揭秘!AI名词大解析

AI 核心概念大起底，概念解析

1.大语言模型（LLM）

来源：从小语言模型（初期能力有限）发展而来，当模型参数达到临界点时涌现智能，为区分而称为 “大语言模型”，简称 LLM。

核心能力：文字接龙（不断输出下一个字），基础功能单一，需通过其他方式扩展应用。

2.Prompt 与 Context

Prompt：用户与大模型的对话被称为 Prompt。

Context（上下文）：对话中区分出的背景信息部分，用于为模型提供必要的背景支撑。

为实现追问功能，将历史对话放入 Context 作为上下文信息，称为 Memory（模型记忆）。

可通过调用大模型对 Memory 总结压缩，减少上下文长度。

定义：通过程序代理用户与大模型沟通，处理大模型无法独立完成的任务（如上网搜索），使大模型具备操作工具的能力。

早期实现：部分早期智能体仅通过增加 Prompt 实现，被认为是 “名词诈骗”。

方法：使用向量数据库，通过语义匹配找出相近片段，将其加入上下文以增强生成内容的可靠性。

作用：解决大模型知识过时或无法获取实时 / 本地信息的问题。

定义：Agent 与大模型之间关于工具调用的约定对话格式（如 JSON），方便程序解析大模型需求。

本质：类似开发中前后端接口格式约定，确保沟通标准化。

定义：Agent 与工具服务之间调用的约定规范（如约定 tools/list 返回工具列表、tools/call 调用工具等）。

作用：实现工具服务与 Agent 主程序的解耦，规范调用流程。

LangChain：编程框架，用于编写链式任务，通过代码固化流程，稳定性高但柔性低。

Workflow（工作流）：低代码方式，通过页面拖拽实现流程固化，降低上手难度。

定义：将提示词存储在指定位置（如 SKILL.MD），Agent 通过程序读取并加载，作为其 “技能”。

本质：提示词加载器，兼顾灵活性与可控性，是中间产物。

定义：针对复杂任务中的独立子任务，单独使用的子智能体。

作用：实现上下文隔离，子 Agent 产生的上下文不保留在主 Agent 中，减少主 Agent 上下文负担。

概念本质：均围绕 “提示词” 展开，核心是自动增加上下文信息（如 Search、RAG、SKILL）或减少沟通次数。

发展趋势：工具将逐渐内化到 Agent 主程序，SKILL 可能淘汰 MCP 和 Workflow；未来会出现配置好所有功能的 “超级 Agent”，降低普通人使用门槛，便利性是核心趋势。