通的话术。你所说的每一句话、提出的每一个要求，都是一个Prompt。
当你对AI说：“写一段马年新春祝福语，送给朋友”，这句话就是Prompt；你说：“帮我修改这篇作文，让语言更生动”，这也是Prompt。通常，Prompt越具体、越清晰，AI的执行效果就越好。
3. Context：上下文
Context 指的是你与AI对话的前因后果。AI能够记住之前交流的内容，无需你反复提及，这就是上下文的作用。
这好比你先告诉AI：“我喜欢吃辣”，然后接着说：“推荐一家餐厅”。AI会自动结合“你喜欢吃辣”这个上下文，为你推荐川菜馆或湘菜馆，而不是推荐粤式茶餐厅。
二、AI的辅助工具：扩展模型能力
如果说LLM是AI思考的大脑，那么下面这些概念就相当于为AI装上了手脚，使其能够完成更复杂、更具体的任务，从而提升准确性与实用性。
1. Function Calling：函数调用
LLM擅长理解和生成语言，但无法直接操作外部系统。这时，它可以通过调用外部工具来实现目标，就像我们使用计算器处理复杂运算一样。这个寻找并利用工具的过程，就是Function Calling。
例如，你让AI“查一下今天的天气”，AI本身并不知晓实时天气数据，但它可以调用一个天气查询的接口（函数），获取数据后再组织成语言告诉你。你让AI计算“12345 × 6789”，它也可以调用计算器函数来快速得出答案。
2. RAG：检索增强生成
RAG 这个词大家应该不陌生，它在当前AI应用中非常普遍。简单说，RAG就是让AI在回答问题时，先到指定的知识库中去检索相关信息，再结合自身的理解生成答案。这相当于给AI配备了一个专属的外部记忆库，避免其“胡编乱造”。
假设你让AI“根据公司最新的产品手册，写一段产品介绍”。AI会先检索你提供的产品手册文档，找到相关描述和参数，再基于这些准确信息生成介绍文案，从而确保内容的真实性和专业性。
3. Search：搜索
Search 功能与我们日常使用百度、谷歌类似。当AI遇到不了解或信息过时的问题时，可以通过搜索来获取最新的网络信息，补充自身知识的不足，避免给出错误或陈旧的答案。
例如，你询问“2026年最新的AI技术趋势是什么？”。AI为了给出准确回答，可能会启动搜索功能去查找相关的新闻报道、技术论文，然后整理信息反馈给你，而不是仅仅依赖其训练数据中的旧知识。
三、AI的上层架构：复杂应用搭建
以下概念用于构建更复杂的AI应用，就像公司里的项目团队，各有分工，协作完成综合性任务。
1. LangChain：AI应用开发框架
首先要提的就是 LangChain。它本质上是一个AI应用开发的工具包，里面预制了各种组件，例如调用外部函数、检索资料、管理对话记忆等模块。开发者无需从零开始造轮子，可以直接使用这些“乐高积木”般的组件，快速搭建出功能完整的AI应用。
当你想开发一个AI客服系统时，不必亲自编写所有底层代码。利用LangChain提供的对话记忆管理、工具调用和检索增强生成（RAG）等模块，就能快速组合出一个能理解客户需求、查询知识库、并给出准确回复的智能客服。
2. Agent：智能体
Agent 可以通俗地理解为一个能自主行动的AI助手。它能够理解复杂任务、自主规划步骤、调用各种工具（如Search、Function Calling），最终完成任务，而无需用户进行每一步的微观管理。它就像是AI世界里的“全能打工人”。
比如，你让一个Agent“帮我制定一份北京出差三天的攻略”。它可能会自主规划并执行以下步骤：先搜索（Search）北京近期的天气，再检索（RAG）当地的交通卡办理、酒店和景点信息，最后综合你的时间安排，整理出一份详尽的行程计划，整个过程无需你多次干预。
3. SubAgent：子智能体
SubAgent 是Agent的得力助手。当任务过于复杂时，主Agent会将其拆解，分配给多个SubAgent并行处理，各自完成一部分子任务，最后再由主Agent汇总结果。这就像团队协作中的各个成员。
以上面的出差攻略为例，主Agent可能将任务分解为：
- SubAgent1：查询天气。
- SubAgent2：检索交通与住宿信息。
- SubAgent3：整理并美化攻略文档格式。
三个SubAgent完成后，主Agent进行整合与润色，最终将完整的攻略呈交给你。
四、AI的关键能力
除了上述核心架构，一些关键能力词汇也经常被提及：
- Memory：记忆。指AI记住对话历史、用户偏好等长期信息的能力。它与Context相关，但范围更广，能跨越更长的对话周期。例如，AI能记住你上周说过“预算有限”，本周为你推荐餐厅时依然会考虑这个因素。
- Workflow：工作流。指AI完成任务所遵循的固定步骤序列。例如，上述Agent制定攻略的“搜索天气 → 检索交通住宿 → 整理文档”就是一个简单的工作流。
- Skills：技能。指AI能够执行的具体任务，如“写诗”、“翻译”、“生成代码”等。一个AI具备的技能越多，其能力就越全面。
- MCP：模型上下文协议。这可以理解为AI与其他工具或其他AI进行通信时所遵循的一套“规则”或“协议”，确保信息在传递和调用过程中准确无误，避免产生歧义。
五、AI核心概念全景图
为了帮助你更直观地理解这些概念之间的关系，下面这张思维导图勾勒出了AI的核心基础与架构。
记住这个核心关系：LLM是大脑，Prompt是指令，Context/Memory是记忆，Agent是统筹指挥官，RAG和Function Calling是它的左膀右臂（工具）。把握住这个逻辑，你就能轻松厘清整个AI应用生态中的核心名词了。
希望这篇梳理能帮助你打下扎实的基础。在 云栈社区 的技术论坛中，你可以找到更多关于AI开发实践的深度讨论和资源共享，与众多开发者一同交流成长。
发表于 9 小时前
|
查看: 0|
回复: 0
