AI核心概念速查表（含LLM/RAG/Agent等）
说明：按「基础层→生成增强层→智能体工具层→框架工程层→前沿层」分类，标注与核心概念（LLM/RAG/Agent/Skills/OpenClaw）的关联。
一、基础层（必懂基础）
| 概念 | 核心定义 | 一句话理解 | 关联关系（与核心概念） |
|---|
| AI（人工智能） | 让机器模拟人类智能（感知、推理、学习、决策）的总称，是所有相关技术的顶层范畴。 | 机器像人一样“思考”和“行动”的总称 | LLM、RAG、Agent等均属于AI的具体应用分支 |
| ML（机器学习） | AI的核心分支，让机器从数据中自动学习规律，无需硬编码具体规则，实现自主优化。 | 机器自己从数据里“学经验” | 是DL、LLM的基础，Agent的学习能力依赖ML |
| DL（深度学习） | ML的子集，用多层深度神经网络拟合复杂数据模式，适用于图像、语音、文本等复杂场景。 | 用“多层神经网络”模拟人脑学习 | DL是LLM的核心技术，LLM是DL在文本领域的巅峰产物（AI⊃ML⊃DL⊃LLM） |
| AGI（通用人工智能） | 具备人类级通用智能，能跨领域理解、推理、创造、自主行动，可应对任意复杂任务。 | 和人类一样“全能”的AI（目前未实现） | LLM、Agent是当前通往AGI的核心路径，当前所有AI均为“窄AI”（弱AI） |
| Token（词元） | AI处理文本的最小单位，中文约1字/词，英文约1词块，是模型输入/输出的基本单元。 | AI“读/写”文本的“最小积木” | LLM的输入/输出、RAG的检索、Agent的上下文处理，均按Token计算和限制 |
| Prompt（提示词） | 用户给AI模型的指令、问题或引导性文本，用于触发模型生成对应输出。 | 你“指挥”AI做事的“指令” | Agent的规划、反思、工具调用，均依赖高质量Prompt驱动 |
| System Prompt（系统提示） | 给模型设定身份、规则、格式、约束的顶层提示，用于规范模型的输出逻辑和行为。 | 给AI定“规矩”“身份”的顶层指令 | Agent的行为边界、Skills的调用规范，可通过System Prompt定义 |
| Context Window（上下文窗口） | 模型一次能记住、处理的最大Token数（如8k/32k/128k），决定模型的长文本处理能力。 | AI的“短期记忆力上限” | RAG的核心作用的就是突破Context Window限制，为LLM/Agent外挂知识库 |
| Hallucination（幻觉） | 模型编造虚假事实、数据或引用，输出内容看似合理但与实际不符的现象，是LLM的核心痛点。 | AI“一本正经地胡说八道” | RAG是降低LLM/Agent幻觉的核心手段，OpenClaw可通过RAG集成减少幻觉 |
二、生成与增强层（与RAG强相关）
| 概念 | 核心定义 | 一句话理解 | 关联关系（与核心概念） |
|---|
| Embedding（向量嵌入） | 将文本、图像、音频等非结构化数据，转换成高维向量（语义数字化），用于捕捉数据的语义特征。 | 把文字/图片“翻译成”AI能理解的“数字密码” | RAG的核心技术，RAG的检索本质是Embedding的相似度匹配 |
| Vector Database（向量数据库） | 专门存储Embedding向量，支持高效的近似最近邻搜索（ANN），适配语义检索场景。 | 专门存“数字密码”（Embedding）的数据库 | RAG系统的标配存储层，OpenClaw集成RAG时需对接此类数据库（如Milvus、FAISS） |
| Fine-tuning（微调） | 在预训练大模型（如LLM）基础上，用领域小数据再训练，强化模型在特定领域的能力。 | 给已有的AI“针对性补课”，强化专项能力 | 与RAG互补：微调是“知识内化”，RAG是“外挂知识”；可用于优化LLM，提升Agent的领域适配性 |
| Alignment（对齐） | 将模型的输出从“纯文本预测”对齐到人类意图，确保模型输出有用、诚实、无害、符合人类价值观。 | 让AI的“三观”和人类一致，不跑偏 | LLM、Agent的核心优化手段，OpenClaw中的Agent需通过对齐保证执行安全性 |
| RLHF（人类反馈强化学习） | Alignment的核心技术，通过人类对模型输出的偏好反馈，训练模型优化输出，让模型更符合人类需求。 | 人类“打分”，AI“改错”，不断优化 | 用于优化LLM的输出质量，间接提升Agent、RAG的结果可靠性 |
