⚠️ 更新说明：本文已根据权威资料更新，部分内容来自维基百科、IBM、AWS、Microsoft Azure 等官方文档。
在 AI 时代，这些概念你是否经常听到但又似懂非懂？这篇文章帮你一次性搞懂！
1. LLM（大语言模型）
是什么？
LLM = Large Language Model，即大语言模型。简单来说，它是一个经过海量文本训练的超大神经网络，能够理解和生成人类语言。
你可以把它想象成一个读过了互联网几乎所有文章的人，它学会了语言的模式，能够回答问题、写作文、写代码、翻译等。
作用
- 对话问答：回答各种问题
- 文本生成：写文章、写邮件、写代码
- 翻译：多语言互译
- 总结：把长文章浓缩成短摘要
- 代码补全：帮你写代码、debug
著名 LLM
| 模型 | 开发者 | 特点 |
|---|---|---|
| GPT-4 / o1 | OpenAI | 最强综合能力，多模态 |
| Claude 4 | Anthropic | 长文本处理强，安全 |
| Gemini | 多模态原生 | |
| MiniMax | 中国 | 中文优化 |
| DeepSeek | 中国 | 开源、性能强 |
一个重要概念：Token
LLM 处理文本的基本单位叫 Token。简单理解：
- 1 个 Token ≈ 0.5 ~ 1 个中文字
- ≈ 1~2 个英文单词
为什么关注 Token？
因为 LLM 是按 Token 收费的！你发送的 Prompt 和收到的回复，都会消耗 Token。
2. Prompt（提示词）
是什么？
Prompt 就是你发给 LLM 的指令或问题。
你可以把它理解为对 AI 说话的方式。同样一个问题，用不同的 Prompt 问，得到的答案质量可能天差地别。
参考来源：提示工程指南、OpenAI 提示词最佳实践
作用
Prompt 决定了 AI 理解你的意图和输出什么内容。
好的 Prompt 怎么写？
一个好的 Prompt 通常包含：
| 要素 | 说明 | 示例 |
|---|---|---|
| 角色 | 让 AI 扮演什么角色 | “你是一位专业的营养师” |
| 任务 | 要完成什么 | “帮我写一份健康饮食计划” |
| 背景 | 补充相关信息 | “我身高 175cm，体重 70kg” |
| 格式 | 要求输出格式 | “用表格形式呈现” |
| 限制 | 有什么约束 | “不要超过 500 字” |
经典 Prompt 框架
你是 [角色]
需要完成 [任务]
背景信息：[背景]
要求：[格式/限制]常见 Prompt 技巧
- Few-shot：给几个例子，让 AI 模仿
- Chain-of-Thought：让 AI 展示思考过程
- Role-playing：设定角色获得更好专业回答
3. Context（上下文）
是什么？
Context 就是对话的上下文，包括之前聊过的内容、历史消息等。
LLM 本身是无状态的——每次请求都是独立的。但通过把历史消息放进 Prompt，AI 就能”记住”之前聊了什么。
作用
- 让多轮对话连贯
- 让 AI 记住你的偏好
- 实现”连续任务”（如长文写作）
一个关键指标：上下文窗口
上下文窗口（Context Window）是指 LLM 一次能处理的 Token 数量。
| 模型 | 上下文窗口 |
|---|---|
| GPT-4 | 128K Token（约 10 万汉字） |
| Claude 4 | 200K Token |
| Gemini | 200万 Token |
| DeepSeek | 64K - 128K Token |
超出这个长度怎么办？通常会截断或摘要前面的内容。
4. Agent（智能体）
是什么？
Agent = 智能体，是一个能够自主思考、规划并执行任务的 AI 系统。
如果说 LLM 是一个”大脑”，那 Agent 就是大脑 + 手 + 工具的组合。
参考来源：IBM - 什么是 AI agent、腾讯云 - 什么是AI Agent、Gartner - AI Agents
Agent 的核心能力
一个真正的 Agent 通常具备：
| 能力 | 说明 |
|---|---|
| 感知 | 理解输入（文本、图像、声音） |
| 思考 | 分析问题、制定计划 |
| 规划 | 把复杂任务拆成步骤 |
| 行动 | 调用工具、执行操作 |
| 反思 | 检查结果、调整策略 |
2025 年 Agent 趋势
根据 斯坦福 2024 AI 指数报告 和 Gartner 预测：
- 智能体技术正从简单动作转向多智能体复杂工作流
- Agentic AI 被列为 2025 年首要战略技术
- 企业软件中整合 AI Agent 的比例将大幅上升
LLM vs Agent
| LLM | Agent | |
|---|---|---|
| 本质 | 语言模型 | 系统 |
| 行动 | 只能输出文字 | 可以执行操作 |
| 自主性 | 低（你问我答） | 高（自主规划） |
| 工具使用 | 不会 | 会调用工具 |
Agent 用来干什么？
- 自动化工作流：自动处理邮件、生成报告
- 编程助手：帮你写代码、调试
- 数据分析：自动分析数据、画图表
- 个人助理：帮你管理日程、订机票
5. Tool（工具）
是什么？
Tool 是 Agent 可以调用的外部能力。
LLM 本身只会”说话”，但通过 Tool，它可以：
- 联网搜索
- 读写文件
- 执行代码
- 调用 API
- 操作浏览器
常见的 Tool
| 工具 | 功能 |
|---|---|
| 搜索 | 联网查资料（如 SearXNG） |
| 计算器 | 数学计算 |
| 代码执行 | 运行 Python、JS 等 |
| 浏览器 | 操控网页 |
| 文件读写 | 读取/写入本地文件 |
| 日历 | 查日程、写日程 |
| 邮件 | 发送/接收邮件 |
Tool 怎么工作？
用户 → Agent → [判断需要什么工具] → 调用 Tool → 返回结果 → Agent 整理回答6. Workflow（工作流）
是什么？
Workflow = 工作流，是把多个步骤有序组织起来的自动化流程。
如果说 Agent 是一个”全自动司机”，Workflow 更像是设计好的路线图——每一步该做什么都已规划好。
Workflow 的组成
