AI 核心概念

一、AI (Artificial Intelligence，人工智能)

定义

人工智能是指由人制造出来的系统所表现出来的智能，通常是指通过普通计算机程序来呈现人类智能的技术。

核心范畴

• 弱人工智能 (Narrow AI)：专注于单一特定任务的AI系统，例如语音助手、图像识别工具、ChatGPT等大语言模型，是当前技术落地的主要形态。
• 强人工智能 (General AI)：具备与人类同等智能水平、能够胜任任意智力任务的AI系统，目前仍处于理论研究阶段。
• 超人工智能 (Super AI)：在所有领域都超越人类智能的AI系统，属于远期概念。

---

二、MCP (Model Control Protocol/Model Context Protocol，模型控制协议/模型上下文协议)

定义

MCP是一套用于标准化AI模型交互、上下文管理、权限控制的协议规范，是当前AI Agent生态的核心基础设施之一。

核心作用

1. 上下文统一管理：提供标准化的上下文传递格式，让不同模型、不同工具之间可以无缝共享会话信息。
2. 权限与安全控制：统一管理AI系统的访问权限、数据边界，防止敏感信息泄露和越权操作。
3. 跨系统互操作：打破不同厂商模型、Agent系统之间的壁垒，实现AI能力的模块化组合。

应用场景

常见于多Agent协作系统、企业级AI部署、AI能力开放平台等场景，是AI从单一模型向系统级能力演进的关键协议。

---

三、Skills (技能)

定义

Skills是AI系统可以调用的、封装好的特定功能模块，类似于人类的"专项能力"，是AI扩展能力边界的核心方式。

核心特点

1. 模块化封装：每个Skill对应一个明确的功能，例如天气查询、文件读写、代码执行、邮件发送等。
2. 标准化接口：遵循统一的调用规范，AI系统可以自动发现、加载和调用不同的Skill，无需定制化开发。
3. 可组合性：多个Skill可以组合使用，完成复杂的任务，例如"查询天气+生成报告+发送邮件"的工作流。

与Agent的关系

Skill是Agent的能力组件，Agent通过调用不同的Skill来完成具体任务，Skill本身不具备自主决策能力。

---

四、Agent (智能体)

定义

Agent是具备自主感知、决策、行动能力的AI系统，是当前AI发展的高级形态，可以理解为"会自己思考、自己动手完成任务的AI"。

核心特征

1. 自主性：可以在没有人类实时干预的情况下，自主规划任务路径、选择工具、完成目标。
2. 感知能力：能够感知环境状态、用户需求、任务进展等信息。
3. 记忆能力：具备短期会话记忆和长期知识记忆，能够基于历史信息优化决策。
4. 工具调用能力：可以调用各类Skill、API、外部系统来完成任务。
5. 目标导向：围绕用户给定的目标自主迭代，直到任务完成。

常见类型

• 通用Agent：可以处理多种类型的通用任务，例如个人助理Agent、办公助理Agent。
• 专用Agent：专注于特定领域的任务，例如代码开发Agent、数据分析Agent、客户服务Agent。
• 多Agent系统：多个Agent分工协作，共同完成复杂任务，例如一个项目组包含产品Agent、开发Agent、测试Agent等。

---

五、其他核心AI相关概念

1. LLM (Large Language Model，大语言模型)

• 定义：训练数据规模、参数规模都非常庞大的语言模型，具备理解自然语言、生成内容、逻辑推理等能力，是当前AI技术的基础底座。
• 代表：GPT系列、Claude系列、文心一言、通义千问、豆包系列等。

2. RAG (Retrieval Augmented Generation，检索增强生成)

• 定义：一种优化大模型输出的技术，在生成回答前先检索外部知识库，将相关信息加入上下文，让回答更准确、更符合特定场景需求，同时减少幻觉。
• 应用场景：企业知识库问答、产品文档客服、法律/医疗专业领域问答等。

3. Fine-tuning (微调)

• 定义：在预训练好的大模型基础上，使用特定场景的数据集进行二次训练，让模型更适配特定领域的需求。
• 与RAG的区别：微调是"让模型学会新知识"，RAG是"让模型查资料回答问题"。

4. Prompt Engineering (提示词工程)

• 定义：通过设计和优化输入给大模型的提示词，引导大模型输出更高质量、更符合需求的结果的技术。
• 核心原则：明确指令、提供上下文、给出示例、设定输出格式。

5. Hallucination (幻觉)

• 定义：指大模型生成的内容看起来合理，但实际上是虚构的、不符合事实的现象，是当前大模型的主要局限性之一。
• 解决方法：RAG检索增强、事实校验模块、工具调用验证等。

6. Token (令牌)

• 定义：大模型处理文本的基本单位，通常1个Token对应约0.7个汉字或1个英文单词。大模型的输入输出长度限制、计费都以Token为单位。
• 例如："你好，世界"大约对应4个Token。

7. Context Window (上下文窗口)

• 定义：大模型在单次会话中能够处理的最大Token长度，决定了模型可以"记住"的会话历史长度和处理长文本的能力。
• 目前主流模型的上下文窗口从8k到1M+ Token不等。

8. Multimodal (多模态)

• 定义：指AI系统能够同时处理和理解多种类型的信息，包括文本、图像、音频、视频等。
• 代表：GPT-4V、Gemini、文心一言4.0等多模态大模型。

9. Alignment (对齐)

• 定义：让AI系统的行为、输出与人类的价值观、伦理规范、需求目标保持一致的技术，是AI安全的核心研究方向。
• 目标：确保AI"做正确的事"，避免产生有害、不符合人类预期的输出。

10. Agentic Workflow (智能体工作流)

• 定义：以Agent为核心的任务处理流程，通常包含"任务理解→规划→工具调用→结果校验→迭代优化"的闭环，相比传统的"prompt-响应"模式具备更强的复杂任务处理能力。

---

六、概念关系图谱

AI (人工智能)
├─ LLM (大语言模型) → 基础底座
├─ RAG/微调 → 模型优化技术
├─ MCP (协议) → 交互规范
├─ Skills (技能) → 能力组件
└─ Agent (智能体)
    ├─ 自主决策能力
    ├─ 记忆能力
    └─ 调用Skills + LLM完成任务