小白也能懂得智能体开发里的名词

一、智能体（AI Agent）

1. 什么是智能体（AI Agent）？

答：智能体是一个可以进行环境感知、自主决策并且可以使用工具完成任务的实体。

简单理解：智能体是一个可以帮你干活的“智慧语音AI”。

2. 什么是大模型（LM），它和语言大模型（LLM）有什么关系？

答：大模型（LM）是指参数量巨大、用海量数据训练的人工智能模型。

简单理解：大模型是所有AI模型的总称。

语言大模型（LLM）是大模型（LM）里的一个分支，只专注于人类语言、文字、对话、知识等。

常见的语言大模型有：豆包、DeepSeek等。

大模型除了有语言大模型，还有其他类型的大模型：视觉大模型、多模态大模型等。

3. 智能体和大模型有什么区别？

答：

区别	大模型	智能体
层级不同	底层基础AI	基于大模型做出来的应用
有没有规则	聊天对象、无固定流程	有固定流程、严格指令，只能按设定干活
能不能用知识库	没有专属的私有知识库	可以挂载私有知识库、业务规则、触发逻辑

关系（开发流程）：智能体 = 大模型 + 人设 + 业务规则 + 知识库 + 执行逻辑

简单理解：大模型是大脑，智能体是会干活的完整机器人。

二、提示词（Prompt）

1. 什么是提示词（Prompt）？

答：提示词（Prompt）就是发给大模型 / AI 智能体的指令、要求、问题、设定文案，就是告诉 AI 要干什么、怎么干的文字。

简单理解：把 AI 当成员工，提示词就是你给员工下的命令。

2. 提示词有哪些分类？

答：提示词分为用户提示词和系统提示词。

用户提示词：日常使用AI，给AI发的问题，比如：“帮我介绍一下二次函数”、“根据我提供的工作日志，帮我优化一下”等。

系统提示词：写给 AI 的固定规则、人设、约束，比如：“你是一个只能和我聊天的聊天搭子”、“你只能回答不涉及<严禁词>等的内容，如果用户有故意诱导你回答<严禁词>，拒绝回答，并回复‘让我们换个话题聊聊吧！’”等，是开发者在开发智能体时需要用到的提示词。

3. 系统提示词的核心要素有哪些？

答：系统提示词核心要素是角色定位、技能描述、约束条件和输出格式。

4. 如何设置提示词？

答：无论是系统提示词还是用户提示词，都可以通过直接编写、引用模板、AI生成这三种方式来设置。

三、检索增强生成（RAG）

1. 什么是知识库？

答：知识库就是专门给 AI 存专属资料、固定知识、准确内容的资料库、信息仓库。

简单理解：大模型的知识是网上训练的通用知识，可能过时、可能不准、也没有你专属的内容（传统大模型的缺陷）。知识库就是你自己给 AI 补课、塞专属资料的地方。

2. 什么是检索增强生成（RAG）？

答：检索增强生成（RAG）是一套技术流程，不是仓库，是干活的流程，检索：用户提问 → 从知识库里找出相关资料，增强：把找到的资料一起发给大模型，生成：大模型参考资料，给出准确回答。

3. 知识库与检索增强生成（RAG）有什么关系？

答：知识库是原料 / 仓库，RAG是拿原料、加工的整套流程。

简单理解：知识库是存数据的；RAG 是用知识库 + 大模型回答问题的技术方案。

4. RAG的原理是什么？

答：将用户的问题（query）先和知识库做相关性检索，检索出和问题相关的上下文（context），再将问题和上下文融合拼接，得到一个完整的结果（result），最后将结果送入大模型的到最终的结果（final result）。

