AI极简入门指南

最新推荐文章于 2026-07-26 17:47:58 发布

原创最新推荐文章于 2026-07-26 17:47:58 发布 · 355 阅读

8 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

入门教程

先说几句大实话

最近随便刷个科技号，就能撞见一堆让人头皮发麻的词：大模型、RAG、微调、Agent、向量数据库、Embedding……单个字都认识，凑一块就看不懂了。

我之前也是这样。想学吧，怕看不懂；不学吧，又怕掉队。后来花了一段时间把这些东西弄明白，发现其实没那么复杂。AI 目前干的事情说白了就一件：根据你给的信息，猜下一个最可能正确的答案。你在 ChatGPT 里看到的所有花活，底层都是这个逻辑。

今天不写代码，也不贴论文。我先用一个比喻把大模型、提示词、工具、Agent 这几个核心概念串起来，后面再把这些术语逐个拆解，每个词先给专业定义，再用大白话翻译一遍，争取让你一次搞明白。

大模型是什么

你可以把大模型想象成一个刚读完人类几乎所有公开资料的学霸。互联网上的文章、书籍、代码、论坛帖子，它全看过了。看完之后通过了一系列考试，然后被分配到你面前，等着干活。

在这里插入图片描述

ChatGPT、DeepSeek、文心一言、Claude、通义千问，这些都是大模型产品。它们看起来各有特色，但底层做的事情差不多：基于读过的海量内容来回答你的问题。

不过这个学霸有个特点：它非常被动。你不问它，它就待在那儿发呆。你问了，它才开口。而且它回答的质量完全取决于你怎么问。问得好，答案就靠谱；问得随便，答案也就随便。

另外它有两个天生的毛病。第一，知识有截止日期，训练数据到某个时间点就停了，所以它不知道今天发生了什么。第二，数学计算之类需要精确推理的事情它不太行，因为它本质上是在"猜"答案，而不是真的在算。你让它算三位数乘法，它可能很自信地给你一个错的结果。

提示词是什么

学霸坐在那了，你得告诉它干什么。你发出去的这条指令，就是提示词（Prompt）。

提示词这个东西说起来简单，但差别真的很大。我举个例子你就明白了。

你跟 AI 说"帮我写个文案"，它不知道你要什么文案、给谁看、什么调性，大概率给你一篇放哪都能用但也放哪都不出彩的通用稿子。

但如果你说"帮我写一个针对一线城市白领的高端矿泉水品牌文案，主打治愈风格，200 字以内，语气参考依云广告"，它就知道目标人群、风格、字数、参考对象，给你的东西完全不一样。

同一个模型，只是指令的详细程度不同，产出差距就这么大。

我自己用下来，总结了一个写提示词的框架，你直接套用就行：

角色设定 + 任务目标 + 细节要求/输出格式

比如：

角色：你是一位米其林三星大厨，擅长用家常食材做健康料理。
任务：帮我设计一道 10 分钟就能做好的减脂早餐。
格式：列出食材和克数，分步骤说明做法，最后给出热量估算。

你把这段话丢给任何一个大模型，回答质量都比干巴巴一句"推荐个早餐"强太多了。说白了就是把话说清楚，别指望 AI 能读心。

在这里插入图片描述

工具是怎么回事

前面说了，学霸脑子好使但有两个毛病：知识会过期，精确计算不行。

原因很简单：它只有脑子，没有其他器官。它想上网查天气，但没有网线。想画个图表，但没有画笔。想做统计分析，但没有计算器。

那如果我给它接上这些设备呢？

接上什么工具	能干什么	你可能见过的产品
联网搜索	查天气、查新闻、查实时数据	ChatGPT 联网模式、Perplexity
代码解释器	清洗 Excel、画图表、跑数据统计	ChatGPT Code Interpreter
绘图插件	根据描述生成图片	Midjourney、DALL·E
数学计算（Wolfram 等）	精确求解公式	ChatGPT + Wolfram Alpha
文件读写	读取 PDF、Word，提取信息	各种 AI 文档助手

