AI 基础概念卡片
AI 基础概念整理
1. LLM（Large Language Model）
一句话解释
LLM 本质上是通过大量文本训练出来的语言预测模型，能够理解和生成自然语言。
具体例子
比如 ChatGPT、Claude、Gemini、GLM。
我输入：
“帮我写一个 Python 爬虫”
它会根据训练数据生成对应代码。
常见误区 / 边界
很多人以为 LLM “真正理解”世界，但实际上它更像是：
“根据上下文预测最可能输出”。
所以它会：
幻觉（Hallucination）
编造信息
写出看似合理但错误的代码
因此不能无条件相信输出。
2. Prompt
一句话解释
Prompt 就是给 AI 的任务指令和上下文。
具体例子
同样是写代码：
普通 Prompt：
“帮我写登录功能”
更明确的 Prompt：
“用 Java Spring Boot 写 JWT 登录接口，并返回完整 API 示例”
后者通常效果更稳定。
常见误区 / 边界
很多人觉得 Prompt 就是“提问技巧”。
但实际上 Prompt 更像：
任务定义
角色设定
输出约束
上下文管理
如果需求本身模糊，再高级 Prompt 也很难救。
3. Context Window（上下文窗口）
一句话解释
Context Window 是模型一次能读取和“记住”的内容范围。
具体例子
如果一个 Agent：
聊天记录太长
日志太多
文件过大
模型可能会：
忘记前面的内容
丢失关键上下文
所以很多 Agent 系统会做：
Summary
RAG
Memory 压缩
常见误区 / 边界
很多人以为：
“模型上下文越长越好”。
但实际上：
长上下文成本高
注意力会分散
关键内容可能被稀释
上下文管理本身就是 Agent 的核心问题之一。
4. Workflow
一句话解释
Workflow 是固定步骤的 AI 自动化流程。
具体例子
例如：
用户提问
→ AI 判断问题类型
→ 调用搜索工具
→ 总结结果
→ 输出答案
整个流程是提前设计好的。
常见误区 / 边界
很多人把 Workflow 和 Agent 混在一起。
但 Workflow 通常：
路径固定
可预测
不具备真正自主决策
它更像“自动化流水线”。
5. Agent
一句话解释
Agent 是能够自主拆任务、调用工具并循环执行的 AI 系统。
具体例子
比如：
“帮我分析一个 Web3 项目”
Agent 可能会：
自动搜索资料
阅读官网
总结 Tokenomics
对比竞品
输出报告
而不是只回答一句话。
常见误区 / 边界
很多产品会把：
“普通聊天 + 工具调用”
直接包装成 Agent。
但真正 Agent 通常需要：
Planning
Memory
Tool Use
Reflection
多步执行
否则只是增强版 ChatBot。
6. Tool Use（工具调用）
一句话解释
Tool Use 是让 AI 调用外部工具来获得真实执行能力。
具体例子
例如 AI：
调用浏览器搜索
查询数据库
执行 Shell 命令
调用钱包 API
发起链上交易
这些都属于 Tool Use。
常见误区 / 边界
LLM 本身并不会真正：
上网
转账
运行代码
它只是“决定是否调用工具”。
真正执行动作的是外部系统。
7. AI Coding
一句话解释
AI Coding 是使用 AI 辅助甚至主导软件开发。
具体例子
像：
Cursor
Claude Code
Codex
都可以：
写代码
Debug
重构
自动生成项目结构
现在很多开发已经变成：
“人负责目标，AI 负责大量执行”。
常见误区 / 边界
很多人会误以为：
“AI 能完全替代程序员”。
但目前 AI 最大问题是：
缺少真正业务理解
容易生成错误代码
长项目维护能力有限
所以现阶段更像：
“高级协作工具”。
8. Guardrails（护栏 / 安全约束）
一句话解释
Guardrails 是限制 AI 行为范围的安全机制。
具体例子
例如一个链上 Agent：
单笔交易不能超过 100 USDC
禁止调用未知合约
必须二次确认权限升级
这些都属于 Guardrails。
常见误区 / 边界
很多人以为：
“Prompt 里写禁止即可”。
但真正安全系统不能只靠 Prompt。
因为模型：
可能被 Prompt Injection 攻击
可能误判
可能绕过规则
所以 Guardrails 往往需要：
权限系统
Sandbox
Policy Engine
Human Review
共同完成。
9. Tracing（链路追踪）
一句话解释
Tracing 是记录 AI 执行过程的观察与调试机制。
具体例子
一个 Agent 完成任务时：
为什么调用这个工具
调用了哪些 API
哪一步失败
Token 消耗多少
都可以通过 Tracing 查看。
常见误区 / 边界
很多人只关注“最终结果”。
但 Agent 系统真正难的是：
“中间过程不可观测”。
没有 Tracing：
很难 Debug
很难优化 Prompt
很难定位错误来源
10. Human-in-the-loop（人在回路中）
一句话解释
Human-in-the-loop 指 AI 执行关键动作时仍需要人类参与确认。
具体例子
比如 AI Agent：
可以自动生成交易
但真正签名前需要用户确认
或者：
AI 先生成代码
开发者再 Review 合并
常见误区 / 边界
很多人追求“全自动 Agent”。
但现实里：
AI 可能误操作
可能被骗
可能理解错误目标
所以在高风险场景：
金融
钱包
支付
链上执行
Human-in-the-loop 目前仍然非常重要。
我的阶段性理解
目前我对 AI × Web3 的理解是：
LLM 提供语言与推理能力，
Prompt 提供任务描述，
Tool Use 提供执行能力，
Workflow 提供固定流程，
Agent 提供自主决策，
Memory 和 Context 提供长期上下文，
Guardrails 与 Human-in-the-loop 提供安全控制，
Tracing 提供可观测性。
而 AI × Web3 的核心挑战之一，就是：
如何让 Agent 在拥有钱包、权限和支付能力之后，依然能够安全、可信、可控地执行任务。