---
title: "AI 词汇速查手册"
description: "从模型基础到 Agent 工程的一站式中英词汇速查：训练、推理、RAG、提示词、工具调用与开发范式，附知识体系总览与典型交互流程。"
pubDate: 2026-08-26
tags: ["ai", "llm", "agent", "glossary"]
---
## 📑 目录
- [使用说明](#使用说明)
- [知识体系总览](#知识体系总览)
- [典型交互流程](#典型交互流程)
**一、模型基础与核心概念**
- [1. 模型](#1-模型)
- [2. LLM](#2-llm)
- [3. AGI](#3-agi)
- [4. 神经网络](#4-神经网络)
- [5. 多模态](#5-多模态)
- [6. Token](#6-token)
- [7. Temperature](#7-temperature)
- [8. 上下文 / 上下文窗口](#8-上下文--上下文窗口)
- [9. AIGC](#9-aigc)
**二、模型训练、优化与硬件**
- [10. 训练](#10-训练)
- [11. 微调](#11-微调)
- [12. 蒸馏](#12-蒸馏)
- [13. 量化](#13-量化)
- [14. MoE](#14-moe)
- [15. GPU](#15-gpu)
**三、推理与生成策略**
- [16. CoT](#16-cot)
**四、数据表示与检索**
- [17. Embedding](#17-embedding)
- [18. Tokenizer 分词器](#18-tokenizer-分词器)
- [19. 向量数据库](#19-向量数据库)
- [20. RAG](#20-rag)
- [21. 知识库](#21-知识库)
- [22. 知识图谱](#22-知识图谱)
**五、提示词与上下文工程**
- [23. Prompt Engineering](#23-prompt-engineering)
- [24. System Prompt](#24-system-prompt)
- [25. Context Engineering](#25-context-engineering)
- [26. 记忆](#26-记忆)
- [27. Harness Engineering](#27-harness-engineering)
- [28. Loop Engineering](#28-loop-engineering)
- [29. Graph Engineering](#29-graph-engineering)
**六、Agent、工具调用与编排**
- [30. Agent](#30-agent)
- [31. Function Call](#31-function-call)
- [32. Tool Calling](#32-tool-calling)
- [33. Skill](#33-skill)
- [34. Workflow / 工作流](#34-workflow--工作流)
- [35. 插件](#35-插件)
- [36. Agent SDK](#36-agent-sdk)
- [37. LangChain](#37-langchain)
- [38. MCP](#38-mcp)
- [39. DeepAgent](#39-deepagent)
- [40. OpenClaw](#40-openclaw)
- [41. Hermes-Agent](#41-hermes-agent)
- [42. WorkBuddy](#42-workbuddy)
**七、开发工具与工程范式**
- [43. CLI](#43-cli)
- [44. npm](#44-npm)
- [45. Vibe Coding](#45-vibe-coding)
- [46. Trae](#46-trae)
- [47. Codex](#47-codex)
**八、模型产品与平台**
- [48. OpenAI](#48-openai)
- [49. ChatGPT](#49-chatgpt)
- [50. DeepSeek](#50-deepseek)
- [51. GLM](#51-glm)
- [52. Kimi](#52-kimi)
- [53. Qwen](#53-qwen)
- [54. Claude](#54-claude)
- [55. GPT](#55-gpt)
- [56. Gemini](#56-gemini)
- [57. Sora](#57-sora)
- [58. 豆包](#58-豆包)
- [59. 阿里通义](#59-阿里通义)
- [60. 百度文心](#60-百度文心)
- [61. MiniMax](#61-minimax)
- [62. Seed](#62-seed)
- [63. Manus](#63-manus)
- [64. Ollama](#64-ollama)
- [65. Chatbox](#65-chatbox)
- [66. 小龙虾](#66-小龙虾)
**附录：快速关系主线**
- [知识分层](#知识分层)
- [核心数据流](#核心数据流)
***
## 使用说明
- 每个词条按 **What / How / Why / 关联** 四要素展开，格式统一，便于阅读和新增。
- 可直接复制到 Notion、Obsidian、飞书、Typora 等支持 Markdown 的编辑器。
- 新增词条时，复制任意词条模板，保持四要素即可。
- 文档中的关系图仅作示例，实际使用中可选择性保留。
***
## 知识体系总览
```mermaid
flowchart TD
subgraph 核心层
A[模型 / LLM]
end
subgraph 训练与优化
B1[训练 / 微调 / 蒸馏 / 量化 / MoE / GPU]
end
subgraph 数据与知识
C1[Embedding / 向量数据库 / RAG / 知识库 / 知识图谱]
end
subgraph 上下文与提示
D1[Prompt Engineering / Context Engineering / 记忆 / System Prompt]
end
subgraph 智能体与工具
E1[Agent / Function Call / Tool Calling / MCP / Workflow / Skill]
end
subgraph 开发工具
F1[CLI / npm / Vibe Coding / Trae / Codex]
end
subgraph 产品与平台
G1[ChatGPT / DeepSeek / Qwen / Claude / 豆包等]
end
A --> B1
A --> C1
A --> D1
C1 --> D1
D1 --> E1
E1 --> F1
F1 --> G1
```
***
## 典型交互流程
```mermaid
flowchart LR
subgraph 用户层
U[用户输入]
end
subgraph 上下文与提示
P[Prompt / System Prompt]
CE[Context Engineering]
end
subgraph 数据与知识
K[记忆 / 知识库]
end
subgraph 智能体与工具
A[Agent]
T[Tool Calling / MCP]
end
subgraph 核心层
M[模型 / LLM]
end
subgraph 训练与优化
H[GPU / 训练 / 量化]
end
subgraph 输出层
O[输出]
end
U --> P
P --> CE
CE --> A
CE --> K
A --> T
T --> M
K --> M
M --> O
H -.算力与效率支撑.-> M
```
***
## 一、模型基础与核心概念
## 1. 模型
### What（是什么）
一种通过数据训练得到的可计算系统，能对输入进行预测、分类或生成。
