AI相关的名词概念层出不穷，你是否也感到有些困惑，分不清它们之间的区别与联系？今天，我们就按照“基础概念 → 架构工具 → 流程框架 → 产品工具”这四个层次，来系统地梳理一下这些核心名词。其演进逻辑可以概括为：基础概念是底层能力 → 架构工具是核心技术 → 流程框架是编排方式 → 产品工具是落地载体。
一、基础核心概念（4 个）
基础概念构成了AI的底层能力，后续的所有技术演进都围绕这一部分展开。
1）大语言模型（LLM / 大模型）
- 是什么：基于 Transformer 架构、在海量文本数据上预训练的超大规模语言理解与生成模型。
- 出现背景：算力飞跃、Transformer诞生、互联网语料爆发，传统小模型无法理解复杂语义。
- 解决问题：让机器从关键词匹配升级到理解语义、逻辑推理、生成内容。
- 作用：AI系统的“大脑”，负责理解、推理、生成、对话、总结。
- 技术本质：通过海量语料学习语言规律、知识关联与概率分布，用自回归/掩码预测生成文本。
- 应用场景：聊天对话、内容创作、代码编写、翻译、问答、摘要。
Transformer是2017年谷歌提出的一种神经网络架构，是当前所有大模型（LLM、多模态、文生图）的底层基础。
2）Prompt（提示词）
- 是什么：用户向LLM输入的指令、问题、示例、约束等所有信息。
- 出现背景：大模型能力强但意图不明确，需要精准指令引导输出。
- 解决问题：消除歧义，让模型精准理解任务目标与输出要求。
- 作用：控制输出风格、格式、角度、长度、逻辑，提升结果质量。
- 技术本质：通过自然语言构造任务范式 + 示例 + 约束，激活模型对应能力。
- 应用场景：对话、生成、改写、代码、角色扮演、信息提取。
3）Context（上下文）
- 是什么：当前对话/任务中，模型可读取的历史交互信息。
- 出现背景：人类交流是连贯多轮的，单轮输入无法保持逻辑。
- 解决问题：让模型记住前文，实现连贯、有上下文的交互。
- 作用：维持对话连贯性、多轮理解、长文本关联推理。
- 技术本质：将历史对话拼接到当前输入，一起送入模型，利用注意力机制关联信息。
- 应用场景：多轮聊天、长文档处理、连续调试、复杂对话。
4）Memory（记忆）
- 是什么：模型长期持久化存储的用户/任务信息，不随对话结束丢失。
- 出现背景：上下文是短期、有限、易丢失，无法满足长期个性化需求。
- 解决问题：让AI拥有长期记忆，记住偏好、历史、专属知识。
- 作用：个性化服务、持续迭代任务、长期状态管理。
- 技术本质：将关键信息存入外部存储（数据库/文件），交互时主动读取注入上下文。
- 应用场景：个人助手、专属客服、长期项目助手、个性化推荐。
总结
LLM是大脑，Prompt是交互入口，Context是短期记忆，Memory是长期记忆。
- LLM是核心引擎；
- Prompt用来指挥它；
- Context保证当前对话连贯；
- Memory实现长期个性化。
四者构成AI最底层的基础能力。
二、架构 / 工具核心概念（5 个）
架构工具是构建AI应用的核心技术。
1）Agent（智能体）
- 是什么：具备自主思考、规划、执行、复盘能力的高级AI主体。
- 出现背景：传统LLM只能被动问答，无法独立完成复杂闭环任务。
- 解决问题：让AI从“工具”变成能自主干活的执行者。
- 作用：自主拆任务、做计划、调用工具、纠错、完成闭环。
- 技术本质：LLM做决策中枢 + 工具调用 + 记忆 + 反思机制，循环执行。
- 应用场景：自动办公、数据分析、运维、任务规划、自动化流程。
Agent理解：
Agent的英文意思是“代理人”。从广义概念理解，它是指一个能够代表用户执行特定任务的实体；其核心工作流在于接收指令、自主处理复杂过程，并最终向用户交付结果，而无需用户干预中间细节。