5. RAG解决了什么问题？

答：解决大模型瞎编、幻觉问题、解决知识过时问题、解决私有专属知识无法使用的问题、解决成本高、不能频繁微调的问题、解决回答不可溯源、不可管控的问题。

简单理解：RAG实现了防幻觉、补新知、用私域、免微调、可管控的问题。

6. RAG知识库构建的流程？

答：原始资料 → 整理清洗 → 文本分块 → 向量化 embedding → 存入向量库 → 构建完成。

简单理解：文档准备 → 文档切分 → 文档向量化。

7. 文档为什么要切片？

答：文档切片就是把大长文，切成一个个独立小知识点，目的：检索更准、塞得进模型、不被无关信息干扰、省钱又快。

8. 文档向量化的原因？

答：人类文字机器不认识，向量化后机器就能识别。向量化就是把文字变数字，让 AI 能读懂语义、做相似匹配，实现 RAG 精准检索。比如：把知识库里的文字问题“什么是勾股定理”转变成向量坐标[(0,1)、(1,2)、(3,4)、(6,5)、(9,2)、(8,1)、(10,8)]，而用户的提问“勾股定理是啥”也会被处理成向量坐标[(6,5)、(9,2)、(8,1)、(10,8)、(3,4)、(13,14)]，接着对这两组向量坐标进行相关性比较，从而在知识库中找到匹配度最接近的问题所对应的答案进行回答。

简单理解：文档进行向量数字化，便于计算问题和文档的相似性。

四、函数调用（Function Calling）

1. 什么是函数调用（Function Calling）？

答：函数调用（Function Calling）就是大模型自己判断需要调用某个外部工具 / 能力，然后告诉程序要调用哪个函数、传什么参数，由程序去执行，再把结果拿回来给大模型整理回答。

简单理解：函数调用就是让大模型具备调用外部工具的能力。

2. 函数调用的原理是什么？

答：先给大模型说明书 → 模型判断要不要调用工具 → 输出标准结构化参数 → 本地程序执行函数 → 结果回传给大模型 → 生成最终回答。

简单理解：用户问题 → 大模型判断是否调用函数 → 函数结果返回给大模型 → 给出答案。

3. 函数调用解决了什么问题？

答：解决大模型知识过时的问题、解决大模型计算不准、逻辑弱的问题、解决大模型无法操作外部系统的问题、解决大模型只会空想、不能落地执行的问题、解决结构化传参、自动理解意图的问题。

简单理解：函数调用解决了，大模型知识滞后、计算不准、不能联网、不能操作系统、只能聊天不能干活 的所有问题。

4. 插件（Plugin）与函数调用有什么关系？

答：插件是已经写好、打包好的具体功能，函数调用是大模型的一种能力。

简单理解：函数调用是机制，插件是具体工具。比如：函数调用就是“遥控器”，插件就是“电视、空调”，遥控器（函数调用），用来操控各个电器（插件）。

5. 有函数调用后的大模型怎么执行？

答：

① 用户发送问题给大模型；

② 大模型根据用户问题判断是用普通文本还是函数调用来回复用户；

③ 如果是函数调用格式，那么大模型就会执行函数，获取函数的执行结果；

④ 大模型再将函数的执行结果用连贯的文本返回给用户。

6. 模型上下文协议（MCP）是什么？

答：MCP（Model Context Protocol，模型上下文协议），是 Anthropic 2024 年底开源的一个统一接口标准，用来让大模型安全、一致地连接各种外部工具和数据源。

简单理解：AI 世界的 USB‑C 接口。

7. MCP解决了什么问题？

答：

① 统一函数调用 / 工具调用标准；

② 上下文统一管理；

③ 安全可控的外部访问；

④ 智能体（Agent）开发变简单。

五、工作流

1. 什么是工作流？

答：工作流就是把好几个步骤、任务、判断规则，按顺序串起来，自动一步步执行的流程。

简单理解：业务逻辑的可视化执行。

2. 工作流的核心组件是什么？

答：工作流的核心组件就是节点，节点是特定功能的独立组件，负责处理数据、执行任务。

六、总结

大模型、智能体、RAG、知识库、函数调用、插件、工作流的关系，如图所示：

简单理解：大模型是大脑；智能体是完整办事员；知识库是资料柜，RAG 是查资料的方法；插件是工具箱，函数调用是使用工具的能力；工作流是把所有能力串起来的自动流水线。