AI领域的术语层出不穷，很容易让人眼花缭乱。下面我梳理一下包括 MCP 和 Agent 在内的一系列核心词汇，并将它们分成了基础概念、技术架构和应用场景三类，方便大家理解和查阅。
📚 AI核心词汇分类速查
基础概念篇
- 人工智能 (AI): 模拟人类智能的机器系统，能执行通常需要人类智能的任务 。
- 大语言模型 (LLM): 基于海量文本数据训练而成的深度学习模型，能够理解和生成人类语言，是当前AI应用的核心引擎 。
- 生成式AI (GenAI): 专注于创造新内容（如文本、图像、音频）的AI技术分支，其核心是生成而非仅仅分析 。
- 通用人工智能 (AGI): 一种 hypothetical 的AI，具备像人类一样理解、学习和应用智能解决任何问题的能力，是AI发展的终极目标 。
- 多模态 (Multimodal): 指AI模型能够同时处理和理解多种类型的信息，例如文本、图像、音频和视频 。
技术架构与能力篇
- MCP (模型上下文协议): 一个由Anthropic推出的开放标准。它就像AI应用的“万能插座”或“USB-C接口”，旨在标准化大语言模型如何连接外部数据源和工具（如数据库、API），让AI能更轻松地获取实时信息和执行操作 。
- Agent (智能体): 一个能够理解用户指令、自主规划步骤，并调用外部工具来执行任务的AI系统。它像一个执行者，但决策和行动通常由用户指令触发 。
- Agentic AI (自主型AI): 代表比普通Agent更高级的形态。它不仅执行任务，更具备自主设定目标、进行复杂决策、自我反思和持续优化的能力，更像一个能与用户共创的伙伴 。
- RAG (检索增强生成): 一种技术框架，让LLM在生成答案前，先从外部知识库中检索相关信息，从而有效减少“幻觉”，提高回答的准确性和时效性 。
- 微调 (Fine-tuning): 在已训练好的大模型基础上，使用特定领域的数据进行二次训练，使其在该领域的表现更佳、更专业 。
常见应用与问题篇
- 提示工程 (Prompt Engineering): 通过设计和优化输入给AI的指令（即提示词），来引导模型生成更符合预期的结果 。
- Token (词元): 模型处理文本时的最小单位。可以是一个词，也可以是词的一部分或一个字符。模型的计费和上下文长度通常以Token数量计算 。
- 幻觉 (Hallucination): 指模型生成了看似合理但实际错误或无意义的内容，这是当前LLM需要重点克服的问题之一 。
- 深度伪造 (Deepfake): 利用AI技术（特别是深度学习）生成的逼真的虚假图像、音频或视频，可能带来信息安全和伦理风险 。
深度解读 LLM
LLM 是 大语言模型 的英文缩写，全称是 Large Language Model。
结合刚才的词汇表，可以从这几个维度来理解它：
- 核心定义：它是一个用海量文本数据训练出来的深度学习模型。简单来说，它的核心能力就是理解和生成人类语言。
- 它的“大脑”作用：如果把你现在用到的各种AI应用（比如智能客服、写作助手）看作一个“机器人”，那LLM就是它的“大脑”。它负责思考、理解和生成回复，但自己可能不直接去执行具体动作（比如帮你查天气）。
- 如何获取信息：由于LLM的知识有“截止日期”（训练数据的截止时间），它通常需要结合其他技术来获取新信息或执行具体任务。例如，通过RAG（检索增强生成） 技术连接外部数据库来获取最新信息，或者作为Agent（智能体） 的“大脑”来规划如何调用工具完成任务。
LLM的“组合拳”
可以把 LLM 想象成一个知识渊博但双手被绑住的学者，它需要借助其他技术来“长出手脚”和“更新知识”：
🧠 LLM + RAG = 带知识库的专家
解决的问题：LLM 的知识有截止日期，且可能产生幻觉。
工作原理：
- 你提问：“2024年巴黎奥运会中国队拿了多少金牌？”
- RAG 检索：系统先去外部知识库（如最新数据库、网页）搜索相关信息
- LLM 生成：LLM 基于检索到的真实数据，生成准确答案
实际应用：企业智能客服（基于最新产品文档回答问题）、学术研究助手
🧠 LLM + Agent = 会动手的执行者
解决的问题：LLM 只能动嘴，不能动“手”。
工作原理：
- 你指令：“帮我订下周五下午去上海的机票”
- LLM 规划：理解意图，拆解步骤（查航班 → 比价格 → 选座位 → 支付）
- Agent 执行：调用外部工具（如航班API、支付接口）一步步完成操作
实际应用：个人助理（帮你发邮件、订会议）、自动化工作流
🧠 LLM + MCP = 标准化“万能插头”
解决的问题：以前每个工具都需要单独给 AI 写接口代码，太麻烦。
工作原理：
- MCP 协议：像 USB-C 接口一样，统一了 LLM 连接外部工具的标准
- 即插即用：只要工具支持 MCP，LLM 就能直接调用，无需重复开发
实际应用：让 AI 无缝连接你的数据库、本地文件、设计软件等
🧠 LLM + 多模态 = 能看懂世界的通才
解决的问题：传统 LLM 只能处理文字。
工作原理：
- LLM + 图像：识别图片内容、生成图像描述
- LLM + 音频：语音交互、音乐生成
- LLM + 视频：理解视频内容、自动剪辑
实际应用：ChatGPT 看图功能、Midjourney 文生图、Sora 文生视频
🔄 完整协同场景举例
场景：帮老板准备一份竞品分析报告
| 技术组合 | 在这个场景中的作用 |
|---|---|
| LLM | 大脑核心，理解任务、规划报告框架 |
| RAG | 联网搜索最新的竞品新闻和财报 |
| MCP | 连接公司数据库获取内部销售数据 |
| 多模态 | 分析竞品发布会视频截图 |
| Agent | 自动将数据整理成图表，发送邮件给老板 |