如果以程序员的视角，Agent本质上是一套具备自主决策能力的代码系统。它通过封装复杂的业务逻辑与算法，将大模型的推理能力与外部工具（如，在线搜索、代码执行、API调用）相结合，从而被赋予了类似人类的“技能”。这使得Agent不仅能被动响应，更能主动规划并解决一系列复杂问题。
一句话总结：Agent是用来减少与LLM进行沟通的次数的。
2）RAG（检索增强生成）
- 是什么：先从外部库检索相关知识，再将结果喂给模型生成答案。
- 出现背景：LLM存在知识过时、幻觉、不懂私有数据问题。
- 解决问题：用真实、最新、可溯源的外部知识保证回答准确。
- 作用：减少幻觉、提升准确性、接入私有/实时知识。
- 技术本质：文本向量化 → 向量库检索 → 召回相关片段 → 拼入Prompt生成。
- 应用场景：企业知识库、文档问答、法律/医疗/技术咨询。
3）Function calling（函数调用）
- 是什么：LLM按规则生成结构化参数，主动调用外部工具/接口的能力。
- 出现背景：大模型只能生成文本，无法联网、查库、操作系统。
- 解决问题：打通AI与现实世界、业务系统、工具软件的连接。
- 作用：查数据、发请求、执行命令、操作软件、获取实时信息。
- 技术本质：模型输出标准化函数名 + 参数 → 系统解析执行 → 结果返回模型。
- 应用场景：查天气、查订单、读数据库、发邮件、触发流程。
Function calling： 是Agent与LLM之间调用的约定规范，类似于协议。
4）MCP（模型上下文协议）
- 是什么：统一模型/智能体/工具之间传递上下文信息的规范标准。
- 出现背景：多模型、多智能体协同时，上下文格式不互通、无法共享。
- 解决问题：实现跨组件、跨模型上下文标准化流转。
- 作用：降低集成成本、提升协同效率、信息互通。
- 技术本质：定义统一数据结构（角色、内容、时间、类型），实现格式兼容。
- 应用场景：多模型调度、多Agent系统、AI中台、复杂AI应用。
MCP就是Agent调用各个工具的一个协议。
5）Sub-agent（子智能体）
- 是什么：由主Agent调度、负责单一专业任务的细分智能体。
- 出现背景：单一Agent处理多领域任务，效率低、专业性差。
- 解决问题：任务分工、专业拆解，主脑统筹 + 子体执行。
- 作用：并行处理、专业化更强、复杂任务更稳定。
- 技术本质：主Agent做任务拆分与分发，Sub-agent专注单任务执行与结果返回。
- 应用场景：复杂项目协作、多领域并行任务、AI团队作业。
总结
以Agent为中枢，用RAG补知识，用Function calling连工具，用MCP通信息，用Sub-agent做分工。
- Agent是总指挥；
- RAG解决知识准确问题；
- Function calling连接现实世界；
- MCP让所有模块互通；
- Sub-agent实现专业化分工。
五者构成AI系统的核心技术架构。
三、流程 / 框架类概念（3 个）
流程框架是AI能力的编排方式，旨在固化流程，确保每次执行结果基本一致。
1）Linchang（列式编程框架）
- 是什么：以列/步骤为单元，可视化编排AI流程的低代码框架。
- 出现背景：普通用户不会代码，却需要快速搭建Agent/Workflow。
- 解决问题：低门槛、可视化搭建AI应用，降低开发难度。
- 作用：快速搭建、可视化调试、流程可复用、无需复杂编码。
- 技术本质：将AI能力封装为节点，按列/顺序拖拽编排，自动转执行逻辑。
- 应用场景：AI自动化、智能体搭建、流程应用、低代码AI开发。
2）Workflow（工作流）
- 是什么：将复杂任务拆分为固定步骤、顺序、条件、分支的执行流程。