**通俗理解**：它像一个“学到的函数” `y = f(x)`，输入图片输出“猫”，输入一段话输出下一句。
### How（怎么工作）
- **训练阶段**：用大量数据调整模型参数，让输出不断逼近真实答案。
- **推理阶段**：输入文本/图像 → 向量化 → 神经网络逐层计算 → 输出结果。
- **调用方式**：通过 API 调用，或本地加载模型权重进行推理。
### Why（为什么重要）
把复杂问题抽象为参数化模型，让同一套算法适配不同任务；减少人工规则，具备泛化能力，便于复用和优化。
### 🔗 关联
- [神经网络](#4-神经网络)（结构基础）
- [LLM](#2-llm)（大规模实例）
- [训练](#10-训练) / [微调](#11-微调) / [蒸馏](#12-蒸馏) / [量化](#13-量化)（优化与部署）
***
## 2. LLM
### What（是什么）
大语言模型（Large Language Model），专门处理和生成自然语言的大规模神经网络。
**通俗理解**：一个读了很多书、能跟你对话的“超级大脑”。
### How（怎么工作）
- 用户输入提示词（Prompt）。
- 模型将文本切分为 token，逐 token 预测下一个词，循环生成完整回复。
- 通过 API 或本地部署调用，支持对话、代码生成、工具调用等。
### Why（为什么重要）
用海量文本预训练，获得多任务语言能力，减少每个场景单独训练的成本；是当前 AI 应用的核心引擎。
### 🔗 关联
- [模型](#1-模型)（具体实现）
- [Agent](#30-agent)（上层智能体）
- [RAG](#20-rag)（外部知识接入）
- [Prompt Engineering](#23-prompt-engineering)（输入优化）
- [Function Call](#31-function-call)（工具调用）
***
## 3. AGI
### What（是什么）
通用人工智能，指能理解、学习并完成任何人类智力任务的 AI 系统。
**通俗理解**：像人一样什么都能学会、什么都能做的 AI。
### How（怎么实现）
当前无成熟实现；通过扩展多模态、推理、记忆、工具使用等能力逐步逼近。方向包括：更大规模模型、强化学习、世界模型、Agent 自主性等。
### Why（为什么重要）
作为长期目标，牵引模型架构、训练方法和 Agent 生态的发展方向；衡量 AI 进展的终极标尺。
### 🔗 关联
- [Agent](#30-agent)（自主任务执行）
- [多模态](#5-多模态)（感知扩展）
- [记忆](#26-记忆)（知识保留）
- [Context Engineering](#25-context-engineering)（上下文管理）
***
## 4. 神经网络
### What（是什么）
受生物神经元启发的计算结构，由多层节点和可学习权重组成。
**通俗理解**：许多简单计算单元连接成网，通过调整连接强度来学习规律。
### How（怎么工作）
- 输入数据逐层变换，每层提取不同特征。
- 计算输出与真实值的误差，通过反向传播更新权重。
- 重复迭代，直到误差足够小。
### Why（为什么重要）
提供可微、可扩展的函数逼近器，是深度学习的数学基础；支撑几乎所有现代 AI 模型。
### 🔗 关联
- [模型](#1-模型)（核心结构）
- [训练](#10-训练)（参数优化）
- [GPU](#15-gpu)（加速计算）
- [MoE](#14-moe)（特殊架构）
***
## 5. 多模态
### What（是什么）
模型能同时理解或生成文本、图像、音频、视频等多种信息形式。
**通俗理解**：既能看、又能听、还能说，跨媒介理解。
### How（怎么工作）
- 不同模态分别编码（如图像用 ViT，文本用 Transformer）。
- 映射到统一表示空间，由同一模型联合推理。
- 支持跨模态生成（如文→图、文→视频）。
### Why（为什么重要）
现实世界是多模态的，单模态模型无法覆盖完整场景；多模态能力让 AI 更接近人类感知。
### 🔗 关联
- [Embedding](#17-embedding)（统一表示）
- [Tokenizer](#18-tokenizer-分词器)（输入切分）
- [AIGC](#9-aigc)（内容生成）
- [Sora](#57-sora) / [豆包](#58-豆包)（多模态产品）
***
## 6. Token
### What（是什么）
模型处理文本的最小单位，可能是词、子词或字符。
**通俗理解**：把一句话切成小积木块，每个块是一个 token。
### How（怎么工作）
- 输入先被分词器（Tokenizer）切成 token。
- 每个 token 映射为一个数字 ID。
- 模型按 token 逐个生成输出，再解码还原为文本。
### Why（为什么重要）
统一文本表示方式，在词表大小和语义粒度之间取得平衡；直接决定上下文长度和成本。
### 🔗 关联
- [Tokenizer 分词器](#18-tokenizer-分词器)（切分工具）
- [上下文窗口](#8-上下文--上下文窗口)（容量单位）
- [Temperature](#7-temperature)（生成控制）
- [LLM](#2-llm)（输入输出基础）
***
## 7. Temperature
### What（是什么）
生成模型的一个采样参数，用来控制输出的随机性/创造性。
**通俗理解**：模型的“冒险程度”——越低越保守，越高越天马行空。
### How（怎么工作）
- **调低温度（如 0.1）**：模型倾向选择概率最高的 token，输出稳定、保守。
- **调高温度（如 0.8）**：模型更可能选择低概率 token，输出多样、发散。
- 不同任务选择不同温度：代码生成用低温度，创意写作用高温度。
### Why（为什么重要）
同一模型适配不同任务场景；通过一个参数即可平衡确定性与创造性，无需重新训练。
### 🔗 关联
- [Token](#6-token)（采样单位）
- [Prompt Engineering](#23-prompt-engineering)（任务适配）
- [模型](#1-模型)（推理参数）
***
## 8. 上下文 / 上下文窗口
### What（是什么）
上下文是模型当前可见的输入信息；上下文窗口是模型一次能处理的最大 token 数量。
**通俗理解**：模型“工作记忆”的容量，一次能记住多少字。
### How（怎么工作）
- 将系统提示、历史对话、检索资料拼接后输入模型。
- 若超过窗口长度，可裁剪、摘要或使用检索（RAG）只保留关键信息。
- 模型基于窗口内的信息生成回复。
### Why（为什么重要）
让模型理解当前任务背景；但受算力和注意力限制，需要窗口管理，否则容易丢失关键信息。
### 🔗 关联
- [Context Engineering](#25-context-engineering)（窗口管理）
- [记忆](#26-记忆)（长期信息）
- [RAG](#20-rag)（按需检索）
- [知识库](#21-知识库)（外部知识）
***
## 9. AIGC
### What（是什么）
AI Generated Content，泛指由 AI 自动生成文本、图像、音视频等内容。
**通俗理解**：AI 帮你写文案、画图、做视频。
### How（怎么工作）
- 用户输入提示（Prompt）描述需求。
- 模型根据提示生成对应内容（文本/图像/视频）。
- 可通过 API 或产品（如 ChatGPT、豆包、Sora）直接使用。
### Why（为什么重要）
把模型生成能力产品化，显著降低内容创作门槛；推动创意产业效率提升。
### 🔗 关联
- [多模态](#5-多模态)（生成基础）
- [Sora](#57-sora)（视频生成）
- [ChatGPT](#49-chatgpt)（文本生成）
- [豆包](#58-豆包)（综合产品）
***
## 二、模型训练、优化与硬件
## 10. 训练
### What（是什么）
通过大量数据和优化算法调整模型参数，使其具备某种能力的过程。
