大模型终极词典（超详细）：LLM、MCP、RAG…一文读懂所有核心术语，收藏这一篇就够了！

Python编程杰哥

777人浏览 · 2025-12-08 11:48:58

Python编程杰哥 · 2025-12-08 11:48:58 发布

写在前面

大模型在今年的热度可以说是现象级的。从年初Deepseek ，Manus的爆火出圈到日常app中都能看到大模型的身影。

这篇文章我们就来梳理一些关于大模型的术语，包括 LLM、MCP、RAG、Agent、LangChain、vLLM、蒸馏 等等。

1.LLM

Large Language Model 大模型，模型多大才被称为大模型并没有统一硬性标准，但行业通常以 参数规模和训练数据/算力来衡量 ，语言模型常在 ≥1B 参数开始被称为“大模型”。比如：

GPT-2 有 1.5B，早期较大的语言模型
GPT-3 有 175B

这里1B的B是Billion的意思，也就是参数的个数，1B=10亿，一共有10亿个参数的模型就会被称为大模型。

2.prompt

prompt 提示词，也就是我们输入给大模型的语句。

3.MCP

Model Context Protocol（模型上下文协议）：是一个开放协议，目的是为 LLM应用提供一个标准化接口，使其 能够连接外部数据源和各种工具进行交互。

核心在于建立一个 标准化的通信层，使得 LLM 能够在处理用户请求或执行任务时，如果需要访问外部信息或功能，可以通过 MCP Client 向 MCP Server 发送请求。

MCP Server 则 负责与相应的外部数据源或工具进行交互 ，获取数据并按照MCP协议规范进行格式化，最后将格式化后的数据返回给大型语言模型。

但我们注意一点，大模型是不会自己去调用外部数据源或者工具的，大模型只会告诉我们需要调用哪些工具，而我们需要自己去实现工具的调用。

我们把大模型和MCP融合之后就会出现一个新名字叫智能体 Agent。

4.Agent

Agent智能体，我们上面说了大模型只会给我们一个步骤方法 ，不会真正去执行步骤。比如发邮件，大模型只会给出如何发邮件，第一步xxx，第二步xxx。并不会实际帮我们去发邮件，而我们需要把 LLM 整合上 MCP 工具才会真正实现发邮件。

具体流程：

给大模型输入提示词：“请帮我给xxx发送一封邮件，告诉他快点更新视频”，并将发邮件的工具 Tool 告诉大模型。
大模型会根据工具 Tool 给出一系列的步骤，包括调用什么工具 ToolName，以及调用工具的参数 Args。eg: ToolName = ‘email_sender’、Args = ‘email:xxx, content:快更视频’。
我们会将这些参数给到 mcp server。
mcp server 再进行发送邮件。
将结果返回告知用户。

5.RAG

Retrieval-augmented generation (RAG) 检索增强生成。在用大模型的时候，大家会发现大模型总是一本正经的回答问题，但其实是在胡说八道，这种现象叫 hallucination 幻觉。大模型本质的就是不断的预测下一个生成的文字应该是什么，而选择预测概率中最大的一个。打个比方：LLM 在考试的时候面对陌生的领域，只会写一个解字（因为LLM复习也只是局限于特定的数据集），然后就准备放飞自我了，而此时RAG给了亿些提示，让LLM懂了开始往这个提示的方向做，最终考试的正确率从60%到了90%！

RAG的过程如下：之前的文章已经详细介绍RAG了，感兴趣可以翻一翻～

6.embedding

embedding 向量化，在大模型中，我们一个词表达意思可能会有区别，比如苹果既可以代表水果，也可以代表手机，所以某个词是什么意思取决于这个词所在的语境是什么。

我们怎么知道词与词之间有没有关联呢？我们可以词转化成一连串的浮点型数字，去计算词与词之间的距离。

embedding

举个例子：

我们可以看到单词向量化后就变成了浮点型，在坐标轴上画上这些坐标我们可以很直观的看到：一百和两百的距离近，而一百离一千远，所以一百相比于一千，更接近两百这个语意。

7.LangChain

LangChain 是一个快速实现 agent 的开发框架，提供了标准接口，用于将不同的LLM连接在一起，以及与其他工具和数据源的集成。

8.vLLM

vLLM 是虚拟大语言模型的简称，由 vLLM 社区维护的一个开源项目。为了让大语言模型（LLM）更高效地大规模执行计算，通过更好地利用 GPU 内存 来加快生成式 AI 应用的输出速度。 最主要是两个模块：KV Cache和连续批处理。

KV Cache：

这里的 K 和 V 是由每个 token 的向量化后通过线性变换得到的两类向量，用来做注意力计算。 KV Cache 把这些历史 K/V 保存下来，后续步不用重复计算。但 KV Cache 随上下文长度、层数、头数、维度线性增长，也变成推理中的最大显存开销之一。

vLLM 的做法：

分块： 用 PagedAttention 将每条序列的 KV Cache 切分为固定大小的 块（block） ，并用页表式映射管理它们，像操作系统的虚拟内存一样灵活调度。这样避免了按序列分配一大块连续内存导致的碎片化和 OOM，同时支持动态并发与复用。
复用与共享： 在多分支（如 beam search）和重复前缀场景下，可复用相同前缀产生的 KV 块，极大减少预填充（prefill）时间。

分block

连续批处理：

不是攒满一批再跑，而是在每个解码步骤（按 token 迭代）都把活跃请求组装成一个批，序列长度不同也能高效合批，GPU 基本满负载运转。减少 短任务被长任务阻塞 的头阻塞，提高并发与公平性；
基于PagedAttention 的块式内存 + 步进级调度器，无需等待整批结束即可把新的请求插入下一步的批次。

9.Token

Token 是大模型各种算法的基本输入单元，可以认为是一个单词或者一个短语。一般来说：

1 个英文字符 ≈ 0.3 个 token。
1 个中文字符 ≈ 0.6 个 token。

token

10数据蒸馏

Data Distillation 数据蒸馏，利用一个高性能的大模型生成精简但有价值的数据，使得一个小模型可以从中学习并逼近大模型的效果。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述