AI 术语入门指南
AI 术语入门指南
文章目录
- AI 术语入门指南
- 一、先搞懂这些概念
- 1.1 LLM —— 大语言模型
- 1.2 Token —— 文字的"计量单位"
- 1.3 Context —— 对话的记忆
- 1.4 Temperature —— 回答的"创造力"
- 1.5 Hallucination —— 幻觉
- 二、Agent 智能体
- 2.1 什么是 Agent？
- 2.2 RAG —— 检索增强生成
- 三、Embedding —— 把文字变成坐标
- 四、Fine-tuning —— 给AI做"特训"
- 五、常见AI架构图解
- 5.1 聊天机器人架构
- 5.2 RAG 系统架构
- 六、名词速查表
- 七、学习路径
- 八、Claude Code 是什么？
从零认识大模型，说人话，不废话 —— Claude Code 学习方法论·第一篇
一、先搞懂这些概念
1.1 LLM —— 大语言模型
LLM = Large Language Model
把它想象成一个"读完了整个图书馆的人"，它不会真的"思考"，而是根据见过的内容，猜下一个最可能出现的字。
你输入："今天天气真" 它猜："好"（最可能） 或 "糟糕"（也可能） 哪个更合理？它根据学习过的内容判断常见LLM一览：
| 模型 | 爸爸公司 | 一句话特点 |
|---|---|---|
| GPT-4 | OpenAI | 公认最强，收费 |
| Claude 3 | Anthropic | 长文本、代码强 |
| Gemini | 谷歌出品 | |
| 通义千问 | 阿里 | 中文友好 |
| 文心一言 | 百度 | 中文友好 |
1.2 Token —— 文字的"计量单位"
大模型不看字，看 Token。Token 是它处理信息的最小单元。
1个中文汉字 ≈ 1-2个 Token 1个英文单词 ≈ 1.5个 Token 1段话 ≈ 3-10个 Token为什么重要？
- API 按 Token 收费
- 输入+输出都算 Token
- 上下文窗口有上限（GPT-4 ≈ 128K tokens）
1.3 Context —— 对话的记忆
就像人的短期记忆，大模型在一次对话中能记住的内容有限。
你：第一天上班好累 它：加油！ 你：昨天也是 它：连续上班确实辛苦 （它记住了"上班"这件事）1.4 Temperature —— 回答的"创造力"
低温度（0-0.3）：保守、精确 → "1+1=2" 高温度（0.7-1.0）：创意、随机 → "1+1=2=王=爱"- 写代码、问事实 → 低温
- 写小说、头脑风暴 → 高温
1.5 Hallucination —— 幻觉
大模型一本正经地"胡说八道"。它追求的是"听起来对"，不是"真的对"。
为什么会这样？
- 训练数据有错
- 没找到答案时瞎编
- 它觉得这样说"合理"
如何避免？
- 要求提供来源
- 用 RAG 检索验证
- 重要信息交叉确认
二、Agent 智能体
2.1 什么是 Agent？
如果 LLM 是"大脑"，Agent = 大脑 + 手脚 + 记忆
┌─────────────────────────────────────┐ │ Agent 三件套 │ ├─────────────────────────────────────┤ │ 🧠 规划 (Planning) │ │ 把大任务拆成小步骤 │ ├─────────────────────────────────────┤ │ 🔧 工具 (Tools) │ │ 能调用搜索、计算、代码等 │ ├─────────────────────────────────────┤ │ 📝 记忆 (Memory) │ │ 记住之前做过什么 │ └─────────────────────────────────────┘打个比方：
- LLM = 只会出主意的军师
- Agent = 军师 + 能自己出去打仗的将军
2.2 RAG —— 检索增强生成
先查资料，再回答—— 解决大模型"知识过时"的问题
传统：靠脑子里记的（可能过时） RAG： 先查资料库，再回答（更准确）三、Embedding —— 把文字变成坐标
让电脑理解"哪些词意思相近"
苹果 → (0.8, 0.2, 0.1...) 香蕉 → (0.7, 0.3, 0.2...) 电脑 → (0.1, 0.9, 0.5...) 苹果和香蕉"距离近" → 意思相近 苹果和电脑"距离远" → 意思不同应用场景：
- 相似文章推荐
- 智能客服理解问题
- 内容自动分类
四、Fine-tuning —— 给AI做"特训"