**通俗理解**：像学生刷题，做多了就会了。
### How（怎么工作）
- 准备数据集（输入-输出对）。
- 定义损失函数衡量预测误差。
- 选择优化器（如 Adam），在 GPU 集群上多轮迭代更新参数。
### Why（为什么重要）
让随机初始化的网络学会从输入到输出的映射，是所有模型能力来源；训练质量决定模型上限。
### 🔗 关联
- [神经网络](#4-神经网络)（优化对象）
- [GPU](#15-gpu)（计算硬件）
- [微调](#11-微调)（继续训练）
- [蒸馏](#12-蒸馏) / [量化](#13-量化)（训练后优化）
***
## 11. 微调
### What（是什么）
在预训练模型基础上，用少量特定领域数据继续训练。
**通俗理解**：让一个已经博学的模型再学一点专业知识。
### How（怎么工作）
- 选择预训练模型（如 Qwen、DeepSeek）。
- 准备垂直领域数据集。
- 使用 LoRA 等参数高效方法，小幅更新权重，避免灾难性遗忘。
### Why（为什么重要）
避免从零训练的高成本，让通用模型快速适配垂直场景；企业落地的主要路径。
### 🔗 关联
- [训练](#10-训练)（基础方法）
- [模型](#1-模型)（微调对象）
- [蒸馏](#12-蒸馏) / [量化](#13-量化)（部署优化）
***
## 12. 蒸馏
### What（是什么）
用大模型（教师）的知识训练小模型（学生），实现模型压缩。
**通俗理解**：老师把解题思路教给学生，学生变小但能力接近。
### How（怎么工作）
- 让大模型输出软标签（概率分布）或中间表示。
- 小模型拟合这些输出，而不是只学硬标签。
- 小模型获得接近大模型的能力，但参数更少、速度更快。
### Why（为什么重要）
降低推理成本、提升速度，便于部署到端侧或高并发环境；实现“大模型训、小模型跑”。
### 🔗 关联
- [量化](#13-量化)（另一种压缩）
- [模型](#1-模型)（教师/学生）
- [训练](#10-训练)（优化过程）
- [GPU](#15-gpu)（部署硬件）
***
## 13. 量化
### What（是什么）
将模型权重从高精度数值（如 FP32）转换为低精度（如 INT8/INT4）表示。
**通俗理解**：把高清图片压成小尺寸，看起来差不多但省空间。
### How（怎么工作）
- **训练后量化**：直接转换权重精度，可能损失少量精度。
- **量化感知训练**：训练时模拟量化，减少精度损失。
- 推理时使用低精度计算，减少显存占用和计算量。
### Why（为什么重要）
减少显存占用、加快推理，让大模型可在消费级硬件或移动端运行；降低部署门槛。
### 🔗 关联
- [蒸馏](#12-蒸馏)（同属压缩）
- [GPU](#15-gpu)（硬件适配）
- [Ollama](#64-ollama)（本地部署工具）
- [模型](#1-模型)（优化对象）
***
## 14. MoE
### What（是什么）
混合专家模型（Mixture of Experts），由多个专家子网络组成，每次只激活部分专家。
**通俗理解**：一个团队里有很多专家，每次只叫最相关的几个人干活，省时省力。
### How（怎么工作）
- 路由器（Router）根据输入选择 top-k 个专家。
- 仅激活被选中的专家进行计算。
- 聚合专家输出得到最终结果。
### Why（为什么重要）
在保持大参数容量的同时降低每次推理的计算量；提高模型容量和效率的平衡。
### 🔗 关联
- [模型](#1-模型)（架构变体）
- [训练](#10-训练)（专家路由训练）
- [蒸馏](#12-蒸馏) / [量化](#13-量化)（压缩部署）
***
## 15. GPU
### What（是什么）
图形处理器，因其大规模并行计算能力成为 AI 训练和推理的核心硬件。
**通俗理解**：比 CPU 多上千个小核心，同时算很多矩阵乘法，特别适合 AI。
### How（怎么工作）
- 将神经网络中的矩阵运算分配到数千个核心上并行执行。
- 使用 CUDA 等框架管理并行计算。
- 加速前向传播和反向传播，缩短训练/推理时间。
### Why（为什么重要）
AI 计算以矩阵乘法为主，CPU 串行效率低，GPU 并行效率高；没有 GPU 就没有现代大模型。
### 🔗 关联
- [训练](#10-训练)（计算需求）
- [微调](#11-微调)（仍需 GPU）
- [蒸馏](#12-蒸馏) / [量化](#13-量化)（部署目标）
- [模型](#1-模型)（运行硬件）
***
## 三、推理与生成策略
## 16. CoT
### What（是什么）
Chain of Thought，思维链提示，让模型展示中间推理步骤。
**通俗理解**：让模型“把思考过程说出来”，而不是直接报答案。
### How（怎么工作）
- 在提示词中加入“请一步步思考”或给出带推理过程的示例。
- 模型生成中间步骤，再给出最终答案。
- 可配合 Self-Consistency 多次采样取多数结果。
### Why（为什么重要）
复杂推理任务直接生成答案容易出错，中间步骤能提高逻辑准确性；激发模型潜在推理能力。
### 🔗 关联
- [Prompt Engineering](#23-prompt-engineering)（提示技巧）
- [Context Engineering](#25-context-engineering)（上下文设计）
- [Agent](#30-agent)（推理循环）
- [Temperature](#7-temperature)（控制发散）
***
## 四、数据表示与检索
## 17. Embedding
### What（是什么）
将文本/图像等映射为固定长度向量，使语义相近的对象在向量空间中距离更近。
**通俗理解**：给每段文字一个“坐标”，意思相近的坐标靠得近。
### How（怎么工作）
- 通过嵌入模型（如 BGE、OpenAI Embedding）生成向量。
- 将向量存入向量数据库。
- 查询时用余弦相似度等指标检索最相近的向量。
### Why（为什么重要）
让机器能计算“相似性”，支撑检索、聚类、推荐和 RAG；是语义搜索的基础。
### 🔗 关联
- [向量数据库](#19-向量数据库)（存储检索）
- [RAG](#20-rag)（知识注入）
- [知识库](#21-知识库)（内容来源）
- [Tokenizer](#18-tokenizer-分词器)（前置处理）
***
## 18. Tokenizer 分词器
### What（是什么）
将原始文本切分成 token 并映射为模型可处理 ID 的组件。
**通俗理解**：把句子切成小块，再给每个块编号，模型只认编号。
### How（怎么工作）
- 使用 BPE（字节对编码）等算法构建词表。
- 推理时把输入文本编码为 token ID 序列。
- 模型输出 ID 后，用同一词表解码还原为文本。
### Why（为什么重要）
把自然语言转成模型能计算的数字序列，同时控制词表大小，平衡语义粒度和计算效率。
### 🔗 关联
- [Token](#6-token)（切分结果）
- [上下文窗口](#8-上下文--上下文窗口)（token 容量）
- [Embedding](#17-embedding)（后续处理）
- [模型](#1-模型)（输入输出接口）
***
## 19. 向量数据库
### What（是什么）
专门存储和检索高维向量的数据库，支持相似度搜索。
**通俗理解**：一个能快速找到“最相近向量”的仓库。
### How（怎么工作）
- 将 Embedding 向量写入库中，建立索引（如 HNSW）。
- 查询时用最近邻算法（ANN）返回最相似的 top-k 个结果。
- 常用于 RAG 的检索阶段。
### Why（为什么重要）
传统数据库不适合高维向量相似度计算，向量库优化了召回速度和准确率；是 RAG 和语义搜索的核心组件。
### 🔗 关联
- [Embedding](#17-embedding)（数据来源）