[输入] → [步骤1: 提取信息] → [步骤2: 调用API] → [步骤3: 整理输出] → [结果]Agent vs Workflow
| Agent | Workflow | |
|---|---|---|
| 灵活性 | 高（自主决策） | 低（固定流程） |
| 复杂度 | 适合复杂/模糊任务 | 适合清晰/重复任务 |
| 成本 | 较高（需要推理） | 较低（确定性执行） |
实际例子
Workflow 场景：
用户提交表单 → 自动发确认邮件 → 存入数据库 → 通知管理员
Agent 场景：
“帮我分析这个月销售额下降的原因” → Agent 自动分析数据、查资料、给建议
7. RAG（检索增强生成）
是什么？
RAG = Retrieval-Augmented Generation，即检索增强生成。
它的核心思想是：
让 LLM 在回答问题时，先检索相关资料，再基于资料生成答案。
为什么需要 RAG？
LLM 的两大局限：
- 知识截止：训练数据有截止日期，不知道最新信息
- 幻觉：可能编造不存在的信息
RAG 通过让 AI 查阅参考资料来解决这些问题。
RAG 工作原理
用户问题 → [检索器] → 从知识库找相关资料 → [把资料 + 问题发给 LLM] → 生成答案RAG 高级方法
- Parent Document Retrieval：先检索小块，如果多个小块指向同一父节点，则用父节点作为上下文
- Hybrid Search：结合关键词搜索和向量搜索
- Reranking：对检索结果重新排序，提高相关性
RAG 用来干什么？
- 企业知识库：员工问公司政策，AI 从文档中检索
- 客服系统：从产品手册中找答案
- 个人知识管理：让 AI 读你的笔记、论文
- 法律/医疗：基于权威文档提供准确信息
8. Embedding（向量）
是什么？
Embedding = 向量嵌入，是把文字、图片、声音等转换成**一组数字（向量）**的技术。
关键是：意思相近的内容，向量也相近。
举个例子
- “狗” → [0.1, 0.8, 0.3, …]
- “猫” → [0.12, 0.75, 0.35, …] ← 和”狗”很接近
- “汽车” → [0.9, 0.1, 0.2, …] ← 和”狗”距离很远
Embedding 用来干什么？
| 应用 | 说明 |
|---|---|
| 相似文章推荐 | 找到内容相似的文章 |
| 语义搜索 | 搜索”水果”，不仅能找到”苹果”，还能找到”香蕉” |
| RAG | 把文档转成向量，存入向量数据库 |
| 聚类分析 | 把相似的文本自动分组 |
向量数据库
存储向量的地方叫向量数据库，常见的有：
- Milvus
- Pinecone
- Qdrant
- FAISS
9. 总结：它们之间的关系
┌─────────────────────────────────────────────────┐
│ 用户 │
└─────────────────┬───────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────┐
│ Prompt（提示词） │
│ "帮我分析这份报告，给出建议" │
└─────────────────┬───────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────┐
│ Context（上下文） │
│ + 历史对话 + 检索到的资料 │
└─────────────────┬───────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────┐
│ Agent（智能体） │
│ ┌─────────────────────────────────────────┐ │
│ │ 思考 → 规划 → 调用 Tool → 执行 → 反思 │ │
│ └─────────────────────────────────────────┘ │
│ │ │
│ ┌────────┴────────┐ │
│ ▼ ▼ │
│ ┌───────────┐ ┌───────────┐ │
│ │ Workflow │ │ RAG │ │
│ │ (工作流) │ │(检索增强) │ │
│ └───────────┘ └─────┬─────┘ │
│ │ │
│ ┌──────┴──────┐ │
│ ▼ ▼ │
│ ┌──────────┐ ┌──────────┐ │
│ │Embedding │ │ 搜索/ │ │
│ │ (向量) │ │ 计算器 │ │
│ └──────────┘ └──────────┘ │
└─────────────────┬───────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────┐
│ LLM（大语言模型） │
│ 输入 Prompt → 输出回答 │
│ (消耗 Token) │
└─────────────────────────────────────────────────┘10. 快速对比表
| 概念 | 简单理解 | 类比 |
|---|---|---|
| LLM | 能说会写的 AI 大脑 | 图书馆（知识丰富） |
| Prompt | 给 AI 的指令 | 提问方式 |
| Context | 对话历史/背景 | 聊天记录 |
| Agent | 会思考会行动的 AI | 秘书（帮你干活） |
| Tool | AI 能调用的技能 | 工具箱 |
| Workflow | 规划好的步骤 | 流程图 |
| RAG | 查资料再回答 | 开卷考试 |
| Embedding | 把文字变成数字 | 书的索引 |
11. 实际应用场景
场景 1：智能客服
用户问 → Agent 接收 → RAG 检索产品文档 → LLM 生成回答 → 返回给用户场景 2：编程助手
用户说"帮我写个排序算法" → Agent 理解需求 → Tool 执行代码 → 返回结果场景 3：知识管理
你问"去年那个项目的方案是什么"
→ Embedding 把问题转成向量
→ 向量数据库搜索相似内容
→ RAG 把找到的文档给 LLM
→ 生成答案希望这篇文章能帮你搞懂这些概念！有问题欢迎评论区交流 🐨
参考来源：
