AI核心术语解析:从底层原理到智能体架构
在接触人工智能应用时,LLM、Token、Context、Agent等专业术语构成了理解AI技术逻辑的基础。这些概念分别对应着AI的核心大脑、处理单元、记忆机制以及执行能力。从工程逻辑出发,拆解这些术语的层级关系与功能定义,有助于构建对AI技术栈的系统性认知。
01底层原理:核心大脑与处理单元
AI能力的最底层是LLM(Large Language Model,大语言模型),它是所有AI应用的核心大脑。支撑大模型运行的底层技术是Transformer架构,该架构由谷歌团队在2017年提出。真正让大模型走向可用并开启AI时代的节点是OpenAI发布的GPT 3.5。大模型的工作原理本质上是逐词预测的“文字接龙”,即根据输入预测下一个字,直到输出结束符。
在处理语言时,模型不直接识别汉字或单词,而是使用Token作为最小处理单元。模型会按照特定规则将文字切分成最小片段,通常一个Token约对应1.5到2个汉字或0.75个英文单词。切分后的Token会进一步被映射为Token ID(数字),转化为大模型能够理解的数学语言,从而进行计算与推理。
02交互机制:指令控制与临时记忆
Prompt(提示词)是给AI的精准指令,决定了AI的输出质量。它分为两类:User Prompt是用户直接提出的需求;System Prompt则是后台设定的身份与规则,用户不可见。通过System Prompt设定特定身份(如初中老师),可以约束模型在回答问题时符合后台设定的角色风格。
虽然大模型本身没有长期记忆,但通过Context(上下文)机制实现了对话的连续性。程序会将之前的聊天记录与当前问题打包一并发送给模型,这一整包信息即为Context,相当于AI的临时记忆。Context Window(上下文窗口)则是这一临时记忆的容量上限,窗口越大,AI能处理的内容越长,记忆越完整。若删除聊天记录,超出窗口的信息将无法被模型回忆。
03能力扩展:外部工具与连接标准
由于大模型无法直接感知外部环境,Tool(工具)成为了AI连接现实世界的关键能力。工具的本质是外部函数,包括天气查询、实时搜索、计算器等。在实际执行中,平台接收到用户提问后,会调用搜索引擎等工具抓取数据,将整理好的参考资料与问题形成新的Prompt发给大模型,由模型生成基于实时数据的答案。
针对不同平台工具接入规则不一致的问题,MCP(Model Context Protocol,模型上下文协议)提供了一套统一的工具接入标准。MCP的作用在于实现“一次开发,多处通用”,开发者无需为每个模型单独编写适配代码,降低了工具接入的复杂度。
04自主执行:智能体与专属技能
Agent(AI智能体)是结合了上述所有能力的高阶形态。与普通AI只能被动回答问题不同,Agent具备自主规划和自主执行的能力。用户只需告知最终目标,Agent便能自行分析、拆解步骤、判断所需工具并执行任务。例如查询股价波动时,Agent能自主决定使用联网搜索工具,并指挥平台抓取数据、整理资料,最终生成回答。
为了提升Agent的执行效率,Agent Skill(智能体技能)应运而生。它是为Agent预设的专用技能包,即一套固定的流程与定义。通过Agent Skill,Agent在处理特定任务时无需从零思考或重新拆解步骤,而是直接按照预设技能执行,从而降低Token消耗并提高响应速度。
| 术语 | 核心定义 | 功能作用 |
|---|---|---|
| LLM | Large Language Model,大语言模型 | AI的核心大脑,负责理解与生成文字 |
| Token | 模型处理语言的最小单位 | 文字切分后的片段,映射为数字供模型计算 |
| Context | 对话上下文 | AI的临时记忆,包含历史记录与当前问题 |
| Prompt | 提示词 | 给AI的指令,包含用户需求与后台身份规则 |
| Tool | 外部工具 | 连接现实世界的能力,提供数据查询与操作接口 |
| MCP | Model Context Protocol | 统一的工具接入标准,简化多平台适配 |
| Agent | AI智能体 | 能自主规划、拆解步骤并执行任务的智能体 |
| Agent Skill | 智能体技能包 | 预设的固定工作流程,提升Agent执行效率 |
AI常用专业术语功能概览
当前文章无评论,是时候发表评论了