- [RAG](#20-rag)（检索步骤）
- [知识库](#21-知识库)（存储内容）
- [记忆](#26-记忆)（长期存储）
***
## 20. RAG
### What（是什么）
检索增强生成，先检索外部知识，再让模型基于检索结果生成回答。
**通俗理解**：让模型“开卷考试”，先查资料再回答。
### How（怎么工作）
- 用户提问 → 嵌入查询 → 向量数据库检索相关文档。
- 把检索结果拼进提示词（Prompt）。
- 模型基于上下文生成最终回答，可附引用来源。
### Why（为什么重要）
弥补模型知识截止、易幻觉、无法访问私有数据的问题；让模型回答可溯源、更准确。
### 🔗 关联
- [Embedding](#17-embedding)（查询向量化）
- [向量数据库](#19-向量数据库)（检索）
- [知识库](#21-知识库)（知识来源）
- [上下文窗口](#8-上下文--上下文窗口)（拼接限制）
- [LLM](#2-llm)（生成器）
***
## 21. 知识库
### What（是什么）
存储结构化或非结构化信息的集合，供模型检索或引用。
**通俗理解**：给模型配一个专属资料库，随时查阅。
### How（怎么工作）
- 文档切块（Chunking）→ 嵌入（Embedding）→ 存入向量库。
- 查询时检索相关内容注入模型。
- 可定期更新，保持知识新鲜度。
### Why（为什么重要）
让模型能基于企业/个人私有知识回答，且知识可随时更新；解决模型通用知识不足的问题。
### 🔗 关联
- [RAG](#20-rag)（使用方式）
- [向量数据库](#19-向量数据库)（存储）
- [Embedding](#17-embedding)（向量化）
- [知识图谱](#22-知识图谱)（结构化变体）
***
## 22. 知识图谱
### What（是什么）
以“实体-关系-实体”三元组组织的结构化知识网络。
**通俗理解**：像一张网，节点是事物，连线是它们的关系。
### How（怎么工作）
- 构建三元组，如（张三，任职于，某公司）。
- 查询实体关系和属性，可转为文本或图结构供模型使用。
- 可与 RAG 结合，提供精确、可解释的知识。
### Why（为什么重要）
比纯文本更精确地表达复杂关系，适合推理和溯源；减少模型幻觉，提升逻辑一致性。
### 🔗 关联
- [知识库](#21-知识库)（另一种形式）
- [RAG](#20-rag)（知识注入）
- [Embedding](#17-embedding)（可与图嵌入结合）
- [Agent](#30-agent)（推理参考）
***
## 五、提示词与上下文工程
## 23. Prompt Engineering
### What（是什么）
设计、优化提示词以让模型稳定输出期望结果的工程方法。
**通俗理解**：学会“怎么问”，让 AI 更听话。
### How（怎么工作）
- 角色设定：告诉模型“你是谁”。
- 提供示例（Few-shot）或约束条件。
- 指定输出格式（JSON、Markdown 等）。
- 迭代测试，根据结果调整提示词。
### Why（为什么重要）
模型能力上限高但不稳定，好的提示词能显著提升任务完成质量；是当前最基础的调优手段。
### 🔗 关联
- [System Prompt](#24-system-prompt)（固定提示）
- [Context Engineering](#25-context-engineering)（上下文管理）
- [CoT](#16-cot)（推理提示）
- [LLM](#2-llm)（作用对象）
***
## 24. System Prompt
### What（是什么）
在对话开始时注入的系统级提示，定义模型角色、规则和输出风格。
**通俗理解**：给 AI 的“员工守则”，一开始就告诉它该怎么做。
### How（怎么工作）
- 在 API 调用或产品中设置 System Prompt，作为第一段高优先级上下文。
- 内容可包含角色、边界、回答风格、禁止事项等。
- 用户输入会拼接在 System Prompt 之后。
### Why（为什么重要）
把用户提示与系统约束分离，便于版本管理和安全控制；保证模型行为一致。
### 🔗 关联
- [Prompt Engineering](#23-prompt-engineering)（设计方法）
- [上下文](#8-上下文--上下文窗口)（位置）
- [Context Engineering](#25-context-engineering)（整体管理）
***
## 25. Context Engineering
### What（是什么）
围绕“模型能看到什么信息”进行设计、裁剪、排序和更新。
**通俗理解**：决定给模型看什么、不看什么、先看什么。
### How（怎么工作）
- 管理系统提示、历史消息、检索结果、工具结果在上下文窗口中的组合。
- 根据重要性排序，必要时摘要或压缩旧信息。
- 动态更新上下文，保持信息新鲜和相关性。
### Why（为什么重要）
上下文是模型推理的边界，好的上下文工程比单纯扩大窗口更重要；直接影响回答质量。
### 🔗 关联
- [上下文窗口](#8-上下文--上下文窗口)（容量）
- [记忆](#26-记忆)（长期信息）
- [RAG](#20-rag)（检索结果）
- [System Prompt](#24-system-prompt)（固定部分）
- [Harness Engineering](#27-harness-engineering)（工程化）
***
## 26. 记忆
### What（是什么）
让 AI 在会话内或跨会话保留信息的能力。
**通俗理解**：让 AI 记住你上次说过什么，不再“失忆”。
### How（怎么工作）
- **短期记忆**：直接存当前上下文窗口内。
- **长期记忆**：写入向量库或数据库，需要时检索注入。
- **记忆管理**：定期总结、遗忘或更新，避免上下文膨胀。
### Why（为什么重要）
没有记忆的模型像“失忆的专家”，无法提供连续个性化服务；是 Agent 长期运行的基础。
### 🔗 关联
- [向量数据库](#19-向量数据库)（存储）
- [知识库](#21-知识库)（类似概念）
- [Context Engineering](#25-context-engineering)（注入方式）
- [Agent](#30-agent)（自主记忆）
***
## 27. Harness Engineering
### What（是什么）
围绕模型构建可测试、可观测、可控制的外层工程框架。
**通俗理解**：给模型装上“安全带”和“仪表盘”，让它可靠地上路。
### How（怎么工作）
- 搭建评估、日志、回放、缓存、兜底等模块。
- 把模型调用包装成可靠服务，处理超时、异常、降级。
- 持续监控和优化，确保生产环境稳定。
### Why（为什么重要）
模型输出有不确定性，需要工程手段约束和验证，才能上线生产；降低风险。
### 🔗 关联
- [Context Engineering](#25-context-engineering)（输入管理）
- [Prompt Engineering](#23-prompt-engineering)（输出控制）
- [Agent](#30-agent)（复杂系统）
- [Workflow](#34-workflow--工作流)（流程控制）
***
## 28. Loop Engineering
### What（是什么）
设计“模型生成 → 外部反馈 → 再次生成”的循环流程。
**通俗理解**：让 AI 自己检查、自己改，直到做好为止。
### How（怎么工作）
- 模型生成初步结果（如代码、方案）。
- 外部环境给出反馈（运行报错、工具失败、用户评价）。
- 将反馈回给模型，模型修正后再次生成，设置退出条件（如最大循环次数）。
### Why（为什么重要）
单次生成往往不够，闭环迭代能明显提升最终产出质量；实现自动纠错。
### 🔗 关联
- [Agent](#30-agent)（循环核心）
