导读

现在的技术讨论里，有一个很明显的变化：

你不懂AI，不是因为不会用工具，而是听不懂“术语”。

RAG、Token、LoRA、SFT、Agent…… 这些词，已经从“研究论文”走进了“日常工作”。

很多人卡在第一步： 不是不会用AI，而是根本不知道这些概念在说什么。

这篇文章，把AI里最核心的24个概念，全部拆开讲清楚。

不讲空话，只讲你能真正用上的认知框架。

---

目录

1. 基础认知层（AI到底是什么）

2. 使用与交互层（怎么用AI）

3. 工程与架构层（AI是怎么做出来的）

4. 进阶能力层（AI为什么越来越强）

---

一、基础认知层：AI到底是什么

大模型（LLM）

本质是一个“被海量数据训练过的预测系统”。

它不是在“理解世界”， 而是在预测：下一个最合理的词是什么。

但因为数据足够多，看起来就像“会思考”。

---

Token

AI处理文本的最小单位。

可以理解为： AI不是按“句子”理解，而是按“碎片”处理。

• 中文：1个字 ≈ 1 Token

• Token决定：

  • 能处理多长内容

  • 成本多少

  • 响应速度

---

上下文窗口（Context Window）

AI一次“能记住多少内容”。

窗口越大：

• 能读更长文档

• 能做多轮对话

• 能处理复杂任务

---

预训练（Pretraining）

大模型的“基础教育阶段”。

通过海量数据，让模型学会：

• 语言规律

• 常识知识

• 基础推理能力

---

基座模型（Base Model）

只做了预训练，还没有“被教做人”的模型。

特点：

• 能力强

• 但不听话

• 不稳定

---

对齐（Alignment）

让模型“变得像人”。

核心目标：

• 不输出危险内容

• 符合人类价值观

• 更稳定、更可控

---

二、使用与交互层：怎么用AI

Prompt（提示词）

你给AI的“指令”。

本质不是聊天，而是：

用自然语言写程序

提示词越清晰：

• 输出越稳定

• 结果越可控

---

提示词工程（Prompt Engineering）

系统化设计Prompt的方法：

• 固定结构

• 补充上下文

• 示例驱动

本质是在做：

AI的“输入优化工程”

---

上下文学习（In-context Learning）

不训练模型，也能让它学新任务。

方法：

• 给几个示例

• AI自动模仿

这也是很多AI“看起来很聪明”的原因。

---

思维链（CoT）

让AI“分步骤思考”。

从：

直接给答案

变成：

一步一步推理

效果：

• 复杂问题准确率明显提升

• 尤其适用于测试、分析、推理任务

---

AI幻觉

AI最典型的问题：

一本正经地胡说八道

常见表现：

• 编造数据

• 虚构引用

• 错误但自信

结论很简单：

AI输出必须可验证

---

三、工程与架构层：AI是怎么做出来的

Transformer

所有大模型的底层架构。

核心能力：

• 关注上下文关系

• 处理长文本

可以理解为：

AI能“理解语境”的关键技术

---

Embedding（词向量）

把文字变成“向量”。

作用：

• 相似度计算

• 语义搜索

• 知识检索

是RAG体系的核心基础。

---

RAG（检索增强生成）

AI不是直接回答，而是：

1. 先查资料

2. 再生成答案

作用：

• 降低幻觉

• 提升专业性

• 接入企业知识库

---

微调（Fine-tune）

在大模型基础上，再训练一轮。

目的：

• 让模型更懂某个行业

• 更符合特定风格

例如：

• 医疗AI

• 法律AI

• 客服AI

---

指令微调（SFT）

让模型学会：

按人类指令做事

这是模型从“能用”到“好用”的关键一步。

---

LoRA（低秩适配）

一种轻量级微调方案。

特点：

• 不改全部参数

• 只调整一小部分

• 成本低、速度快

适合：

个人或中小团队定制AI

---

MoE（混合专家模型）

把一个大模型拆成多个“小专家”。

不同问题调用不同专家。

优势：

• 更省算力

• 更快响应

• 更高性能

---

模型量化

对模型进行压缩。

结果：

• 模型更小

• 推理更快

• 可以在普通设备运行

---

端侧部署

把模型直接跑在本地设备。

特点：

• 不依赖云

• 隐私更安全

• 响应更快

---

开源大模型

可自由使用、修改、部署的模型。

代表：

• LLaMA

• Qwen

• Mistral

意义：

AI能力不再被大厂垄断

四、进阶能力层：AI为什么越来越强

多模态（Multimodal）

AI不仅处理文本，还能：

• 看图

• 听声音

• 生成视频

本质是：

不同数据形式的统一理解能力

---

AI Agent（智能体）

AI不再只是回答问题，而是：

• 自主思考

• 制定计划

• 调用工具

• 执行任务

可以理解为：

会“干活”的AI系统

---

插件（Plugin）

让AI连接外部世界。

比如：

• 调接口

• 查数据

• 操作系统

本质：

给AI增加“手和脚”

---

最后总结

如果把AI系统拆开看，本质就三件事：

• 模型能力（Transformer + 预训练）

• 数据与知识（Embedding + RAG）

• 控制与执行（Prompt + Agent + 工具）

你看到的所有新概念，基本都在这三层里变化。

AI不是一个工具，而是一套完整的工程体系。

谁理解这套体系，谁才能真正用好AI。