LLM（大语言模型）
名词：Large Language Model
定义：它是一种通过海量数据训练出来的、能够理解和生成人类语言的人工智能模型。
场景：写作助手、翻译、编程、头脑风暴、学习辅导、数据分析等。
Prompt（提示词）
定义：<b>人机交互指令设计</b>，是人与AI交互沟通的桥梁，即你输入给 AI 的任何文本，用来告诉 AI 你需要什么，并引导它生成你期望的输出。
内容：明确任务，设定角色，提供上下文，指定格式，引导风格
延伸：提示工程（Prompt Engineering）：指设计和优化Prompt的技术。
研究和实践如何构建、优化提示词（Prompts），<br>以便更高效、更准确地引导大语言模型（LLM）执行特定任务的技术
RAG（知识库）
名称：Retrieval-Augmented Generation 的缩写，中文意思是检索增强生成
内容：（LLM）配备了一个专属的、可以随时更新的图书馆（知识库）。
流程：RAG 就是一种让大语言模型在回答问题之前，<br>先从一个外部知识库里“查资料”，然后再根据查到的资料进行回答的技术。
Skill（技能）
定义：把一系列复杂的、固定的提问技巧和流程，<br>打包成了一个可以一键调用的、针对特定任务的“专属能力”或“应用”。
给AI一本“工作手册”，告诉它1、2、3应该怎么干活，Skill 是 AI 能力的“产品化”和“服务化”
MCP（模型上下文协议）
名词：Model Context Protocol<br>中文：模型上下文协议
内容：可以把它理解为AI世界的 "USB-C接口"或"万能插座",<br>MCP就是AI界的"普通话"，让不同的AI模型和不同的工具能够无障碍地沟通协作。
作用：
极大降低开发成本：将 "M × N" 的复杂连接问题简化为 "M + N" 。<br>开发者不用再为每个工具重复造轮子。
让Agent真正"动手"：MCP是Agent（智能体） 能够自主行动的关键基础设施
生态的关键：大厂都在积极拥抱MCP，它正迅速成为AI agent时代的底层通用标准
Rule（规则）
定义：给AI划定的工作流程和行为边界，确保它在发挥创造力的同时，不跑偏、不出错。
内容：给AI立规矩，规定什么能干，什么不能干。极其详细的说明书或法律的条文。
Agent（智能体）
定义：拥有了自主行动能力的LLM，会自己干活的数字员工
LLM+记忆+工具+任务规划+自助决策
核心特点： 自主性、使用工具、规划能力、记忆。
Token（令牌）
解释：Token 是 AI 模型阅读和思考的最小单位。<br>它可以是一个词，也可以是一个词的一部分或一个标点符号。
作用<br>
计费标准： 绝大多数AI服务都是按Token数量收费的（包括你输入的和模型输出的）。<br><br>
上下文窗口限制： 模型一次能处理的Token数量是有限的（比如1M、128K），这决定了它一次能看多长的文档。
Fine-tuning（微调）
定义:是一种让模型变得更“专精”的技术。
作用：基础LLM是一个读过很多书的通才大学生，<br>那么微调就是让他去读一个特定专业的硕士/博士课程。
Embedding（向量化 / 嵌入）
定义：把文字转换成一串只有计算机能看懂的数学坐标（向量）。<br>注意：向量空间里是真实可计算的。
重要性：向量是RAG（知识库）的基石。<br>RAG之所以能快速找到和问题相关的文档，就是先把文档和问题都变成了向量，然后找距离最近的那个。
Hallucination（幻觉）
定义：指模型一本正经地胡说八道。
RAG（让它查资料） 和提示工程（让它一步步思考） 是缓解幻觉的主要手段。
Temperature（温度）
定义：是一个控制模型创造力和随机性的参数。
内容：可以理解为学者的思维发散程度。
作用：调整Temperature可以让你在“精确”和“创意”之间找到平衡。
Streaming（流式输出）
定义：流式输出是一个字、一个词地实时生成并展示给你，就像水流一样源源不断。
作用
体验更好：不用等待漫长的处理时间，几乎瞬间就能看到回复的开始，体感会好很多。
实时交互：为未来更复杂的实时交互（比如AI实时同声传译）打下基础。
Transformer（变换器）
定义:现代大语言模型背后的核心架构。
作用：Transformer是让AI真正读懂人类语言的"魔法发明"
Multimodal（多模态）
定义：利用多种不同形式或感知渠道的信息进行表达、交流和理解的方式，<br>通常包括视觉、听觉、文本、触觉等多种感官输入和输出方式
作用：它让AI从处理单一信息，进化到能处理和理解现实世界丰富复杂的信息形态。
举例：
Before：之前的LLM只能处理文字
After：同时拥有了眼睛、耳朵和嘴巴。
Emergent Abilities（涌现能力）<br>
定义：涌现能力是指当系统规模达到临界值时，<br>简单个体通过交互产生的新特性，这些特性无法从个体行为直接推导。<br><br>
特性：非线性出现、整体大于部分之和、不可预测性。
全流程
第一阶段：输入与理解<br>（用户发起请求，模型理解意图）
户发出 Prompt → 模型将其 Token化 → 通过 Embedding 理解语义 →（如果是多模态输入，先做转换）
第二阶段：增强与规划<br>（调用外部知识，设计执行方案）<br>
Rule决定流程 → RAG查资料 → MCP连工具 → Skill执行功能 → Agent自主规划。
第三阶段：核心生成<br>（大模型综合信息，生成回答）
LLM（基于 Transformer）启动 → 调用 涌现能力 处理复杂逻辑 → 根据 Temperature 决定风格 →（如果是专精领域）受 Fine-tuning 影响。
第四阶段：输出与呈现<br>（生成结果，返回给用户）
Streaming实时推送 → 对齐机制保障安全 → 最终呈现为用户看到的 Token 序列（即回答文本）。
第五阶段：潜在问题<br>（可能发生的状况）
在整个流程的任何环节，都可能出现一个问题：Hallucination（幻觉）
发生阶段：模型可能生成看似合理但实际错误的内容（尤其在第二阶段信息不足或第三阶段推理失误时）
解决方案：RAG、提示工程、对齐都是缓解幻觉的手段。
