现在技术发展得太快了！！
整理一下我理解的新技术：
Agent：自动调用工具的机器人
skills：是一份精心编写的提示词说明书，详细教导AI完成一件具体事务的步骤、可用资源和判断标准。例如，“查天气”Skill会告诉AI：在用户询问天气时，应调用哪个API、如何解析地点、结果如何格式化回复。【一份提前写好的提示词（提示词脚本，说明书）】

openclaw：工作模式：绝大多数时候，AI处于“调用工具→自我检查结果→再调用工具”的循环。
工具挑选的对不对、对执行结果判断得准不准都要看基础模型的实力

【然后一顿操作猛如虎，token账单把人吓哭】

技术栈：
基础模型：权衡性能与价格后接入 MiniMax M2.5（因为minimax在头部开源模型里,token最便宜）
核心工具（Actions）：权限极高，可执行终端命令（ClaudeCode精神的延续）。

Vibe coding

vibe coding就是通过对话让AI帮你写代码做产品

基础部分：

概念整理自B站 【闪客】一口气拆穿Skill/MCP/RAG/Agent/OpenClaw底层逻辑

LLM :

具备大规模参数的语言模型被称为大语言模型（Large Language Model, LLM）。
核心能力：本质为文字接龙（Text Continuation），即根据上文预测并输出下一个字符序列。

蒸馏

1，知识蒸馏：通过较大的教师模型训练出较小的学生模型，此时的学习目标是softmax之后的logits
2.现阶段延伸：一个模型的训练数据中使用了另一个模型中的输出数据。用自家的大模型蒸馏出不同尺寸的小模型以满足不同需求

prompt

Prompt（提示词）的引入
定义：用户与模型每次交互的输入内容被定义为Prompt。

结构分解：

• Context（上下文）：包含背景信息、对话历史等辅助内容。
• Instruction（指令）：明确的任务指示。
• 功能：通过结构化Prompt，引导模型生成符合预期的输出。

Memory（记忆）机制
原理：将历史对话记录作为Context的一部分，伪装成多人对话场景，使模型具备“记忆”能力。
优化：利用模型自身对记忆内容进行总结压缩，以减少Context长度，降低Token消耗。

Agent

定义：该代理程序被称为Agent，其本质是封装了特定逻辑的程序，早期实现可能仅通过Prompt扩展实现。【能操纵工具的智能】

检索增强生成（RAG）

定义：通过向量数据库进行语义检索，将本地文档或数据库中的相关信息注入Context，以增强模型生成的准确性。
技术归属：RAG属于外部信息获取能力的一种，与Web Search同属模型参数外的数据补充手段。

Function Calling（函数调用）

定义：约定LLM以特定结构化格式（如JSON）回复，以便Agent程序解析并执行工具调用。
本质：一种交互协议，类似于前后端接口约定，用于规范LLM的输出格式。

模型上下文协议（MCP）

背景：工具实现若与Agent主程序耦合，扩展性差。
定义：**MCP（Model Context Protocol）**是一套约定规范，用于Agent发现和调用独立的工具服务。

架构角色：MCP服务作为工具提供方，Agent作为调度中心，LLM作为决策者，形成分层协作架构。

Skill（技能）

设计思路：
预设统一说明文件（如skill.md），描述任务流程及工具选择逻辑。
Agent在执行前读取该文件，根据语义灵活调用对应脚本。
定义：Skill是Agent的技能模块，本质是Prompt加载器与可执行脚本的集合。
定位：介于刚性工作流与完全自主Agent之间的折中方案，兼顾灵活性与可控性。

从刚性到柔性的技术谱系

技术形态	灵活性	稳定性	适用场景
LangChain（编程）	低	高	程序员，需高度可控
Workflow（低代码）	中	中	非程序员，流程固定
Skill（提示词+脚本）	中高	中	普通用户，需一定灵活性
纯Agent（自主决策）	高	低	复杂动态场景，需强适应性

agent 框架解决了封装LLM，管理上下文，增强toolcall的能力以获取各种外部知识，普通人不用直接使用大模型，而是使用agent

RAG

RAG (Retrieval Augmented Generation) 的核心思想

RAG 旨在解决大模型处理长文档时面临的挑战，其核心在于：在将问题提交给大模型之前，仅从长文档中检索并提取与问题最相关的内容片段，然后将这些相关片段连同用户问题一同提供给大模型，作为其生成回答的上下文。