你平时用 ChatGPT 的时候，如果看到它问你要不要开启联网或者代码解释器，那就是在问你要不要给学霸配装备。

大模型本身只是一个大脑，工具让它有了手脚。只有脑子没有手脚，很多事情想到了做不了。脑子加手脚组合在一起，才能真正帮你干活。

在这里插入图片描述

不过到这一步，不管大模型有没有工具，都有一个共同点：你得一步一步指挥它。每一步都得你说了算。

那有没有一种 AI，你只告诉它最终目标，它自己就能安排中间所有步骤？

有的，就是下面要讲的 Agent。

Agent 是什么

Agent 的意思是智能体。还是用之前的比喻：大模型是实习生，Agent 就是这个实习生转正了，变成了能独立带项目的项目经理。

区别在哪？看个例子。

假设你要点外卖。

用普通 AI 的话，流程是这样的：

你：帮我搜一下附近有什么好吃的。
AI：附近有以下餐厅……

你：第一家评分怎么样？
AI：评分 4.5，主打川菜。

你：帮我点一份宫保鸡丁。
AI：好的，已添加到购物车。

你：下单吧。
AI：已下单，预计 35 分钟送达。

你说了四句话，它做了四件事。你不说，它就不动。

换 Agent 的话：

你：中午想吃点好的，预算 50 块，帮我搞定。
Agent：收到。
    → 打开外卖 App，搜附近餐厅
    → 筛选评分 4.0 以上、人均 50 以内的
    → 对比菜品评价和满减
    → 选出最优方案，下单
    → 支付失败？换张卡重试
    → 下单成功，通知你预计 30 分钟到

你就说了一句话，它把后面的事全办了。中间出问题自己处理，不用你操心。

对比	普通 AI	Agent
工作方式	你说一步做一步	你给目标，它自己拆解执行
自主性	完全被动	主动规划，遇到问题自己想办法
工具使用	你指定用哪个	它自己判断
出错处理	等你纠正	自己重试或换方案
适合场景	简单问答	多步骤的复杂任务

一个合格的 Agent 至少需要三个能力：把大目标拆成小步骤（规划），每一步自动选择合适的工具（执行），做完之后检查结果是否合理、不对就回头改（纠错）。

这东西现在已经在很多场景落地了。比如 AI 邮件助手，你跟它说"帮我回复这周的邮件"，它自己读邮件、判断优先级、写好回复、等你确认再发。再比如 AI 编程助手，你描述需求，它写代码、跑测试、修 Bug，一条龙。

在这里插入图片描述

那些术语到底是什么意思

前面用比喻把核心概念串了一遍，但你在别的地方看到这些词的时候，人家不会用比喻来说。所以下面我把常见的 AI 术语拉个清单，每个词先说专业定义，再用大白话翻译一遍。

大模型（LLM / Foundation Model）

专业说法：大语言模型（Large Language Model）是基于 Transformer 架构、在大规模文本语料上通过自监督学习训练得到的神经网络模型，参数量通常达到数十亿甚至万亿级别，具备文本生成、推理、翻译、编程等多种自然语言理解与生成能力。

说人话：就是读了互联网上几乎所有公开内容的一个超级大脑。你给它一段话，它能接着往下写；你问它问题，它根据读过的东西来回答。ChatGPT、DeepSeek 这些都是大模型。

提示词（Prompt）

专业说法：提示词是用户向大语言模型提供的输入文本或指令，用于引导模型生成特定的输出。Prompt Engineering（提示词工程）是设计和优化输入指令以提升模型输出质量的技术方法。

说人话：就是你发给 AI 的那段话。你说得越清楚，它给你的东西越靠谱。前面第三部分详细讲了这个。

微调（Fine-tuning）

专业说法：微调是在预训练大模型的基础上，使用特定领域的小规模标注数据集进行二次训练，使模型适应特定下游任务的技术。常见方法包括全参数微调、LoRA（Low-Rank Adaptation）、QLoRA 等参数高效微调（PEFT）技术。

说人话：大模型是通才，什么都懂一点但不一定精通你的行业。微调就是拿你自己行业的数据再训练它一下，让它变成你这个领域的专家。比如你开了一家律所，拿过去几年的案例文书去训练它，它回答法律问题的时候就更专业。

RAG（检索增强生成）

专业说法：RAG（Retrieval-Augmented Generation）是一种将信息检索与大语言模型生成相结合的技术架构。在生成回答前，先从外部知识库中检索相关文档片段，将检索结果作为上下文注入 Prompt，使模型基于真实数据生成回答，从而减少幻觉并保持知识的时效性。

