概念
概念
AI 与 Agentic AI 通俗解读 — 面向新手与进阶者的白话词条。
AI 基础
- 什么是 AI、机器学习与深度学习？AI、机器学习与深度学习是层层嵌套的同心圆，而非同义词——你看的是哪一层，决定了一个系统会如何失败。
- 直观理解神经网络神经网络是一大堆把数字变成数字的可调旋钮；学习不过是把这些旋钮朝更小的误差微调。
- 什么是大语言模型？LLM 是一个巨大的下一令牌预测器；规模把这一个简单目标变成了无人显式编写的能力。
- 训练与推理训练一次性造出模型被冻结的权重；推理按请求运行它们且从不改变它们——这解答了大多数成本与隐私问题。
- 令牌与分词模型看到的是整数而非文本；隐藏的分词步骤解释了你的账单、上下文上限和古怪的失败模式。
- 嵌入：意义即几何嵌入把事物变成空间中的点，让“相似”变成“接近”——这是搜索、推荐和 RAG 背后的引擎。
- 从宏观看 Transformer自注意力让每个令牌都能看其他每个令牌；这一个思想修复了长程记忆并解锁了 GPU 规模的训练。
- 生成与采样：讲清温度模型返回的是一个概率分布而非一个答案；温度重塑它，而温度 0 是低方差，并非确定性。
智能体 AI
- 什么是 AI 智能体？智能体是被放进循环、配有工具、自行选择每个下一步以实现目标的模型——核心思维模型。
- 智能体循环推理→行动→观察→重复：追踪一次工具调用如何从模型经外壳进入环境再返回。
- 自主性等级从"建议"到"完全自主"的五级阶梯，以及为何合适的等级是逐动作的工程决策。
- 智能体 vs 聊天机器人 vs 工作流一个问题——谁决定下一步——就能把任何 LLM 系统归入聊天机器人、流水线、工作流或智能体。
- 工具、动作与环境工具的真实面貌、读动作与写动作之分，以及为何是环境而非模型让智能体变得危险。
- 目标、规划与终止从反应式到深思熟虑的规划谱系，以及"如何知道智能体完成了"这个被低估的难题。
- 何时该用智能体一个任务要值得用智能体所需的三个属性、能解决多数情况的更便宜模式，以及明确不该用的情形。
- 智能体的风险与局限循环的四种特征性故障模式、自主性带来的安全转变，以及"安全的智能体"诚实地意味着什么。
基础构件
- 提示词基础撬动输出质量的四个杠杆：指令、上下文、示例、输出形式。
- 系统提示词 vs 用户提示词消息角色、指令层级，以及绝不让数据充当指令。
- 少样本提示与示例何时示例胜过指令、如何挑选与排序，以及它们在何处不再划算。
- 上下文窗口详解有限的共享令牌预算、三种上限故障，以及主动管理它。
- 工具/函数调用详解模型提议、你的代码裁决：请求/响应形状、循环与安全规则。
- 检索增强生成（RAG）详解检索→增强→生成、RAG 对比其他方案，以及分两半调试它。
- 分块与向量搜索直觉为何分块、嵌入即坐标、最近邻搜索、混合检索与重排序。
- 结构化输出从"要 JSON"到 schema 约束解码，外加 schema 设计与防御性解析。
AI 生态
- 模型版图：家族与提供方一份厂商中立的主要模型家族地图，以及给任何新发布定位的稳定思维模型。
- 开放权重 vs 闭源模型控制力、成本、隐私、许可与锁定——真实的工程权衡，去除营销话术。
- 模态与多模态模型文本、视觉、音频、代码：输入与输出模态，以及为何"多模态"是谱系而非勾选项。
- 成本、质量与延迟模型规模与主导生产经济性的权衡三角，以及如何围绕它做工程。
- 推理 vs 非推理模型推理期"思考"实际做了什么、何时有用或浪费钱，以及为何它如今是一个旋钮。
- 智能体框架与编排LangChain、LlamaIndex、提供方 SDK 与更广版图——按类别与权衡，而非按品牌。
- 服务与访问：API、本地、网关模型选择与服务选择是正交的：第一方 API、云目录、推理提供方、自托管、网关。
- 批判地阅读基准为何排行榜名次很少预测你的任务，以及为何小的自定义评测集胜过一切公开数字。
- 选模型：一份清单一套约束优先、可重复的决策流程，综合整个主题并能在快速变动的领域中存活。