以我们的RAG系统为例，整个RAG流程大概是这样的：用户提出问题→（问题拆分）→检索分块→生成答案→（比标注来源）在基础场景中已经很完善了，能够给出符盖对应知识点的回答，但是用户的问题有时候并不只是查询文档并生成回答这么简单。EX：用户“帮我查询12345中订单”，“帮我点杯奶茶”（千问点单、小美等）。RAG或许能够通过预训练知识/知识库文档查询到对应的知识/相关指南，但是无法真正查询到用户相关的

Skill封装了特定任务的Prompt模板、工具组合、执行完整流程Skill也能够让Agent更加专业精准。

人工智能领域，智能体被定义为任何能够通过传感器感知其所处环境，并自主通过执行器采取行动达成指定目标的实体。智能智能体的智能在于“自主性其并非被动响应外部刺激/严格执行预设指令的程序，而能够基于其感知和内部状态进行独立决策。形成从感知到行动的闭环。想要了解智能体运作，我们必须知道其所处的任务环境。人工智能领域，通常使用PEAS模型来精确描述一个任务环境，分析其性能度量Performance、环境En

训练过程当中，由于参数不断更新，导致后续曾输入数据的分布持续发生变化。

人工智能领域，智能体被定义为任何能够通过传感器感知其所处环境，并自主通过执行器采取行动达成指定目标的实体。智能智能体的智能在于“自主性其并非被动响应外部刺激/严格执行预设指令的程序，而能够基于其感知和内部状态进行独立决策。形成从感知到行动的闭环。想要了解智能体运作，我们必须知道其所处的任务环境。人工智能领域，通常使用PEAS模型来精确描述一个任务环境，分析其性能度量Performance、环境En

以我们的RAG系统为例，整个RAG流程大概是这样的：用户提出问题→（问题拆分）→检索分块→生成答案→（比标注来源）在基础场景中已经很完善了，能够给出符盖对应知识点的回答，但是用户的问题有时候并不只是查询文档并生成回答这么简单。EX：用户“帮我查询12345中订单”，“帮我点杯奶茶”（千问点单、小美等）。RAG或许能够通过预训练知识/知识库文档查询到对应的知识/相关指南，但是无法真正查询到用户相关的

大模型可能生成一个看起来很合理但实际上完全错误的内容。使用编纂的人名去问，回答的也是一个公司中不存在的人。当前，较高版本ai结合联网搜索功能降低了幻觉问题原因：LLM本身预测概率最高的词，并不理解真正的事实。当其对问题不确定时，它不懂得说不知道，而是生成一个符合问题的编纂内容。

太宽：你是一个助手——边界不清晰，模型容易跑偏太窄：你是一个只回答 iPhone 14 Pro 退货问题的助手——过于限制，灵活性差，换个产品就不适合了合适：你是一个电商客服助手，负责回答退货、换货、物流相关问题——边界清晰，又有一定灵活性你是一个专业的知识库问答助手。你只能根据提供的参考资料回答问题，不能使用你的预训练知识。如果参考资料中没有相关信息，请如实告知，不要编造。我们需要把“只能用参考

传统业务当中，我们通过if-else将所有规则硬性写好，所有情况、出发的回答都是固定的。缺陷显而易见：用户的表达千变万化。——实际上这些都是同样一件事情，但是我们的if-else只能匹配包含一定关键字的那些，想要包含所有的情况，规则会很长，这是很不实际的。应对这种情况出现的NLP（自然语言处理）计数，例如关键字匹配等。这些方法比if-else聪明些，能够执行一定层面的文本分析，但是还是不能真正理解

传统业务当中，我们通过if-else将所有规则硬性写好，所有情况、出发的回答都是固定的。缺陷显而易见：用户的表达千变万化。——实际上这些都是同样一件事情，但是我们的if-else只能匹配包含一定关键字的那些，想要包含所有的情况，规则会很长，这是很不实际的。应对这种情况出现的NLP（自然语言处理）计数，例如关键字匹配等。这些方法比if-else聪明些，能够执行一定层面的文本分析，但是还是不能真正理解