- [Tool Calling](#32-tool-calling)（外部反馈）
- [Workflow](#34-workflow--工作流)（固定循环）
- [Harness Engineering](#27-harness-engineering)（工程保障）
***
## 29. Graph Engineering
### What（是什么）
用图结构设计模型调用、工具依赖、数据流向和决策路径。
**通俗理解**：把复杂任务画成流程图，节点是步骤，线是依赖关系。
### How（怎么工作）
- 将任务拆解为节点（模型调用、工具调用、数据处理）。
- 定义边（依赖、条件、循环）。
- 按图执行，可并行、分支、循环。
### Why（为什么重要）
复杂 Agent/工作流难以用线性流程表达，图结构更清晰、可维护；支持更复杂的业务逻辑。
### 🔗 关联
- [Workflow](#34-workflow--工作流)（图的一种实现）
- [Agent](#30-agent)（执行主体）
- [Loop Engineering](#28-loop-engineering)（图上的循环）
- [Harness Engineering](#27-harness-engineering)（整体框架）
***
## 六、Agent、工具调用与编排
## 30. Agent
### What（是什么）
能自主规划、调用工具、观察反馈并完成目标的智能体。
**通俗理解**：一个能自己拆解任务、使用工具、完成目标的 AI 助手。
### How（怎么工作）
- 接收用户目标，进行任务规划。
- 在循环中思考下一步，调用 Function Call / Tool Calling。
- 根据工具结果继续推理，直到完成目标或达到终止条件。
### Why（为什么重要）
让模型从“被动问答”变为“主动执行”，能落地复杂任务；是未来 AI 应用的主要形态。
### 🔗 关联
- [Function Call](#31-function-call)（调用手段）
- [Tool Calling](#32-tool-calling)（同义/扩展）
- [Workflow](#34-workflow--工作流)（固定流程）
- [Agent SDK](#36-agent-sdk)（开发框架）
- [记忆](#26-记忆)（状态保持）
***
## 31. Function Call
### What（是什么）
模型输出结构化指令以调用外部函数/API 的能力。
**通俗理解**：模型告诉程序“调用这个函数，参数是这些”。
### How（怎么工作）
- 在 API 中定义函数签名、描述和参数。
- 模型根据用户输入决定是否调用，返回函数名和参数 JSON。
- 程序执行函数，把结果返回给模型继续对话。
### Why（为什么重要）
让模型与外部系统交互，突破纯文本生成的限制；实现自动化操作。
### 🔗 关联
- [Tool Calling](#32-tool-calling)（通用说法）
- [插件](#35-插件)（生态化）
- [Agent](#30-agent)（核心能力）
- [MCP](#38-mcp)（标准化协议）
***
## 32. Tool Calling
### What（是什么）
模型调用外部工具（搜索、代码执行、数据库查询等）的通用说法。
**通俗理解**：模型会用“工具”了，比如查天气、算数学、读文件。
### How（怎么工作）
- 在提示词/接口中描述可用工具及其参数。
- 模型选择工具并生成调用参数。
- 程序执行工具，返回结果给模型。
### Why（为什么重要）
扩展模型能力边界，用工具弥补知识、计算和实时性不足；是 Agent 执行任务的基础。
### 🔗 关联
- [Function Call](#31-function-call)（实现方式）
- [插件](#35-插件)（工具生态）
- [Agent](#30-agent)（调用主体）
- [Workflow](#34-workflow--工作流)（编排）
***
## 33. Skill
### What（是什么）
可复用的能力单元，通常是一个带说明的工具/提示/流程包。
**通俗理解**：像手机里的“技能包”，装上就能用。
### How（怎么工作）
- 将某类任务封装为技能，包含提示词、工具、示例等。
- 模型根据用户需求选择技能并执行。
- 可组合多个技能完成复杂任务。
### Why（为什么重要）
避免重复定义，让 Agent 生态像应用商店一样积累能力；提升开发效率和复用性。
### 🔗 关联
- [Tool Calling](#32-tool-calling)（底层调用）
- [插件](#35-插件)（类似概念）
- [Workflow](#34-workflow--工作流)（流程化技能）
- [Agent SDK](#36-agent-sdk)（封装）
***
## 34. Workflow / 工作流
### What（是什么）
预先定义好的多步任务流程，按顺序、条件或循环执行。
**通俗理解**：把固定流程自动化，像工厂流水线。
### How（怎么工作）
- 用可视化编排或代码定义节点（模型调用、工具调用、数据处理）。
- 定义执行顺序、条件分支和循环。
- 按流程运行，可重复执行。
### Why（为什么重要）
固定流程更可控、可复用，适合稳定业务场景；比自由 Agent 更可靠。
### 🔗 关联
- [Agent](#30-agent)（自由 vs 固定）
- [Graph Engineering](#29-graph-engineering)（图编排）
- [Loop Engineering](#28-loop-engineering)（循环）
- [Tool Calling](#32-tool-calling)（节点能力）
***
## 35. 插件
### What（是什么）
可被 AI 调用的外部功能模块，通常由第三方开发。
**通俗理解**：给 AI 装“外挂”，扩展功能。
### How（怎么工作）
- 插件开发者通过 Function Call / Tool Calling 暴露 API。
- 模型根据用户需求决定是否调用插件。
- 插件执行后返回结果，模型继续处理。
### Why（为什么重要）
让模型具备实时信息、专业工具和生态扩展能力；形成开放生态。
### 🔗 关联
- [Function Call](#31-function-call)（接口）
- [Tool Calling](#32-tool-calling)（调用机制）
- [Skill](#33-skill)（能力封装）
- [Agent](#30-agent)（使用方）
***
## 36. Agent SDK
### What（是什么）
用于构建智能体的软件开发工具包，封装编排、工具、记忆等能力。
**通俗理解**：造 Agent 的“工具箱”，不用从零开始。
### How（怎么工作）
- 开发者引入 SDK，初始化 Agent。
- 定义工具、记忆、流程等。
- 框架负责调度模型、工具和循环，开发者只需关注业务逻辑。
### Why（为什么重要）
降低 Agent 开发门槛，统一抽象和最佳实践；加速智能体应用落地。
### 🔗 关联
- [Agent](#30-agent)（构建目标）
- [LangChain](#37-langchain)（具体框架）
- [DeepAgent](#39-deepagent)（产品化）
- [Tool Calling](#32-tool-calling)（能力）
***
## 37. LangChain
### What（是什么）
一个主流的 LLM 应用开发框架，提供链、工具、检索、记忆等模块。
**通俗理解**：搭 AI 应用的“乐高积木”，组件齐全。
### How（怎么工作）
- 通过 Python/JS 导入 LangChain 模块。
- 组合模型、提示词、工具、向量库等组件构建应用。
- 可创建 Chain 或 Agent 完成复杂流程。
