Function Call：LLM 的 “工具箱”，让 LLM 能调用外部工具做事，核心是 “决策（LLM）+ 执行（工具）” 闭环；痛点：不同 LLM 的 Function Call 格式不统一，适配麻烦；MCP：AI 领域的 “USB-C”，统一了 LLM 和工具的对接标准，解决格式不兼容问题；关系：Function Call 是基础能力，MCP 是优化标准，内部用 Function Call

Function Call：LLM 的 “工具箱”，让 LLM 能调用外部工具做事，核心是 “决策（LLM）+ 执行（工具）” 闭环；痛点：不同 LLM 的 Function Call 格式不统一，适配麻烦；MCP：AI 领域的 “USB-C”，统一了 LLM 和工具的对接标准，解决格式不兼容问题；关系：Function Call 是基础能力，MCP 是优化标准，内部用 Function Call

Agent 的本质是 “让 AI 拥有自主能力”—— 从 “被动响应” 变成 “主动解决问题”。它不用人一步步指挥，能自己规划、用工具、记事情、协作，适合处理复杂、多变的任务。现在 Agent 已经应用在编程、游戏、客服、营销、智能家居等多个场景，未来还会渗透到更多行业（比如医疗、教育、金融），核心优势就是 “省时间、降成本、能应对复杂场景”。Agent = LLM（大脑）+ 记忆（存储）+ 规划

Agent 的本质是 “让 AI 拥有自主能力”—— 从 “被动响应” 变成 “主动解决问题”。它不用人一步步指挥，能自己规划、用工具、记事情、协作，适合处理复杂、多变的任务。现在 Agent 已经应用在编程、游戏、客服、营销、智能家居等多个场景，未来还会渗透到更多行业（比如医疗、教育、金融），核心优势就是 “省时间、降成本、能应对复杂场景”。Agent = LLM（大脑）+ 记忆（存储）+ 规划

RAG 不是替代大模型，而是 “给大模型装了一个可更新、可溯源的‘外置大脑’”—— 既保留了大模型的生成能力（能说人话、会总结），又解决了大模型的知识过时、容易瞎编、不可控的问题。不管是企业做智能客服、医生做辅助诊断，还是学生做学习辅导，只要需要 “基于权威资料的准确回答”，RAG 都是目前最实用的方案。

RAG 不是替代大模型，而是 “给大模型装了一个可更新、可溯源的‘外置大脑’”—— 既保留了大模型的生成能力（能说人话、会总结），又解决了大模型的知识过时、容易瞎编、不可控的问题。不管是企业做智能客服、医生做辅助诊断，还是学生做学习辅导，只要需要 “基于权威资料的准确回答”，RAG 都是目前最实用的方案。

核心逻辑：把“装修材料”（训练数据）分成多份，每个GPU（工人）拿一份材料，同时用完整的模型（整栋房子的装修方案）计算梯度；计算完后，所有人把梯度汇总（比如你算的梯度是0.1，我算的是0.2.汇总后是0.3），再用汇总后的梯度统一更新模型参数类比：3个工人同时刷同一栋房子的3个房间，每个人都有完成的“刷墙流程”（模型），刷完后一起商量“下次怎么刷更快”（统一更参数）优点：简单易操作，不用改模型结构

基础范式：seq2seq 任务→Encoder-Decoder 架构；核心突破：Attention 机制解决信息分配问题→Transformer 架构用 Self-Attention 替代 RNN，提升效率与建模能力；优化方向：通过采样策略控制生成多样性、用重复惩罚解决文本重复、用预训练模型（如 T5）提升泛化能力；应用场景：覆盖翻译、摘要、作诗、对话等，核心是 “基于输入创造符合语义和语法的全新

ICL 是大语言模型的无参数更新学习能力—— 不用像传统模型那样通过梯度下降更新权重（W 和 b），仅靠 “上下文里的任务描述 + 示例”，就能理解任务并生成结果。# 传统学习的核心流程（你肯定懂）def model(x): return W*X + b # 初始化权重loss = 损失函数(y_pred, batch_y)grad = 反向传播(loss)W = W - lr*grad # 关键

文本匹配是NLP（自然语言处理）的基础任务，核心是判断两段文本的“关联程度”，分为和。