概念

什么是 AI、机器学习与深度学习？

AI、机器学习与深度学习是层层嵌套的同心圆，而非同义词——你看的是哪一层，决定了一个系统会如何失败。

直观理解神经网络

神经网络是一大堆把数字变成数字的可调旋钮；学习不过是把这些旋钮朝更小的误差微调。

什么是大语言模型？

LLM 是一个巨大的下一令牌预测器；规模把这一个简单目标变成了无人显式编写的能力。

训练与推理

训练一次性造出模型被冻结的权重；推理按请求运行它们且从不改变它们——这解答了大多数成本与隐私问题。

令牌与分词

模型看到的是整数而非文本；隐藏的分词步骤解释了你的账单、上下文上限和古怪的失败模式。

嵌入：意义即几何

嵌入把事物变成空间中的点，让“相似”变成“接近”——这是搜索、推荐和 RAG 背后的引擎。

从宏观看 Transformer

自注意力让每个令牌都能看其他每个令牌；这一个思想修复了长程记忆并解锁了 GPU 规模的训练。

生成与采样：讲清温度

模型返回的是一个概率分布而非一个答案；温度重塑它，而温度 0 是低方差，并非确定性。

什么是 AI 智能体？

智能体是被放进循环、配有工具、自行选择每个下一步以实现目标的模型——核心思维模型。

智能体循环

推理→行动→观察→重复：追踪一次工具调用如何从模型经外壳进入环境再返回。

自主性等级

从"建议"到"完全自主"的五级阶梯，以及为何合适的等级是逐动作的工程决策。

智能体 vs 聊天机器人 vs 工作流

一个问题——谁决定下一步——就能把任何 LLM 系统归入聊天机器人、流水线、工作流或智能体。

工具、动作与环境

工具的真实面貌、读动作与写动作之分，以及为何是环境而非模型让智能体变得危险。

目标、规划与终止

从反应式到深思熟虑的规划谱系，以及"如何知道智能体完成了"这个被低估的难题。

何时该用智能体

一个任务要值得用智能体所需的三个属性、能解决多数情况的更便宜模式，以及明确不该用的情形。

智能体的风险与局限

循环的四种特征性故障模式、自主性带来的安全转变，以及"安全的智能体"诚实地意味着什么。

提示词基础

撬动输出质量的四个杠杆：指令、上下文、示例、输出形式。

系统提示词 vs 用户提示词

消息角色、指令层级，以及绝不让数据充当指令。

少样本提示与示例

何时示例胜过指令、如何挑选与排序，以及它们在何处不再划算。

上下文窗口详解

有限的共享令牌预算、三种上限故障，以及主动管理它。

工具/函数调用详解

模型提议、你的代码裁决：请求/响应形状、循环与安全规则。

检索增强生成（RAG）详解

检索→增强→生成、RAG 对比其他方案，以及分两半调试它。

分块与向量搜索直觉

为何分块、嵌入即坐标、最近邻搜索、混合检索与重排序。

结构化输出

从"要 JSON"到 schema 约束解码，外加 schema 设计与防御性解析。

模型版图：家族与提供方

一份厂商中立的主要模型家族地图，以及给任何新发布定位的稳定思维模型。

开放权重 vs 闭源模型

控制力、成本、隐私、许可与锁定——真实的工程权衡，去除营销话术。

模态与多模态模型

文本、视觉、音频、代码：输入与输出模态，以及为何"多模态"是谱系而非勾选项。

成本、质量与延迟

模型规模与主导生产经济性的权衡三角，以及如何围绕它做工程。

推理 vs 非推理模型

推理期"思考"实际做了什么、何时有用或浪费钱，以及为何它如今是一个旋钮。

智能体框架与编排

LangChain、LlamaIndex、提供方 SDK 与更广版图——按类别与权衡，而非按品牌。

服务与访问：API、本地、网关

模型选择与服务选择是正交的：第一方 API、云目录、推理提供方、自托管、网关。

批判地阅读基准

为何排行榜名次很少预测你的任务，以及为何小的自定义评测集胜过一切公开数字。

选模型：一份清单

一套约束优先、可重复的决策流程，综合整个主题并能在快速变动的领域中存活。