### Why（为什么重要）
把常用模式标准化，提升开发效率和可维护性；是目前最流行的 LLM 开发框架之一。
### 🔗 关联
- [Agent](#30-agent)（支持构建）
- [RAG](#20-rag)（内置检索链）
- [Tool Calling](#32-tool-calling)（工具集成）
- [Agent SDK](#36-agent-sdk)（同类）
***
## 38. MCP
### What（是什么）
Model Context Protocol，一种标准化协议，让模型与外部工具/数据源对接。
**通俗理解**：AI 工具的“USB-C 接口”，统一连接标准。
### How（怎么工作）
- 启动 MCP Server，暴露工具/资源。
- 客户端通过协议发现并调用工具。
- 模型通过 MCP 客户端与工具交互，无需为每个工具写适配代码。
### Why（为什么重要）
解决工具接口碎片化问题，降低集成成本；推动工具生态标准化。
### 🔗 关联
- [Function Call](#31-function-call)（底层能力）
- [Tool Calling](#32-tool-calling)（调用方式）
- [插件](#35-插件)（生态）
- [Agent](#30-agent)（使用者）
***
## 39. DeepAgent
### What（是什么）
特定 Agent 产品或框架名称，通常表示深度可自主执行任务的智能体。
**通俗理解**：一个“深度干活”的 Agent 产品/框架。
### How（怎么工作）
- 用户给定目标，Agent 自动拆解任务。
- 通过多步规划、工具调用、记忆和循环控制完成任务。
- 输出最终交付物。
### Why（为什么重要）
代表 Agent 产品化方向：让用户只给目标，Agent 自己拆解执行；降低使用门槛。
### 🔗 关联
- [Agent](#30-agent)（通用概念）
- [Agent SDK](#36-agent-sdk)（实现基础）
- [Workflow](#34-workflow--工作流)（任务拆解）
- [Tool Calling](#32-tool-calling)（执行能力）
***
## 40. OpenClaw
### What（是什么）
开源 Agent/工具相关项目名，可能用于构建智能体或工具控制。
**通俗理解**：一个开源的 Agent/工具项目，具体功能需参考官方文档。
### How（怎么工作）
- 安装配置项目。
- 定义工具和模型，接入 Agent 流程。
- 通过 CLI 或 API 使用。
### Why（为什么重要）
开源生态降低构建门槛，促进可定制 Agent 方案；便于二次开发。
### 🔗 关联
- [Agent](#30-agent)（相关领域）
- [Tool Calling](#32-tool-calling)（能力）
- [MCP](#38-mcp)（可能支持）
- [CLI](#43-cli)（使用方式）
***
## 41. Hermes-Agent
### What（是什么）
名为 Hermes 的 Agent 框架/产品，用于搭建对话与任务执行智能体。
**通俗理解**：一个叫 Hermes 的 Agent 框架。
### How（怎么工作）
- 开发者定义模型、工具、记忆和流程。
- 框架负责调度和循环控制。
- 通过 API 或 CLI 与 Agent 交互。
### Why（为什么重要）
提供现成的 Agent 能力封装，避免重复造轮子；加速开发。
### 🔗 关联
- [Agent](#30-agent)（核心概念）
- [Agent SDK](#36-agent-sdk)（同类）
- [Tool Calling](#32-tool-calling)（能力）
- [Workflow](#34-workflow--工作流)（流程）
***
## 42. WorkBuddy
### What（是什么）
名字带有“工作伙伴”含义的 AI 助手/工具，多用于办公自动化。
**通俗理解**：你的 AI 工作搭档，帮你处理杂事。
### How（怎么工作）
- 嵌入工作场景（如 Slack、钉钉、IDE）。
- 调用模型和工具完成总结、整理、执行任务。
- 通过对话或命令触发。
### Why（为什么重要）
把 AI 融入日常工作流，提升效率；降低重复性劳动。
### 🔗 关联
- [Agent](#30-agent)（助手形态）
- [Tool Calling](#32-tool-calling)（执行）
- [Workflow](#34-workflow--工作流)（自动化）
- [插件](#35-插件)（集成）
***
## 七、开发工具与工程范式
## 43. CLI
### What（是什么）
命令行界面，通过文本命令与程序交互。
**通俗理解**：黑窗口里敲命令，控制电脑干活。
### How（怎么工作）
- 在终端中输入命令，如 `ollama run llama3`。
- 程序执行命令并返回结果。
- 可脚本化，批量执行。
### Why（为什么重要）
对开发者高效、可脚本化，适合自动化和远程操作；是许多 AI 工具的基础入口。
### 🔗 关联
- [npm](#44-npm)（包管理）
- [Ollama](#64-ollama)（本地模型）
- [MCP](#38-mcp)（服务启动）
- [Vibe Coding](#45-vibe-coding)（开发方式）
***
## 44. npm
### What（是什么）
Node.js 的包管理器，用于安装和管理 JavaScript 生态中的依赖。
**通俗理解**：JS 世界的“应用商店”，一条命令装好依赖。
### How（怎么工作）
- 执行 `npm install 包名` 安装依赖。
- 使用 `npm run 脚本` 运行项目脚本。
- 管理项目依赖版本。
### Why（为什么重要）
统一分发和版本管理，让 JS 生态可复用、可协作；AI 前端和 CLI 工具常依赖 npm。
### 🔗 关联
- [CLI](#43-cli)（使用环境）
- [LangChain](#37-langchain)（JS 版本安装）
- [Agent SDK](#36-agent-sdk)（可能基于 JS）
***
## 45. Vibe Coding
### What（是什么）
一种“凭感觉/自然语言编程”的开发范式，用户用自然语言描述需求，AI 生成代码。
**通俗理解**：不用写代码，用嘴说需求，AI 帮你写。
### How（怎么工作）
- 在 AI IDE 或 Agent 中描述功能需求。
- 模型生成、修改代码。
- 用户运行、测试，反馈问题，模型继续修改。
### Why（为什么重要）
降低编程门槛，加速原型开发，适合探索性项目；改变软件开发方式。
### 🔗 关联
- [Codex](#47-codex)（底层模型）
- [Trae](#46-trae)（实践工具）
- [CLI](#43-cli)（辅助）
- [Agent](#30-agent)（自主编码）
***
## 46. Trae
### What（是什么）
字节跳动推出的 AI IDE，集成自然语言编程和智能代码生成。
**通俗理解**：一个会聊天的代码编辑器，能帮你写代码。
### How（怎么工作）
- 在编辑器中打开项目。
- 用对话式交互生成、修改和解释代码。
- 支持自动补全、重构、调试等。
### Why（为什么重要）
把 AI 能力嵌入开发环境，减少切换成本，提升编码效率；推动 Vibe Coding 落地。
### 🔗 关联
- [Codex](#47-codex)（同类模型）
- [Vibe Coding](#45-vibe-coding)（范式）
- [CLI](#43-cli)（辅助）
- [npm](#44-npm)（项目依赖）
***
## 47. Codex
### What（是什么）
OpenAI 的代码生成/执行模型或编码 Agent，可理解自然语言并生成代码。