通用大模型（什么都会一点）→ 特训 → 专业模型（垂直领域专家）| Fine-tuning | Prompt Engineering | |
|---|---|---|
| 成本 | 高（要重新训练） | 低（改文字即可） |
| 效果 | 永久改变行为 | 每次对话要重复 |
| 适用 | 大量相似场景 | 灵活多变的场景 |
五、常见AI架构图解
5.1 聊天机器人架构
┌──────────┐ │ 用户提问 │ └────┬─────┘ ↓ ┌──────────┐ │ 对话管理 │ ← 记住上下文 └────┬─────┘ ↓ ┌──────────┐ │ Prompt │ ← 组装指令 └────┬─────┘ ↓ ┌──────────┐ │ LLM │ ← 生成回答 └────┬─────┘ ↓ ┌──────────┐ │ 返回答案 │ └──────────┘5.2 RAG 系统架构
┌──────────┐ │ 用户问题 │ └────┬─────┘ ↓ ┌──────────┐ │ Embedding│ ← 变成向量 └────┬─────┘ ↓ ┌──────────┐ │ 向量数据库│ ← 检索相关文档 └────┬─────┘ ↓ ┌──────────┐ │ 组装Prompt│ ← 问题+文档 └────┬─────┘ ↓ ┌──────────┐ │ LLM │ ← 生成答案 └────┬─────┘ ↓ ┌──────────┐ │ 返回答案 │ └──────────┘六、名词速查表
| 缩写 | 全称 | 人话 |
|---|---|---|
| LLM | Large Language Model | 大语言模型 |
| AI | Artificial Intelligence | 人工智能 |
| AGI | Artificial General Intelligence | 像人一样聪明的AI |
| NLP | Natural Language Processing | 自然语言处理 |
| GPT | Generative Pre-trained Transformer | 生成式预训练模型 |
| API | Application Programming Interface | 程序接口 |
| Token | - | 文字计量单位 |
| Prompt | - | 给AI的指令 |
| Agent | - | 能自主行动的AI |
| RAG | Retrieval-Augmented Generation | 先查后答 |
| Embedding | - | 文字变坐标 |
| Fine-tuning | - | 给AI特训 |
| Temperature | - | 创造力开关 |
| Hallucination | - | AI胡说八道 |
七、学习路径
第一阶段：会用 ↓ 会写 Prompt，会调温度 第二阶段：会做 ↓ 搞懂 Agent、RAG 能做什么 第三阶段：理解原理 ↓ 搞懂大模型怎么工作 第四阶段：深度应用 ↓ Fine-tuning、架构设计八、Claude Code 是什么？
重点来了！Claude Code 就是 Agent 的一种实现
┌─────────────────────────────────────────────────┐ │ Claude Code │ ├─────────────────────────────────────────────────┤ │ 🧠 LLM 大脑（Claude） │ │ 理解你的需求，生成代码 │ ├─────────────────────────────────────────────────┤ │ 🔧 工具集（Tools） │ │ 读写文件、执行命令、搜索代码 │ ├─────────────────────────────────────────────────┤ │ 📝 记忆（Memory） │ │ 记住项目上下文、之前的操作 │ ├─────────────────────────────────────────────────┤ │ 🎯 规划（Planning） │ │ 自动拆解任务步骤 │ └─────────────────────────────────────────────────┘简单说：Claude Code = Claude（会思考）+ 工具（会执行）
记住这三句话
- LLM= 超级文字接龙高手
- Agent= 大脑 + 手脚（能自主干活）
- Claude Code= 你的专属 Agent 程序员
（文档1·完）后续更新文档2：Claude Code 实战方法论