说人话：大模型有个毛病，它只能靠脑子里记住的东西回答问题，遇到不确定的就瞎编。RAG 的思路是：你先帮它去资料库里搜一遍，把搜到的相关内容塞给它，然后让它根据这些内容来回答。相当于考试的时候给它开卷，而不是全靠背书。

在这里插入图片描述

向量数据库（Vector Database）

专业说法：向量数据库是一种专门用于存储、索引和检索高维向量数据的数据库系统。通过近似最近邻（ANN）算法，实现对海量向量的高效相似度搜索。典型产品包括 Milvus、Pinecone、Weaviate、Chroma 等。

说人话：普通数据库靠关键词搜索，你搜"苹果"就只能找到写了"苹果"的内容。向量数据库靠意思搜索，你搜"水果"能把"苹果"“香蕉”"橘子"全找出来，因为它们意思相近。RAG 里那个"去资料库里搜一遍"的环节，通常就是用向量数据库来做的。

在这里插入图片描述

Embedding（嵌入 / 向量化）

专业说法：Embedding 是将离散的文本、图像等非结构化数据映射为连续的低维稠密向量（Dense Vector）的过程。语义相近的内容在向量空间中距离更近，从而支持语义检索、聚类、分类等下游任务。

说人话：就是给每段文字算一个"坐标"。意思接近的文字，坐标也接近。比如"我今天很开心"和"我今天心情不错"虽然字不一样，但算出来的坐标很近。向量数据库存的就是这些坐标，搜的时候也是按坐标远近来找。

Agent（智能体）

专业说法：Agent 是一种具备自主感知环境、制定计划、调用工具并执行任务的 AI 系统。它通常由大语言模型作为推理核心，结合记忆模块、工具调用和规划能力，实现多步骤复杂任务的自动化完成。典型框架包括 ReAct、AutoGPT、LangChain Agent 等。

说人话：普通 AI 是你问一句它答一句。Agent 是你给它一个目标，它自己安排怎么做、分几步、每步用什么工具、出了问题怎么调整。前面第五部分用外卖的例子详细讲过。

Skill / 技能

专业说法：Skill 是 Agent 架构中可被调用的预定义能力模块，通常封装了特定的工具调用逻辑或 API 接口。Agent 根据任务需要动态选择和组合不同的 Skill 来完成复杂工作流。

说人话：Agent 是一个能自己安排工作的项目经理，Skill 就是这个经理会的各种技能。比如它会搜网页、会读文件、会发邮件，每个都是不同的技能。你在 Coze 这类平台上搭积木的时候，拖进去的那一块块就是 Skill。

Function Calling（函数调用）

专业说法：Function Calling 是大语言模型提供的一种结构化能力，允许模型在对话过程中识别用户意图，生成符合预定义 Schema 的函数调用参数，由外部系统执行后将结果返回给模型继续推理。

说人话：大模型本身只会输出文字。但如果我提前告诉它“你这里有一批工具可以用”，它就能在回答的时候判断什么时候该调用哪个工具，然后把参数传过去。比如你问“北京今天天气怎么样”，模型不会瞎编，而是自动调用天气 API，拿到真实数据再回答你。Function Calling 就是让 AI 学会“动手”的底层机制。

MCP（Model Context Protocol，模型上下文协议）

专业说法：MCP 是 Anthropic 于 2024 年提出的一项开放标准协议，旨在为大语言模型提供统一的外部数据源和工具接入方式。它采用客户端-服务器架构，定义了模型与外部系统之间的通信规范，使 AI 应用能够通过标准化接口访问各类数据源、API 和计算资源。

说人话：以前每个 AI 应用要对接一个新工具，就得单独写一套对接代码，非常麻烦。MCP 相当于给所有人统一了一套"插头标准"。以前就像每个国家的插座形状不一样，你得带一堆转换头；有了 MCP 之后，全世界的插座都是同一个规格，插上就能用。现在越来越多的 AI 产品开始支持 MCP，意味着你给 AI 配工具的门槛越来越低了。

在这里插入图片描述

MoE（混合专家模型）

专业说法：MoE（Mixture of Experts）是一种稀疏激活的神经网络架构，将模型划分为多个专家子网络，通过门控机制（Gating Network）在每次推理时动态选择少量专家参与计算，从而在保持模型总参数量的同时大幅降低推理开销。典型代表有 Mixtral、DeepSeek-V2 等。