**通俗理解**：OpenAI 的“编程助手”，你描述，它写代码。
### How（怎么工作）
- 集成在 IDE 或 API 中。
- 输入注释/需求，自动补全或生成代码。
- 支持多轮对话修改，甚至执行代码。
### Why（为什么重要）
让开发者专注于问题定义，把重复编码交给模型；大幅提升开发效率。
### 🔗 关联
- [Trae](#46-trae)（竞品）
- [Vibe Coding](#45-vibe-coding)（范式）
- [CLI](#43-cli)（使用方式）
- [Agent](#30-agent)（编码 Agent）
***
## 八、模型产品与平台
## 48. OpenAI
### What（是什么）
AI 研究/产品公司，发布 GPT、ChatGPT、Sora 等模型和产品。
**通俗理解**：AI 界的标杆公司，做出 ChatGPT 的那家。
### How（怎么使用）
- 通过 API 调用 GPT 系列模型。
- 使用网页/App 访问 ChatGPT。
- 开发者可集成其模型到自己的应用。
### Why（为什么重要）
推动大模型产品化和生态标准化，是行业重要标杆；定义了聊天机器人范式。
### 🔗 关联
- [ChatGPT](#49-chatgpt)（产品）
- [GPT](#55-gpt)（模型）
- [Codex](#47-codex)（代码模型）
- [Sora](#57-sora)（视频模型）
***
## 49. ChatGPT
### What（是什么）
OpenAI 推出的对话式 AI 产品，基于 GPT 系列模型。
**通俗理解**：那个能陪你聊天、写文章、回答问题的 AI。
### How（怎么使用）
- 在网页/App 输入对话。
- 模型生成回答，支持多轮对话。
- 支持插件、工具调用、联网搜索等扩展功能。
### Why（为什么重要）
让大模型能力通过自然对话触达大众用户，定义聊天机器人范式；带动 AI 普及。
### 🔗 关联
- [OpenAI](#48-openai)（公司）
- [GPT](#55-gpt)（底层模型）
- [System Prompt](#24-system-prompt)（定制角色）
- [插件](#35-插件)（扩展）
***
## 50. DeepSeek
### What（是什么）
深度求索推出的模型系列及产品，以高性价比和开源著称。
**通俗理解**：一个又强又便宜的国产模型，很多人用来本地部署。
### How（怎么使用）
- 通过官网、App 或 API 调用。
- 开源权重可本地部署（如用 Ollama）。
- 支持对话、代码、推理等任务。
### Why（为什么重要）
以较低成本提供强推理能力，推动模型普惠；开源促进生态发展。
### 🔗 关联
- [模型](#1-模型)（系列）
- [MoE](#14-moe)（架构）
- [蒸馏](#12-蒸馏)（可能技术）
- [Ollama](#64-ollama)（本地部署）
- [量化](#13-量化)（本地优化）
***
## 51. GLM
### What（是什么）
智谱 AI 推出的语言模型系列，如 GLM-4 等。
**通俗理解**：清华系出的国产大模型，学术背景强。
### How（怎么使用）
- 通过 API 或开源权重调用。
- 支持对话、工具调用、代码生成等。
- 可微调适配垂直场景。
### Why（为什么重要）
国内重要的开源/商用模型线，丰富模型选择；推动国产模型生态。
### 🔗 关联
- [模型](#1-模型)（系列）
- [Agent](#30-agent)（工具调用）
- [Tool Calling](#32-tool-calling)（能力）
- [微调](#11-微调)（适配）
***
## 52. Kimi
### What（是什么）
月之暗面推出的对话式 AI 助手/模型。
**通俗理解**：那个擅长读长文档的 AI 助手。
### How（怎么使用）
- 通过网页/App/API 使用。
- 上传长文档，模型进行摘要、问答。
- 支持多轮对话，长上下文处理能力强。
### Why（为什么重要）
以长上下文和用户体验为特色，满足深度阅读场景；推动长文本应用。
### 🔗 关联
- [上下文窗口](#8-上下文--上下文窗口)（长）
- [RAG](#20-rag)（可能结合）
- [知识库](#21-知识库)（文档处理）
- [ChatGPT](#49-chatgpt)（竞品）
***
## 53. Qwen
### What（是什么）
阿里巴巴通义千问模型系列，覆盖语言、多模态等。
**通俗理解**：阿里家的 AI 模型，企业服务强。
### How（怎么使用）
- 通过阿里云 API（百炼平台）或开源权重使用。
- 支持对话、工具调用、多模态理解。
- 可微调部署到企业环境。
### Why（为什么重要）
生态完整、企业级服务强，适合云上部署；国内主流模型之一。
### 🔗 关联
- [阿里通义](#59-阿里通义)（品牌）
- [多模态](#5-多模态)（能力）
- [Agent](#30-agent)（工具调用）
- [微调](#11-微调)（企业适配）
***
## 54. Claude
### What（是什么）
Anthropic 推出的模型系列，以安全性和长上下文著称。
**通俗理解**：那个特别“谨慎、安全”的 AI，写代码也很强。
### How（怎么使用）
- 通过官网/API 使用。
- 支持对话、代码生成、工具调用。
- 强调安全对齐，适合企业级应用。
### Why（为什么重要）
强调安全对齐与可靠性，适合企业级应用；长上下文能力突出。
### 🔗 关联
- [GPT](#55-gpt)（竞品）
- [Gemini](#56-gemini)（竞品）
- [System Prompt](#24-system-prompt)（安全约束）
- [Agent](#30-agent)（工具调用）
***
## 55. GPT
### What（是什么）
OpenAI 的生成式预训练 Transformer 模型系列。
**通俗理解**：ChatGPT 背后的模型，AI 界的“明星”。
### How（怎么使用）
- 通过 API 传入提示词，模型生成文本。
- 支持函数调用、多模态输入等。
- 有多个版本（GPT-4、GPT-4o 等）。
### Why（为什么重要）
把 Transformer 和大规模预训练范式推向主流，生态最广；定义了大模型标准。
### 🔗 关联
- [ChatGPT](#49-chatgpt)（产品）
- [OpenAI](#48-openai)（公司）
- [Codex](#47-codex)（代码版）
- [Agent](#30-agent)（基础模型）
***
## 56. Gemini
### What（是什么）
Google 推出的多模态模型系列，支持文本、图像、音频、视频理解。
**通俗理解**：谷歌的 AI，原生多模态，和谷歌全家桶整合。
### How（怎么使用）
- 通过 Google API 或产品（如 Gemini App）使用。
- 支持多模态输入输出。
- 与 Google 搜索、Workspace 等整合。
### Why（为什么重要）
与 Google 生态整合，强调多模态和长上下文能力；与 OpenAI 竞争。
### 🔗 关联
- [多模态](#5-多模态)（核心能力）
- [GPT](#55-gpt)（竞品）
- [Claude](#54-claude)（竞品）
- [模型](#1-模型)（系列）
***
## 57. Sora
### What（是什么）
OpenAI 推出的视频生成模型，可根据文本生成视频。
**通俗理解**：你说一句话，它给你生成一段视频。
### How（怎么使用）
- 用户输入描述性提示词。
- 模型生成连续视频片段。
- 可控制时长、分辨率、风格等。
### Why（为什么重要）
把生成能力从文本/图像扩展到视频，展现多模态生成潜力；开启 AI 视频创作。
### 🔗 关联
- [AIGC](#9-aigc)（内容生成）
- [多模态](#5-多模态)（生成基础）