Embedding 模型：判断文本相关性的关键
定义与功能
Embedding 模型是一种特殊的神经网络模型，其输入是一段文本（可以是句子或段落），输出是一个固定长度的数值数组（也称为向量或竖组）。

RAG 的工作流程

1.文档预处理阶段：
在用户提问之前，需对目标文档进行一次性处理：
（1）分块 (Chunking)：
将整个长文档切分成多个小片段。
切片方法：按字数、按段落、按句子，或采用更复杂的语义分块算法。
专业术语：chunking。
（2）Embedding 生成：
对每个切分后的小片段，使用 Embedding 模型生成对应的固定长度向量。
（3）向量存储与关联：

• 将每个生成的向量与其原始文本片段的对应关系保存起来。
• 向量数据库：专门设计用于存储和检索向量数据，能够高效地查找与输入向量距离最近的数据。这与传统数据库根据精确数值查找记录的模式不同。
• 常见向量数据库：Pinecone, ChromaDB, 以及 PostgreSQL 配合 PG Vector 插件等。

2. 用户查询阶段
   当用户提出问题时，RAG 系统执行以下步骤：
   （1）问题 Embedding：
   使用与文档预处理时相同的 Embedding 模型，将用户问题转化为一个向量。
   （2）向量检索：
   将问题向量输入到向量数据库中。
   向量数据库根据距离算法（如余弦相似度）查找与问题向量距离最近的几段文档片段。
   （3）上下文构建与提交：
   将检索到的相关文档片段作为上下文。将此上下文与用户的原始问题一同发送给大语言模型。
   大语言模型接收到的是强相关内容，从而降低“幻觉”风险，提高回答的准确性。

GraphRAG

RAG存在的问题：
（1）全局问题与局部片段的匹配度太低。——传统RAG的问题
（2）切太大容易漏掉细节，切太小容易失去语义间的联系——这个矛盾就是传统RAG不准确的根源之一 。

知识图谱(Knowledge Graph)被用来解决这个问题，他既不漏掉细节，又保留语义结构。

LPG

图结构LPG(Labeled Property Graph)实体和关系都可以带属性。

利用大模型prompt代替繁琐复杂的知识图谱生成算法
步骤1. Named Entity Recognition 识别实体类型
步骤2. Relation Extraction 识别实体间的关系

GraphRAG通过解析LLM返回的结构化文本，生成了知识图谱。

Data Gleaning

LLM生成完一个知识图谱后，GraphRAG会将该知识图谱连同AI再发送给LLM一次，让其补充信息直至LLM返回不存在任何要补充的信息了 。
在所有的片段都被处理完后，GraphRAG会把所有名字相同的实体进行合并，最后并成一个完整的知识图谱。

GraphRAG会一直维持原文和知识图谱之间的关系，这在其的查询过程中会用到。

莱顿社区检测法：

可以理解为子图优化问题，其把图中边比较密集的节点合并为一个整体，同时会让LLM对每个子图生成一个更高级的总结性描述。LLM在总结时不仅会总结信息，还会推理出额外的逻辑信息。
合并之后的每个节点都代表了原图中的一个和局部信息块，这个过程一层层向上，最终形成一个知识图谱的层级结构，结构越往上，知识就越抽象、越精炼；结构越往下，越接近原文，越具体细节。

查询时和一般的RAG差不多，将问题也embedding，将其和知识图谱匹配。匹配的过程比较灵活，可以查询知识图谱的某一层、某几层或者是全文。

Local Search

先从最底层的知识图谱里找出和问题最接近的实体，因为GraphRAG会维护知识图谱与原文的映射关系，因此可以反向查出点和边是由那些原文生成的；以及这些点和边出现在哪些上层的图谱结构里；他们相邻的其他点和边都是什么。
接着，GraphRAG会把找到的所有点和边的总结性描述以及他们关联的原文片段，再加上用户提出的问题，一起打包送入LLM。因此，无论问的是高层次的抽象问题还是某段原文的细节性问题，相关信息都会被一并带上。
因为local search是从最底层的知识图谱开始查的，因此擅长处理细节丰富，定位准确的问题。

Global Search

则是从知识图谱的高层开始查起，逐一向下追溯。
因此，比local search更适合回答抽象一点，全局性更强的问题。

GraphRAG的所有过程都离不开LLM的参与。