大模型 & AI agent

大模型三个根本局限：

①幻觉（Hallucination） 

②知识截止 

③个性化盲区。

大模型只有训练数据，没有你的数据。

模型无法区分「我知道」和「我在猜」，面对训练数据中不存在的事实只能预测——即编造。真正的解法是把正确的数据给它（如 RAG）。

上下文窗口再大也是一次性的，每次新对话开始就会清空。

大模型天生没有记忆。

大模型不好用首先要做的是补数据，而不是换模型。

AI能力上限=数据质量×模型能力+流程编排。

智能体(Agent)

不仅能理解和生成语言，还具备感知环境、做出决策并执行的能力。

Agent的本质：感知->推理->行动， 以LLM为核心大脑的自主系统

Agent核心=Data×LLM

大语言模型(Large Language Model, LLM)

基于海量文本数据训练，能理解并生成自然语言，在文本创作、问答系统等方面展现出强大的能力。

ReAct=Reasoning+Acting

推理与行动的循环

ReAct 架构因其灵活性高、适用于开放式任务，成为行业最广泛采用的模式。

检索增强生成（Retrieval-Augmented Generation，RAG）

一种将信息检索与文本生成相结合的技术。在回答问题之前，先让模型查阅相关的知识库，然后再基于这些真实资料进行回答。

索引检索生成

让Agent会“查资料”，知识数据的检索。

模型上下文协议（Model Context Protocol，MCP)

一种标准化的通信协议，定义了大模型与外部工具之间交互的规则。

AI工具生态的“USB接口”，数据接入的标准化

Skill:把专业经验变成数据，经验数据的结构化

Memory:个性化数据的记忆与召回

语义记忆，情景记忆，工作记忆

总结：RAG 是知识数据的检索，MCP 是数据接入的标准化，Skill 是经验数据的结构化，Memory 是数据的积累与召回。模型决定 Agent 能"想多好"，数据决定 Agent 能"做多好"。

AI 经典原则 "Garbage In, Garbage Out" 指的是：数据质量低劣，输出必然不可靠。