简介:理解AI术语,关键不是背下定义,而是弄清每个概念解决什么问题、与其他概念如何关联。本文从人工智能、机器学习与深度学习的关系出发,串联大模型、训练、推理、提示词、检索增强生成与智能体,并结合前端及全栈开发场景,说明常见误区、技术边界和实践方法,帮助读者建立可用于学习、面试和技术选型的知识框架。
人工智能,简称AI,是研究和构建能够完成通常需要人类智能参与的任务的方法与系统的技术领域。这些任务包括识别图像、理解语言、预测结果、制定计划和生成内容等。
AI不是某一种软件,也不等于聊天机器人。聊天只是人工智能的一类交互形式,背后还可能包含语言模型、信息检索、业务规则、权限控制和工具调用等多个模块。
理解AI术语时,首先要区分三个层次:
许多初学者觉得术语混乱,并不是因为概念本身太难,而是因为把不同层次的词放在一起比较。例如,“深度学习”是一类技术方法,“大语言模型”是一类模型,“智能体”则通常是一种系统组织方式。它们不是相互替代的同类产品。
假设要判断一条留言是否属于垃圾信息,最直接的方法是编写规则:出现某些词语、短时间重复发布、包含异常字符,就进行拦截。
这种方法在规则明确时很有效,但现实情况往往复杂。表达方式会变化,同一句话在不同语境下也可能具有不同含义,人工规则很难覆盖所有情况。
机器学习就是为这类问题提供的一种方法:让模型根据数据学习规律,再利用这些规律处理未见过的数据。
这里有三个基础术语:
模型可以理解为一个具有可调整参数的计算系统。它接收输入,经过计算,给出分类、预测或生成结果。
例如,输入留言,输出垃圾信息的概率;输入历史交易数据,输出风险评分。模型不是数据库,不是把所有答案原样保存后再逐条查找。
参数决定模型如何处理输入。训练过程中,系统不断调整参数,使输出更符合训练目标。
参数量是描述模型规模的一个维度,但不能单独决定效果。数据质量、模型结构、训练方法以及任务适配程度,同样会影响结果。
训练是利用数据、目标函数和优化方法调整模型参数的过程;推理是使用训练后的模型,对新输入进行计算并产生输出的过程。
一个常见误解是“给模型发消息,它就自动学会了新知识”。通常情况下,一次对话只是推理时提供了额外上下文,并不意味着模型参数发生更新。系统是否保存对话、是否将数据用于后续训练,是另外的数据处理问题。
深度学习是机器学习的一类方法,通常使用多层神经网络学习数据表示。
传统机器学习往往需要开发者投入较多精力设计特征。例如,在图像识别中,人工提取颜色、边缘、纹理等信息。深度学习可以在训练过程中逐层学习适合任务的表示,减少对人工特征设计的依赖。
因此,几个基础概念可以这样理解:
人工智能是较大的研究与应用领域;机器学习是实现人工智能的重要方法之一;深度学习又是机器学习的重要分支。
不过,这不意味着所有AI系统都必须使用深度学习。规则系统、搜索算法、规划方法等,仍然可以在人工智能应用中发挥作用。实际业务系统也常常把多种方法组合使用。
“大模型”通常指参数规模、训练数据规模或计算投入较大的模型,但并不存在适用于所有任务和时代的统一规模门槛。
“大语言模型”则是以语言建模为核心、能够处理和生成文本的模型。许多生成式大语言模型通过预测后续文本单元等训练目标,从大量数据中学习语言模式及其中蕴含的知识关联。
它们之所以受到关注,是因为同一个模型能够通过不同任务指令完成摘要、问答、翻译、分类和内容生成等工作,减少了为每个任务单独训练模型的需求。
但必须注意:能够生成流畅的语言,不等于能够保证事实正确。
模型可能生成看似合理、实际错误的内容。这类现象通常被称为“幻觉”。它可能来自知识缺失、上下文理解偏差、不恰当的推断,也与生成目标不等同于事实验证有关。
因此,大语言模型适合作为语言处理与交互能力组件,而不应天然被视为权威事实来源。
词元,也常称为Token,是文本经过切分后形成的处理单位。一个词元可能对应一个字、一个词的一部分,或者某段符号,具体取决于所采用的切分方式。
不能简单认为“一个汉字等于一个词元”或“一个单词等于一个词元”。在估算输入长度、输出长度和资源消耗时,应以实际切分结果或相应统计方式为准。
上下文窗口是模型在一次处理过程中能够接收或利用的词元范围。任务指令、历史对话、参考材料,以及生成内容的预算,都可能受到上下文限制;具体计算方式与模型实现有关。
上下文窗口更长,不代表模型一定能准确利用全部材料。重复信息、相互矛盾的描述以及无关内容,都可能影响结果。