- 出现背景：复杂任务需要标准化、可复现、可监控的执行逻辑。
- 解决问题：让AI按稳定流程执行，避免混乱、保证结果一致。
- 作用：标准化、自动化、可复用、可监控、可回溯。
- 技术本质：节点 + 连线 + 条件判断，按预设逻辑依次触发执行。
- 应用场景：数据处理、报告生成、审核流程、自动化pipeline。
3）Skill（技能）
- 是什么：封装好的、可独立完成单一专业任务的AI能力模块。
- 出现背景：通用AI太泛，需要可插拔、可复用的专业能力。
- 解决问题：能力模块化，方便组合、复用、升级、管理。
- 作用：专业聚焦、即插即用、可独立迭代。
- 技术本质：将Prompt、工具、流程、模型封装为独立可调用单元。
- 应用场景：客服技能、代码技能、运营技能、数据分析技能。
总结
用Linchang低代码搭建，用Workflow编排步骤，用Skill提供专业能力。
- Skill是最小能力单元；
- Workflow是流程组织方式；
- Linchang是可视化搭建框架。
三者是AI能力的编排与落地框架。
四、相关产品 / 工具类名词（4 个）
产品工具是上述技术概念的最终落地载体。
1）OpenClaw（CloudBot）
- 是什么：云端部署、托管、运行的AI机器人/智能体平台。
- 出现背景：企业/个人不想自建服务器，需要直接上线管理AI Bot。（不准确，不过可以理解为管理AI Bot）
- 解决问题：快速创建、部署、运维、管理AI机器人。
- 作用：云端运行、多机器人管理、开放接入、弹性扩缩容。
- 技术本质：云端容器化部署 + Bot管理后台 + 开放接口 + 多实例调度。
- 应用场景：企业客服、云端助手、多Bot协同、AI应用上线。
2）Cloudcode
- 是什么：云端在线编写、运行、存储、协作的AI辅助编程工具。
- 出现背景：本地环境配置繁琐，需要随时随地编码 + AI辅助。
- 解决问题：零配置、跨设备、在线开发与运行代码。
- 作用：在线编程、AI补全、云端运行、分享协作。
- 技术本质：浏览器端IDE + 云端计算资源 + AI代码模型集成。
- 应用场景：脚本编写、算法验证、教学演示、协作开发。
3）Codexmanage
- 是什么：AI资产（代码、模型、技能、流程）统一管理平台。
- 出现背景：AI代码、技能、资产零散，难以复用、版本管理。
- 解决问题：AI资产中心化、可追溯、可复用、可共享。
- 作用：资产管理、版本控制、权限管理、发布上架。
- 技术本质：资产库存储 + 版本管理系统 + 权限引擎 + 发布通道。
- 应用场景：企业AI资产库、团队协作、技能市场。
4）向量数据库（RAG核心支撑）
- 是什么：专门存储与检索向量嵌入（Embedding） 的高性能数据库。
- 出现背景：传统数据库无法高效做语义相似度检索。
- 解决问题：快速、精准找到语义最相近的文本/数据。
- 作用：支撑RAG实现高效、高精度语义检索。
- 技术本质：将文本转为向量 → 构建索引 → 高维向量近似最近邻搜索（ANN）。
- 应用场景：RAG知识库、推荐系统、相似文本匹配、语义检索。
检索增强生成：给LLM装一个外置知识库，让它查资料再回答，不瞎编。
总结
从底层的LLM、Prompt，到核心的Agent、RAG，再到上层的Workflow、Skill，最后落地为具体的云Bot、代码工具和向量数据库，AI的技术栈正在迅速体系化。理解这些概念及其关联，有助于我们更好地把握技术趋势，并构建更强大、更可靠的AI应用。希望这份梳理能对你有所帮助。如果你想进一步探讨这些技术，或寻找相关资源，欢迎来 云栈社区 交流。 | 
发表于 3 小时前
|
查看: 4|
回复: 0