| DPO（直接偏好优化） | Alignment的高效技术，无需强化学习中间步骤，直接通过人类偏好数据优化模型，简化对齐流程。 | 更高效的AI“三观校准”方法 | 替代RLHF的轻量化对齐方案，适用于LLM微调，适配OpenClaw的本地部署场景 |
三、智能体 & 工具层（与Agent/Skills强相关）
| 概念 | 核心定义 | 一句话理解 | 关联关系（与核心概念） |
|---|
| Function Calling（函数调用） | LLM的原生能力，能结构化输出函数名和参数，触发外部代码、工具执行，实现模型与外部系统的交互。 | AI“指挥”外部工具做事的“接口” | Agent调用Skills、工具的底层机制；Skills本质是封装好的Function Calling集合 |
| MCP（Model Context Protocol） | 模型上下文协议，用于统一LLM与工具、API、数据库、文件的安全、标准化交互，相当于AI世界的“万能USB”。 | AI与工具交互的“通用接口标准” | OpenClaw、LangChain均在兼容MCP，让Agent跨工具、跨平台调用更通用 |
| Tool Learning / Tool Use | 模型自主学习使用外部工具（如搜索、计算器、代码解释器、浏览器），辅助完成复杂任务的能力。 | AI自己“学用工具”，像人一样借助外力 | Agent的核心能力，Agent的“思考→调用工具→反馈→继续推理”流程依赖此能力 |
| ReAct（Reason + Act） | 经典Agent范式，让Agent边思考（推理任务、规划步骤）边行动（调用工具），形成“思考→行动→观察”的闭环。 | AI“边想边做”，逐步推进任务 | OpenClaw中的Agent可采用ReAct范式，提升任务执行的逻辑性和可靠性 |
| Memory（记忆） | Agent的核心能力之一，分为短期记忆（上下文窗口内的对话）、长期记忆（RAG/向量库存的历史经验）、工作记忆（任务中间状态）。 | AI的“记忆力”，记住对话、经验和任务进度 | OpenClaw内置记忆管理模块，Agent依赖Memory实现复杂任务的连贯执行；RAG是长期记忆的核心载体 |
| Reflection / Self-Critique（反思/自检） | Agent完成某一步骤后，自主检查执行结果、纠错、优化后续步骤的能力，相当于Agent的“自我复盘”。 | AI自己“检查错误”“复盘优化” | 高阶Agent的标配能力，可大幅降低OpenClaw中Agent的执行错误，提升任务可靠性 |
| Multi-Agent（多智能体） | 多个Agent分工协作、各司其职，共同完成单个Agent无法处理的复杂任务（如主管-执行、辩论、协作开发）。 | 多个AI“组队干活”，分工合作 | OpenClaw支持多Agent编排，是企业级复杂场景的核心应用方向；多个Agent可共享RAG、Skills资源 |
四、框架 & 工程层（与OpenClaw同类/相关）
| 概念 | 核心定义 | 一句话理解 | 关联关系（与核心概念） |
|---|
| LangChain | 最流行的开源LLM应用框架，提供LLM封装、Prompt模板、RAG、Agent、Tools、Memory等组件，简化LLM应用开发。 | 开发LLM/Agent应用的“万能工具箱” | 与OpenClaw互补：LangChain更通用、偏应用开发；OpenClaw更偏向本地执行、电脑控制、自动化 |
| LlamaIndex | 主打数据索引与RAG的开源框架，擅长复杂文档解析、多源数据整合、高级检索策略，聚焦RAG场景优化。 | 专门优化RAG的“检索工具箱” | 可与OpenClaw、LangChain集成，提升RAG的检索效率和文档处理能力 |
| AutoGPT / BabyAGI | 早期经典Agent框架，具备自主任务规划、拆解、工具调用能力，是Agent技术的早期探索。 | 早期的“自主AI助手”框架 | OpenClaw是新一代Agent框架，在本地部署、电脑控制、稳定性上优于AutoGPT/BabyAGI |
| CrewAI | 当前最火的多智能体团队框架，支持多个Agent分工协作、设定角色和目标，适配复杂团队协作场景。 | 专门做“多AI组队”的框架 | 与OpenClaw的多Agent能力互补，可协同实现更复杂的企业级任务 |