- [OpenAI](#48-openai)（出品方）
- [豆包](#58-豆包)（竞品）
***
## 58. 豆包
### What（是什么）
字节跳动推出的 AI 助手/模型产品。
**通俗理解**：字节家的 AI，能聊天、画图、写文案。
### How（怎么使用）
- 通过 App/网页使用。
- 支持对话、生成图片、语音等场景。
- 整合字节生态（抖音、飞书等）。
### Why（为什么重要）
面向大众用户的 AI 入口，整合字节生态；国内用户量大的 AI 产品之一。
### 🔗 关联
- [AIGC](#9-aigc)（生成能力）
- [ChatGPT](#49-chatgpt)（竞品）
- [多模态](#5-多模态)（图像生成）
- [Seed](#62-seed)（底层模型）
***
## 59. 阿里通义
### What（是什么）
阿里巴巴的通义 AI 品牌及模型系列。
**通俗理解**：阿里云的 AI 品牌，企业级服务。
### How（怎么使用）
- 通过阿里云百炼平台/API 使用 Qwen 系列模型。
- 支持对话、图像生成、代码等。
- 可结合阿里云服务部署。
### Why（为什么重要）
依托云生态提供企业级 AI 能力；国内主流 AI 平台。
### 🔗 关联
- [Qwen](#53-qwen)（模型系列）
- [模型](#1-模型)（范畴）
- [微调](#11-微调)（企业定制）
- [Agent](#30-agent)（工具调用）
***
## 60. 百度文心
### What（是什么）
百度推出的文心大模型系列及文心一言产品。
**通俗理解**：百度的 AI，结合搜索和知识图谱。
### How（怎么使用）
- 通过百度智能云/API 使用。
- 支持对话、创作、知识问答等。
- 结合百度搜索、知识图谱生态。
### Why（为什么重要）
国内较早的大模型产品，结合百度搜索与知识图谱生态；在企业知识服务有优势。
### 🔗 关联
- [知识图谱](#22-知识图谱)（结合）
- [RAG](#20-rag)（搜索增强）
- [ChatGPT](#49-chatgpt)（竞品）
- [多模态](#5-多模态)（部分支持）
***
## 61. MiniMax
### What（是什么）
MiniMax 推出的模型/产品系列，通常指其对话或生成模型。
**通俗理解**：一家 AI 创业公司的模型，语音和生成能力不错。
### How（怎么使用）
- 通过 API 或产品使用。
- 支持文本生成、语音合成等。
- 可集成到应用。
### Why（为什么重要）
提供多样化的生成能力，丰富国内模型选择；在语音方向有特色。
### 🔗 关联
- [AIGC](#9-aigc)（内容生成）
- [多模态](#5-多模态)（部分能力）
- [模型](#1-模型)（系列）
***
## 62. Seed
### What（是什么）
字节跳动旗下的 AI 研究/产品线，可能指 Seed 系列模型或团队品牌。
**通俗理解**：字节的 AI 研究部门/模型品牌。
### How（怎么使用）
- 通过豆包等字节产品或 API 使用相关模型能力。
- 可能对外提供模型服务。
- 集成在字节生态内。
### Why（为什么重要）
整合字节的研发和产品资源，推动 AI 应用落地；支撑豆包等产品。
### 🔗 关联
- [豆包](#58-豆包)（产品）
- [模型](#1-模型)（系列）
- [AIGC](#9-aigc)（能力）
***
## 63. Manus
### What（是什么）
一款强调自主执行任务的 AI Agent 产品。
**通俗理解**：一个能自动干活的 AI 助手，你给目标，它给结果。
### How（怎么使用）
- 用户给出目标（如“帮我分析这份报告”）。
- Agent 自动规划、调用工具、生成交付物。
- 输出结果，可多步协作。
### Why（为什么重要）
代表 Agent 产品从“对话”走向“交付”的趋势；展示自主执行能力。
### 🔗 关联
- [Agent](#30-agent)（核心概念）
- [DeepAgent](#39-deepagent)（同类）
- [Workflow](#34-workflow--工作流)（任务拆解）
- [Tool Calling](#32-tool-calling)（执行）
***
## 64. Ollama
### What（是什么）
本地运行大模型的工具。
**通俗理解**：让你在自己电脑上跑大模型的工具，不用联网。
### How（怎么使用）
- 安装 Ollama。
- 命令行拉取模型：`ollama pull llama3`。
- 启动本地服务：`ollama run llama3`，通过 API 交互。
### Why（为什么重要）
让用户无需复杂配置即可在本地运行开源模型，保护数据隐私；便于开发调试。
### 🔗 关联
- [CLI](#43-cli)（操作方式）
- [量化](#13-量化)（本地优化）
- [模型](#1-模型)（运行对象）
- [DeepSeek](#50-deepseek) / [Qwen](#53-qwen)（可运行模型）
***
## 65. Chatbox
### What（是什么）
可能指 Chatbox 类聊天客户端，用于连接多个模型 API 进行对话。
**通俗理解**：一个桌面聊天软件，可以同时用多个模型。
### How（怎么使用）
- 配置模型 API 密钥（如 OpenAI、DeepSeek）。
- 选择模型，在桌面/网页端聊天。
- 可切换模型、保存会话。
### Why（为什么重要）
提供统一界面管理和比较不同模型，适合日常使用；避免多个产品切换。
### 🔗 关联
- [ChatGPT](#49-chatgpt)（连接对象）
- [OpenAI](#48-openai)（API 提供方）
- [Ollama](#64-ollama)（本地模型）
- API（通用接口）
***
## 66. 小龙虾
### What（是什么）
词汇暂不明确，可能是某个内部模型/工具代号或垂直产品。
**通俗理解**：待补充具体定义。
### How（怎么使用）
待补充具体产品/工具后，按实际接入方式使用。
### Why（为什么重要）
保留为可扩展词条，提醒文档需随产品动态更新。
### 🔗 关联
暂未明确；建议关联到其实际所属模型/工具类别。
***
## 附录：快速关系主线
## 知识分层
| 层级 | 关键词 | 说明 |
| ------ | ------------------------------------------------------- | ----------- |
| 核心层 | 模型 / LLM | 一切能力的底座 |
| 训练与优化 | 训练、微调、蒸馏、量化、MoE、GPU | 让模型更强、更快、更省 |
| 数据与知识 | Embedding、向量数据库、RAG、知识库、知识图谱 | 让模型有记忆、有依据 |
| 上下文与提示 | Prompt Engineering、Context Engineering、System Prompt、记忆 | 决定模型看到什么 |
| 智能体与工具 | Agent、Function Call、Tool Calling、MCP、Workflow、Skill | 让模型能行动、能编排 |
| 开发工具 | CLI、npm、Vibe Coding、Trae、Codex | 落地为工程实践 |
| 产品与平台 | ChatGPT、DeepSeek、Qwen、Claude、豆包 | 面向用户的最终形态 |
## 核心数据流
1. 用户输入 → **Prompt / System Prompt**
2. → **Context Engineering** 决定上下文构成
3. → 可能调用 **Agent** / **Tool Calling** / **MCP**，或检索 **记忆 / 知识库**
4. → 最终输入 **模型 / LLM** 生成输出
5. → 底层依赖 **GPU / 训练 / 量化** 提供算力与效率支撑
