AI 核心概念大全：16 个关键术语一网打尽
通过 Dify 平台实操串联，从大模型到 MCP 的完整知识体系
核心观点
学习效果承诺：看完本章，对 AI 的了解超过 70% 的同学。
16 个核心概念详解
基础概念
| 概念 | 定义 | 作用 |
|---|---|---|
| 大模型 (LLM) | 具有海量参数的人工智能模型，通过大规模预训练获得广泛知识 | AI 的大脑 |
| 温度 (Temperature) | 控制模型输出随机性的参数 | 越高越随机多样，越低越保守确定 |
| 提示词 (Prompt) | 输入给 AI 的内容，引导模型生成特定内容 | 提示词质量 = AI 输出质量 |
| Token | 大模型处理文本的基本单位（单词或标点） | 成本计算单位，100 万 Token 约几十元 |
| API Key | 调用大模型 API 的秘钥 | 身份认证和计费 |
模型技术
| 概念 | 定义 | 作用 |
|---|---|---|
| 模型蒸馏 | 复杂大模型知识转移到更小模型 | 保持性能，减小体积，降低推理成本 |
| 多模态 | 同时理解处理文本、图像、音频、视频 | 实现图生文、文生图、文生视频等 |
| 上下文信息 | 提供给 AI 的外部文档内容 | 让 AI 基于特定文档回答和总结 |
高级技术
| 概念 | 定义 | 作用 |
|---|---|---|
| RAG 检索增强生成 | 检索 + 生成两阶段技术 | 利用外部知识库给 AI 补充知识，回答更准确 |
| Embedding 嵌入 | 将文本、图像转换为向量表示 | RAG 核心技术之一，相似性匹配 |
| 思维链 CoT | Chain of Thought，让模型输出中间推理步骤 | 增强可解释性，提高复杂问题回答逻辑性 |
| ReAct | Reason + Act，推理 + 行动循环范式 | 先思考，再行动，基于结果再推理 |
系统与架构
| 概念 | 定义 | 作用 |
|---|---|---|
| 智能体 (Agent) | 能感知环境、推理、制定计划、决策、自主行动的 AI 系统 | 完成复杂任务，可调用工具 |
| 智能体工作流 | Agentic Workflow，规划编排多个智能体协作 | 自动化实现复杂任务，类似可视化编程 |
| MCP | Model Context Protocol，模型上下文协议 | AI 与外部工具/数据的标准化交互，增强 AI 功能 |
实操内容
16 个核心概念速查表
| 类别 | 概念 | 定义 | 作用 |
|---|---|---|---|
| 基础概念 | 大模型 (LLM) | 具有海量参数的人工智能模型 | AI 的大脑 |
| 基础概念 | 温度 (Temperature) | 控制模型输出随机性的参数 | 越高越随机，越低越确定 |
| 基础概念 | Token | 大模型处理文本的基本单位 | 成本计算单位 |
| 高级技术 | RAG 检索增强生成 | 检索 + 生成两阶段技术 | 利用外部知识库给 AI 补充知识 |
| 高级技术 | Embedding 嵌入 | 将文本图像转换为向量表示 | 相似性匹配 |
| 高级技术 | ReAct | Reason + Act 循环范式 | 先思考再行动 |
| 系统架构 | 智能体 (Agent) | 能感知、推理、决策、行动的 AI 系统 | 完成复杂任务 |
| 系统架构 | MCP | Model Context Protocol | AI 与外部工具标准化交互 |
RAG 标准工作流模板
用户文档 → 文本切分 → Embedding 向量化 → 向量数据库存储
↓
用户提问 → Embedding 向量化 → 向量检索相似文档 → 大模型综合回答
原文精彩摘录
看完本章，对 AI 的了解超过 70% 的同学。通过 Dify 平台实操串联，从大模型到 MCP 的完整知识体系。
ReAct：Reason + Act，推理 + 行动循环范式。先思考，再行动，基于结果再推理。这是构建真正自主智能体的核心模式。
关键概念：RAG 工作流程
用户文档 → 文本切分 → Embedding 向量化 → 向量数据库存储
↓
用户提问 → Embedding 向量化 → 向量检索相似文档 → 大模型综合回答
学习里程碑
看完本章后，对 AI 的了解超过 70% 的同学。
相关页面
- 鱼皮 AI 指南
- RAG 知识库
- AI Agent 智能体
- AI 编程开发