AI概念记录小本本

理解核心思路：这些概念的本质都是为了让大模型能够更好的服务人类投入生产所创造的

【基础层：模型怎么理解你说的话】

LLM（大语言模型）：核心引擎，把文字拆成 token 预测下一个最该接什么

Token：模型理解文字的最小单元，每个 token 对应一个数字 ID

Prompt（提示词）：你对模型说的话

Prompt Engineering：把话说清楚的方法论，问得越好答得越好

Context（上下文）：每次发消息时系统把历史对话打包发给模型

Memory（记忆）：上下文窗口有限，模型把旧对话压缩成关键信息保存

【能力层：模型怎么真正干活】

RAG（检索增强生成）：让模型能读你的私有资料，切片存知识库，提问时检索相关片段拼进上下文再生成回复

Function Calling：让模型能调用外部工具，模型输出结构化调用指令，程序执行后把结果还给模型

MCP：统一所有第三方工具接口的协议。它不是 Function Calling 的替代品。Function Calling 是「模型怎么输出指令」，MCP 是「工具怎么被统一接入」【小知识：2024年11月25日，Anthropic（Claude 的开发公司）发布了一个重要的开源协议：Model Context Protocol（MCP）。虽然这是Anthropic公司定义的私有协议，但随后Anthropic将其开源作为一个开放标准，任何人都可以实现，任何模型都可以支持。某种意义上说，Anthropic这个公司还是蛮厉害的】

【执行层：从帮手到管家】

skill：可复用的结构化偏好和规则文件，Agent 接到类似任务时自动参考【小知识：2025年10月，Anthropic 公司发布了 Agent Skill，这是 AI 领域的一个重要突破。在此之前，AI Agent 的开发面临着一个核心挑战：如何让 AI 掌握专业领域的知识和规范。】

skill和 prompt 的区别：prompt 是一次性便签，skill 像一本可以反复翻的规则书

Agent：把 LLM + 规划 + 工具调用 + 记忆打包成能独立干活的系统，接到目标后自己规划步骤、调用工具、记录结果

Harness：为 AI Agent 搭建的运行框架和控制系统，给 Agent 套上的「马具」，划定边界红线、自动验收成果、引导修复，确保 Agent 可控——别一觉醒来发现它把你电脑格式化了

Mutil-Agent：多个独立的 AI Agent 协同工作的系统架构。每个 Agent 扮演不同的角色（如分析师、程序员、测试员），通过分工合作来解决单个 Agent 无法处理的复杂系统性问题

Loop Engineering（循环工程）：是2026年AI圈和软件开发领域正夯的新概念，其核心含义是设计并管理一套让AI Agent（智能体）能够自运行的“闭环自动系统”，由系统去自动Prompt（提示）AI并根据结果进行多轮自我迭代，从而让AI在无需人类一步步干预的情况下自主达成宏观目标

整条线的本质：聊天 → 查资料 → 调工具 → 自主干活 → 安全可控，每个概念都是被上一个阶段的具体问题逼出来的解决方案