Agent: 指代理，AI AGENT指的是通过指令操纵，控制AI独立思考，调用工具，实现目的的一种能力
Prompt: 指输入的指令词，通过Prompt进行AGENT展示
LLM: 大型语言模型（LLM）是一种人工智能（AI）算法，它使用深度学习技术和大量大型数据集来理解、总结、生成和预测新内容
RAG: 是一种结合信息检索（Retrieval）与文本生成（Generation）的技术，旨在提升大语言模型在回答专业问题方面的能力
MCP: 是一个新开源的模型上下文协议，指同一个AI助手与多种AI算法工具一起集成成一个统一的交互出口。MCP的核心价值在于打破数据孤岛，使AI系统能够通过同一协议访问本地和远程资源，无需定制集成，从而提升模型的响应质量和相关性
Vibe Coding: 用自然语言描述需求，让 LLM 直接生成代码，开发者从 “写代码” 转向 “引导、测试、迭代”
MCP： 调用AI模型接口的文件，或者说协议
API Key：类似于MCP调用模型的token
RAG：RAG是一种知识精准度更新的范式，比如用户提供一个粗略的prompt，然后通过RAG，更新调整为精准精确，并且完整Token，用于大模型进行代码生成。
怎么优化RAG：先经过一层专属的语言模型，结合专属知识库进行一层语言优化，再输入到代码生成的大模型中。
优化方案：
- 按语义分块（而非固定字符数）：比如按章节、段落、句子语义拆分；
- 保留上下文：分块时为每个块添加 “前序 / 后序片段”（如 50 字），避免断章取义；
- 示例：文档 “RAG 优化包括检索优化和生成优化… 检索优化分分块、嵌入…”→ 拆分为 “RAG 优化 - 检索优化 - 分块”“RAG 优化 - 检索优化 - 嵌入” 等语义块
这也就是为什么标准的prompts通常长以下：
【需求描述】
我需要一个 React 待办事项（TodoList）组件，核心功能是：添加待办、标记完成/未完成、删除待办，且数据在本地 localStorage 中持久化。
【技术栈要求】
- 主技术栈：React 18 + TypeScript + CSS Modules
- 辅助工具/库：无需额外第三方库（纯原生实现）
【约束条件】
- 功能约束：添加待办时需校验非空，删除前需弹出确认提示；
- 风格约束：简洁的移动端适配样式，完成的待办文字加删除线；
- 兼容性：兼容主流浏览器（Chrome/Firefox/Safari）。
【输出要求】
1. 生成完整的组件代码（包含 TS 类型定义、CSS 样式）；
2. 给出组件的使用示例（如在 App.tsx 中引入）；
3. 说明 localStorage 持久化的实现逻辑；
4. 给出运行/测试的步骤（如 npm install 后启动）。
如何编写更好得Prompt:
清晰性：避免模糊表述（如 “做个好看的表单”→“做一个适配移动端、带红色错误提示的 React 手机号校验表单”）；
具体性：明确输出格式、技术栈、约束条件（如 “输出 Markdown 格式的代码，包含注释，基于 Python 3.10”）；
指令优先：把核心要求放在开头（如 “仅基于提供的上下文回答，不要编造信息”）；
角色设定：给 AI 明确的角色（如 “你是资深前端工程师，擅长微前端和模块联邦”）；
简洁性：剔除冗余信息，只保留核心需求（避免大段无关描述分散 AI 注意力）。
