RAG 是什么：Retrieval-Augmented Generation，检索增强生成。先从知识库里找到相关内容，再把这些内容加进 Prompt，让大模型基于私有数据生成有据可查的回答。为什么需要它：大模型的知识是静态的、封闭的，而业务数据是动态的、私有的。把数据全量塞进 Prompt 行不通，超 token 限制、费钱、注意力稀释。RAG 用「按需检索 + 动态注入」绕开了这个死局。两大阶段

Function Calling（函数调用）：是底层技术，让大模型拥有了“伸手”调取外部工具的能力。MCP（模型上下文协议）：是接口标准，统一了全网工具的接入规格，让 AI 拥有了“Type-C”通用插口。Skills（技能）：是上层的业务封装（26年初的新宠），它将 Prompt 指令和 MCP 工具组合在一起，按清晰的目录结构管理起来，变成了 AI 可以随拿随用、彻底告别重复劳动的“标准工作流

MCP 是什么：Anthropic 推出的开放标准协议，定义了 AI 应用和工具服务之间如何标准化通信，是 AI 工具世界的「USB-C」。为什么需要它：没有统一标准时，每个工具都要自己写集成，多模型场景下是 N×M 的重复工作量；MCP 把这个问题变成 N+M，工具写一次，全平台可用。三大角色：Host（AI 应用）通过内置的 Client（连接器）调用 MCP Server（工具服务），职责清

这一步是我们开发者要写的，相当于给大模型一份严格规范的工具说明书，大模型会完全按照这份说明书，判断要不要调用工具、怎么调用工具。"description": "获取指定城市指定日期的天气情况，包括温度区间、晴雨状况、风力风向","city": {"description": "需要查询天气的城市中文名称，示例：北京、上海、广州"},"date": {"description": "需要查询的日期，

没有之一。大模型每轮决策的核心问题是：「当前这一步，该不该调这个工具？」它做这个判断的唯一依据，就是工具的 description。描述写清楚了，大模型准确选工具；描述写模糊了，大模型要么选错工具，要么该用的时候没用，或者不该用的时候乱用。能做什么：这个工具的核心功能是什么什么场景用：遇到哪类问题、哪种情况该选它返回什么：调用完会得到哪些信息有了函数，大模型还得知道：调用这个工具要传哪些参数、每个

Agent（智能体），是一个以大模型为"大脑"，能自主感知环境、做出决策、调用工具、完成多步骤任务的程序。自主（Autonomously）：不需要人在每一步发指令。你给它一个目标，它自己判断下一步做什么多步骤（Multi-step）：一个任务可能要走 5 步、10 步，Agent 自己把这些步骤串起来工具调用（Tool use）：调用真实的函数，查数据库、搜网页、发通知、写文件，不只是"说说"，而

Prompt 就是你发给大模型的所有输入内容，不只是一句简单的问题，而是你塞进 messages 列表里的所有文字：指令、背景信息、参考资料、示例、格式要求……全部算在内，总称 Prompt。外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传{ role: "system", content: "你是一个 OnCall 助理，回答必须简洁" },{ role: "user", co

Agent（智能体），是一个以大模型为"大脑"，能自主感知环境、做出决策、调用工具、完成多步骤任务的程序。自主（Autonomously）：不需要人在每一步发指令。你给它一个目标，它自己判断下一步做什么多步骤（Multi-step）：一个任务可能要走 5 步、10 步，Agent 自己把这些步骤串起来工具调用（Tool use）：调用真实的函数，查数据库、搜网页、发通知、写文件，不只是"说说"，而

什么是elasticsearch？一个开源的分布式搜索引擎，可以用来实现搜索、日志统计、分析、系统监控等功能什么是elastic stack（ELK）？是以elasticsearch为核心的技术栈，包括beats、Logstash、kibana、elasticsearch什么是Lucene？是Apache的开源搜索引擎类库，提供了搜索引擎的核心API分词器的作用是什么？创建倒排索引时对文档分词用户

MySQL轻量、简单、稳定、高性能，Web 开发首选，生态最成熟。PostgreSQL功能强大、严谨、支持复杂查询，更像 “企业级商业数据库”，开源免费。MySQL = 简单、快、通用PostgreSQL = 强大、严谨、高级没有绝对好坏，看业务场景选择。