摘要： Function Calling 是 OpenAI 推出的技术，通过让大语言模型（如 GPT-4）调用外部函数或工具，实现更可靠、动态的任务处理。其核心价值在于： 弥补模型局限：解决知识滞后、逻辑幻觉等问题，通过外部数据增强准确性。 扩展实用性：支持调用 API、数据库等，从文本生成转向实际执行。 提升可控性：通过预定义函数和结构化参数，确保行为安全可审计。 工作原理：模型解析用户请求后生

RAG（检索增强生成）是一种结合外部知识检索与生成模型的技术框架，能有效解决传统生成模型的知识局限和信息滞后问题。其核心优势包括突破知识瓶颈、动态更新能力、支持私有领域知识以及成本效率优化。RAG系统可分为黑盒增强架构（不调整大模型参数）和白盒增强架构（微调大模型），前者侧重优化检索器，后者则协同优化检索器与生成模型。典型实现如REPLUG LSR（黑盒）和Atlas（白盒），通过不同方式提升检索

LangChain是由Lang.AI开发的开源框架，专注于基于大语言模型(LLM)的应用开发。它采用三层架构设计：架构层提供核心功能，组件层连接外部系统，部署层支持企业级应用。框架包含六大核心组件：模型交互接口、检索系统、记忆模块、链式工作流、智能体和回调机制。LangChain通过模块化设计简化了AI应用开发流程，支持快速构建智能体、问答系统等复杂功能。开发者可通过Python环境安装相关包，利

摘要： 智能体（Agent）是以大语言模型（LLM）为核心，具备自主感知、决策与行动能力的AI实体，其运行机制遵循“感知-思考-行动-观测”闭环。智能体通过记忆模块（短期/长期）、感知模块（多模态输入）、工具模块（扩展能力）和规划模块（任务拆解与反思）协同工作，实现动态决策。与固定流程的工作流不同，智能体具有高度灵活性和目标导向性，擅长处理复杂多变的任务。未来，智能体与工作流将深度融合，形成更强大

Transformer是Google在2017年提出的革命性深度学习模型，完全基于自注意力机制处理序列数据，摒弃了传统的RNN和CNN结构。其核心优势包括解决长距离依赖问题、实现并行计算，成为GPT、BERT等大语言模型的基础架构。Transformer由编码器和解码器组成，采用多头注意力机制、残差连接和层归一化等技术。输入处理包含词元化和向量化两个关键步骤，现代大模型主要使用BPE、WordPi

参数高效微调（Parameter Efficient Fine Tuning, PEFT）是在微调大模型时仅更新少量参数的技术，通过冻结大部分原始权重，仅训练添加的适配器层、低秩矩阵或特定参数子集，大幅降低计算和存储成本，避免灾难性遗忘，实现高效适配新任务，典型方法包括LoRA、Adapter、Prefix Tuning等。

MCP（Model Context Protocol，模型上下文协议） 是由Anthropic公司（Claude模型的开发商）在2024年11月推出并开源的一种开放协议标准。它旨在标准化应用程序如何为大型语言模型（LLMs）提供上下文信息，可以形象地理解为"AI应用的USB-C接口"，为大模型连接各种数据源和工具提供了统一标准，使 LLM 能够连接各种数据源和外部工具，从而实现跨模型、跨平台无缝地

Skills（技能）是一种标准扩展规范，最早由Anthropic公司在2025年10月16日正式推出，作为Claude大模型的能力扩展机制。如今已成为AI Agent开发的行业标准，被微软Azure、GitHub Copilot等主流平台广泛支持。Skills是将"操作性知识"封装为模块化单元的技术架构，不仅仅是提示词集合，而是包含指令、执行脚本、参考资料和资产模板的完整软件工件。简单的说，Ski

参数高效微调（Parameter Efficient Fine Tuning, PEFT）是在微调大模型时仅更新少量参数的技术，通过冻结大部分原始权重，仅训练添加的适配器层、低秩矩阵或特定参数子集，大幅降低计算和存储成本，避免灾难性遗忘，实现高效适配新任务，典型方法包括LoRA、Adapter、Prefix Tuning等。

MCP（Model Context Protocol，模型上下文协议） 是由Anthropic公司（Claude模型的开发商）在2024年11月推出并开源的一种开放协议标准。它旨在标准化应用程序如何为大型语言模型（LLMs）提供上下文信息，可以形象地理解为"AI应用的USB-C接口"，为大模型连接各种数据源和工具提供了统一标准，使 LLM 能够连接各种数据源和外部工具，从而实现跨模型、跨平台无缝地