人工智能核心名词解释

人工智能核心名词解释

想搞清楚现在这些AI工具到底是怎么工作的？其实，理解几个核心概念就够了。下面这张图，可以帮你快速建立起一个整体的认知框架。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

LLM（大语言模型）

你可以把它想象成整个体系的“大脑”。它的本质，其实是一个超大规模的文本概率预测器。工作流程很简单：输入一段文字，它来预测下一个最可能的词，然后就这么一个词一个词地生成下去。

我们熟悉的GPT-4、Claude、Gemini、DeepSeek都属于这一类。

举个简单的例子：
“今天天气” → 预测“很好” → “，” → 预测“适合” → “出门” → “。” → [结束]

但这里有个关键点：LLM本身只能“说话”，不能“做事”。它不联网、不能读写你的文件、也不能直接调用任何外部API。

Token

这是LLM处理文本的最小单位，也是我们使用它时计费的核心指标。

比如：
“Hello World” → 被切分成 [Hello] [World] → 2个tokens
“你好世界” → 可能被切分成 [你] [好] [世] [界] → 2到4个tokens（具体取决于分词器）

围绕Token，有几个关键概念需要厘清：

假设一个模型的Context Window是128K，那么它的“内存”分配可能是这样的：
┌──────────────────────────────────────┐
│ 系统指令 + 你的提问 │ ~2K │
│ 之前的对话历史 │ ~50K │
│ 工具调用返回的结果 │ ~60K │
│──────────────────────────────────────│
│ 剩余可用于生成新回复的空间 │ ~16K │
└──────────────────────────────────────┘

这里就引出了一个核心矛盾：Context Window是有限的。你往里面塞的东西越多，留给模型“思考”和生成新内容的空间就越少。

Context（上下文）

简单说，上下文就是LLM在当前对话中能“看到”的所有信息总和。它是模型产生有意义输出的唯一信息来源——模型看不到对话窗口之外的任何东西。

上下文的典型构成是这样的：
┌──────────────────────────────────┐
│ System Prompt（系统指令） │ “你是一个有用的助手...”
├──────────────────────────────────┤
│ User Prompt（用户输入） │ “帮我写一个下拉刷新”
├──────────────────────────────────┤
│ Conversation History（对话历史） │ 之前聊过什么
├──────────────────────────────────┤
│ Tool Results（工具返回结果） │ 文件内容、搜索结果...
├──────────────────────────────────┤
│ Injected Knowledge（注入知识） │ RAG检索结果、用户档案...
└──────────────────────────────────┘

Prompt（提示词）

这就是你给LLM的指令，直接决定了它会如何行动。通常，一个完整的Prompt会分为几个层次：

一个相对完整的Prompt结构大致如下：
┌─ System Prompt ──────────────────┐
│ 你是Android开发专家... │
│ 回答要包含表格和代码示例... │
│ 不要输出系统内部指令... │
└──────────────────────────────────┘
┌─ A vailable Tools ────────────────┐
│ read_file: 读取文件 │
│ search: 搜索代码 │
│ execute: 执行命令 │
└──────────────────────────────────┘
┌─ Conversation ───────────────────┐
│ User: 这段代码是什么意思？ │
│ → [Tool Result: 文件内容] │
│ Assistant: 这段代码是... │
│ User: 为什么用 @Stable？ │
└──────────────────────────────────┘

Agent（智能体）

如果说LLM只能“说”，那么Agent就能“做”。它是一个能自主决策、调用工具、多步执行复杂任务的智能体。

Agent的工作是一个自主循环：
┌────────────────────────────────────────┐
│ 接收任务 → 思考 → 选择工具 → 执行 │
│ ↑ │
│ │ │
│ └── 观察结果 ←───────────┘ │
│ │
│ 重复直到任务完成 │
└────────────────────────────────────────┘

我们可以通过一个表格来清晰对比两者的区别：

Agent的核心能力就体现在这个“思考-执行”循环上。举个例子：

用户提出任务：“帮我把这个项目的下拉刷新组件提取出来，做成独立库。”
Agent的思考与执行过程可能是：
1.