说人话：普通大模型每次回答问题都要动用整个大脑，很费资源。MoE 的思路是把大脑分成好几个“专科医生”，遇到数学问题就调数学专家，遇到写作问题就调文字专家，每次只激活一小部分。这样模型总知识量很大，但每次运行起来反而又快又省。

多模态（Multimodal）

专业说法：多模态是指 AI 模型能够同时处理和生成多种类型数据（文本、图像、音频、视频等）的能力。典型的多模态模型包括 GPT-4o、Gemini、Qwen-VL 等，它们通过统一的架构将不同模态的信息融合理解。

说人话：最早的大模型只能处理文字，你给它看图片它不认识。多模态就是让 AI 不光能读写，还能看图、听声音、甚至理解视频。你跟 ChatGPT 说“帮我分析这张图片里有什么”，它能看懂并回答，这就是多模态能力。

RLHF（基于人类反馈的强化学习）

专业说法：RLHF（Reinforcement Learning from Human Feedback）是一种将人类偏好引入大语言模型训练流程的对齐技术。先通过人类标注数据训练奖励模型（Reward Model），再利用强化学习算法（如 PPO）优化模型输出，使模型的生成结果更符合人类的价值观和使用习惯。

说人话：大模型读完海量内容之后，虽然知识面很广，但说话方式可能很奇怪，甚至会输出有害内容。RLHF 就是让真人来给它的回答打分，告诉它“这个回答好”“那个回答不行”，然后根据这些反馈反复调整，直到它说话越来越像一个正常人、越来越符合你的预期。可以理解为学霸毕业后又接受了职场礼仪培训。

幻觉（Hallucination）

专业说法：幻觉是指大语言模型生成的内容与事实不符、缺乏依据或逻辑上不连贯的现象。模型在缺乏足够知识时会基于概率分布“编造”看似合理但实际错误的信息。

说人话：AI 有时候会一本正经地胡说八道。它不知道答案的时候会自己编一个，而且编得特别像真的，你不仔细核实根本看不出来。

在这里插入图片描述

几个踩过的坑，提前说一下

概念讲完了，最后说几个我自己用下来觉得值得注意的事。

第一，AI 会编。这个在行业里叫"幻觉"（Hallucination）。它有时候会非常自信地给你一个完全捏造的答案，而且说得有鼻子有眼。比如你问某个法律条款，它可能给你编一个不存在的条款号。问某种病的用药方案，它给的建议可能不靠谱甚至有害。所以涉及历史、法律、医疗这些严肃领域，一定要自己核实信息源。把 AI 当一个聪明但偶尔不靠谱的同事就行，别当百科全书。

第二，先别急着学编程。很多人一听 AI 就想到"我是不是该学 Python"。其实对大部分非技术岗的人来说，把提示词写好比学代码有用得多。一个会用提示词的运营，几分钟就能让 AI 出十版文案初稿，自己挑一版润色就好。不会用的，折腾半天只得到一篇正确的废话，还不如手写。等提示词玩熟了再考虑要不要碰代码，完全来得及。

第三，找个机会亲手搭一次 Agent。现在有些零代码平台，像字节的扣子（Coze）、百度的千帆 AppBuilder、OpenAI 的 GPTs，让你像搭积木一样把搜索、语音、知识库这些能力拖拽组合起来，几分钟就能做出一个简单的智能体。动手搭一次，比看十篇科普文章都有用，因为你会在过程中真正感受到模型、提示词、工具是怎么配合的。

最后

回头看看，这篇文章讲的东西其实不复杂。大模型是读了一堆书的学霸，提示词是你给它的指令，工具是让它能动手的外挂，Agent 是它能自己规划执行一整件事。RAG 是给它开卷考试，向量数据库是按意思搜索的仓库，Embedding 是把文字变成坐标，微调是拿你的数据把它训练成行业专家。MCP 是统一插头标准，MoE 是专科医生分工，多模态是能看图听声音，RLHF 是毕业后的职场礼仪培训。

我自己用 AI 最深的感受是，它确实能大幅提升效率，但前提是你得知道怎么跟它沟通。工具再好，用的人不行，也白搭。AI 能帮你干活，但往哪个方向干、干到什么标准，这些判断还是得你自己来。

还有什么想深入了解的，比如 Token、Context Window、AI 编程工具对比、或者具体某个 AI 产品的使用体验，评论区留言就行。

标签

#人工智能