| vLLM / TensorRT-LLM / LMDeploy | LLM推理加速引擎，通过PagedAttention、KV缓存、量化（INT4/FP8）等技术，提升LLM的运行速度、节省显存、支持高并发。 | 让LLM“跑得更快、更省资源”的工具 | 部署OpenClaw、LLM的必备工具，否则会出现速度慢、成本高的问题 |
| Ollama | 本地大模型一键运行工具，可通过一条命令启动Llama 3、Qwen、Mistral等模型，封装好推理与服务，简化本地模型部署。 | 本地跑大模型的“一键启动器” | OpenClaw常用Ollama作为本地LLM后端，实现本地优先部署，保障隐私与可控性 |
五、前沿层（2026年重点方向）
| 概念 | 核心定义 | 一句话理解 | 关联关系（与核心概念） |
|---|
| Multimodal（多模态） | 模型同时处理文本、图像、音频、视频、3D等多种模态数据，实现跨模态的理解与生成。 | AI能“看、听、说、懂图片/视频” | 下一代Agent的核心方向：多模态感知+语言思考+行动执行，OpenClaw未来可扩展多模态能力 |
| World Model（世界模型） | AI学习世界的物理规律、因果关系、时空逻辑、常识，能预测事件发展、判断结果合理性，超越纯文本学习。 | AI建立“虚拟世界”，理解现实规律 | 解决LLM/Agent不懂现实、常识弱、物理错误的痛点，提升OpenClaw中Agent的决策合理性 |
| Embodied AI（具身智能） | AI拥有物理身体（如人形机器人、机械臂、自动驾驶汽车），在物理世界中实现“感知-行动-反馈-学习”的闭环。 | AI有“身体”，能在现实世界“做事” | OpenClaw是数字世界的具身智能（控制电脑/软件），与物理世界具身智能（机器人）是两大分支 |
| AI for Science（AI科研） | 用AI加速科学研究，应用于药物研发、材料科学、基因编辑、气候模拟、物理建模等领域，突破人类科研极限。 | AI当“科研助手”，加速科学突破 | 可通过Agent+Skills实现科研流程自动化，OpenClaw可适配科研场景的工具调用需求 |
| Edge AI / 端侧AI | AI模型部署在手机、PC、IoT设备、汽车等终端设备上，实现本地推理，具备低延迟、隐私保护、离线可用的特点。 | AI“跑在本地设备上”，不依赖云端 | OpenClaw主打本地部署、隐私优先，属于端侧/边缘AI的重要应用方向 |
六、核心概念（补充完善）
| 概念 | 核心定义 | 一句话理解 | 关联关系（与其他概念） |
|---|
| LLM（大语言模型） | 基于深度学习的大型语言模型，具备强大的文本理解、生成、推理能力，是当前AI的核心“大脑”。 | AI的“大脑”，能说、能懂、能思考文本 | 所有概念的核心基石：RAG为其补知识，Agent基于其实现自主行动，OpenClaw以其为核心驱动 |
| RAG（检索增强生成） | 在LLM生成内容前，检索外部知识库的相关信息并注入上下文，提升生成内容的事实准确性和时效性。 | 给AI的“大脑”配“外接知识库” | 依赖Embedding和向量数据库，是Agent的知识底座，可集成到OpenClaw中降幻觉 |
| Agent（智能体） | 基于LLM的智能系统，具备任务规划、工具调用、记忆管理、自主执行能力，能完成复杂多步任务。 | 给AI的“大脑”装“手脚”，能自主做事 | 依赖LLM、RAG、Skills，OpenClaw是其落地载体，可通过ReAct、Reflection优化能力 |
| Skills（技能） | Agent可调用的标准化能力单元，是工具、流程的封装（如数据库查询、API调用），规范工具使用流程。 | 给Agent配“工具箱”，规范做事流程 | 本质是封装好的Function Calling集合，供Agent调用，可集成到OpenClaw的工具库中 |
| OpenClaw（小龙虾） | 开源、本地优先的AI智能体执行框架，曾用名Clawdbot/Moltbot，统一接入LLM、RAG、Skills，实现自然语言到系统操作的闭环。 | AI的“数字外骨骼”，本地落地Agent的工具 | 可对接Ollama、LangChain、向量数据库，集成LLM、RAG、Agent、Skills，实现本地自动化执行 |
6
0
已为社区贡献1条内容
所有评论(0)