因此,优化上下文不只是“塞进更多资料”,还包括筛选、压缩、排序和标注来源。
提示词是提供给模型的任务说明、上下文、示例和输出要求等信息。
有效的提示词通常需要说明:
例如,“根据以下材料提取三条结论,并标注依据;材料未说明的内容请明确写出无法判断”,比单纯要求“认真回答”更容易评估和控制。
不过,提示词不是安全边界。权限、数据访问范围和高风险操作限制,不能只依靠自然语言约束。
当通用模型不能满足业务要求时,常见需求有两类:一类是缺少业务资料,另一类是输出行为不够符合任务要求。这对应了两条不同的改进路径。
检索增强生成通常简称RAG,其核心是在生成前检索外部资料,并把相关内容作为上下文提供给模型。
典型流程是:
用户提问 → 检索相关资料 → 筛选或排序 → 将资料交给模型 → 生成回答并提供依据。
它适合企业制度问答、技术文档查询、业务知识辅助等场景,尤其适用于资料经常更新、需要追溯来源的任务。
检索可以使用关键词匹配、向量检索或两者结合。向量表示,也称嵌入,是把文本等内容转换成数值向量,使系统能够根据表示之间的距离或相似度寻找相关内容。
需要强调,检索相似并不等于事实正确。资料本身过时、切分不合理、检索遗漏或权限过滤失效,都可能导致问题。
微调是在已有模型基础上,利用特定数据继续训练,以调整其任务表现。
它常用于改善特定表达风格、固定输出模式或某类任务能力,但并不能保证准确记住并随时更新大量业务事实。
可以用一个简单判断区分:
普通文本生成只能输出内容。如果希望系统查询库存、创建工单或进行计算,就需要接入外部工具。
工具调用是让模型输出结构化的调用请求,再由应用程序校验并执行相应操作,最后将结果返回给模型或用户。
关键点在于:模型提出调用请求,真正执行操作的是受控程序。
智能体通常指能够围绕目标,结合模型、状态、工具和反馈循环,选择并执行若干行动的系统。它不一定需要多个模型,也不等于简单增加一句“请分步思考”。
一个任务型系统可以按以下流程运行:
理解目标 → 选择行动 → 校验权限 → 执行工具 → 观察结果 → 决定继续或结束。
这种方式适合步骤不完全固定、需要根据中间结果调整行为的任务。但它也增加了延迟、成本和失败路径。对于流程明确的业务,预先编排的工作流往往更容易测试和维护。
以企业知识问答页面为例,完整链路并不是“输入框加模型接口”这么简单。
前端负责输入交互、消息展示、流式渲染、取消操作、错误反馈和引用来源展示。后端负责身份认证、权限过滤、检索编排、模型访问、限流和日志记录。模型则主要承担语言理解与回答生成。
其中几个问题尤其值得理解:
流式输出是在内容生成过程中逐步返回片段,通常能够改善等待体验。它不必然缩短完整回答的生成时间,也不保证每个传输片段都对应一个完整词元或句子。
前端需要处理内容分片、格式未闭合、请求中断以及用户主动取消等状态,而不能只考虑成功返回的情况。
要求模型输出固定字段,有助于系统集成,但不能因此省略校验。
应用仍需检查字段是否存在、类型是否正确、取值是否合法,以及是否违反业务约束。涉及资金、权限或外部写入时,还应增加独立校验与必要的人工确认。
敏感凭证应由受控服务保管。浏览器侧代码及网络请求可能被用户查看,把长期有效的模型访问凭证直接放在前端,会造成滥用与数据风险。
同时,检索权限必须在服务端执行。不能先把所有资料送给模型,再要求模型“不要泄露无权访问的信息”。
理解术语的最终目的,是能够做出合理判断,而不是在方案里使用更多名词。
评估时,至少应关注四类指标:
测试数据应尽量接近真实业务,包含常见问题、边界问题、错误输入和无法回答的问题。只展示少量成功示例,不能证明系统已经适合上线。
排查问题时,也应先定位链路:是资料缺失、检索错误、提示不清,还是模型能力不足、工具执行失败?不同原因需要不同改进措施。
搞懂AI术语,可以围绕三个问题展开:
第一,它为什么出现,解决了什么问题?
第二,它通过什么机制工作,与上下游概念有什么联系?
第三,它不能保证什么,落地时需要哪些配套措施?
沿着这条思路,机器学习解决从数据中学习规律的问题,深度学习提供学习复杂表示的方法,大语言模型提供通用语言处理能力,提示词组织任务输入,检索增强生成补充外部依据,微调调整模型行为,工具调用连接外部操作,智能体则将行动组织成带反馈的任务过程。
这些概念共同构成的是一张技术地图,而不是一份必须死记硬背的词汇表。能够说明一个概念在系统中的位置、输入输出及适用边界,才算真正理解了它。