ARTIFICIAL INTELLIGENCE · KNOWLEDGE SYSTEM
从大模型原理，到智能体如何行动
一套围绕 AI、大模型与 Agent 构建的系统知识库。先看清全局结构，再沿着问题、原理与工程实践逐层深入。
12知识章节
52主题文章
4学习路线
CHAPTER INDEX
章节导航
选择一个章节，查看本章简介与文章入口
ARTICLES IN THIS CHAPTER本章文章入口
01.01思想起源与理论奠基（1940s–1956）人工智能（Artificial Intelligence, AI）作为一个正式学科诞生于 1956 年的达特茅斯会议，但其思想根基可以追溯到古代对"自动机"的幻想，以及 20 世纪上半叶数理逻辑和计算理论的突破。本章聚焦于 AI 从哲学思辨走向科学实证的关键十年——1940s 至 1956 年，梳…01.02第一次繁荣与第一次寒冬（1957–1974）达特茅斯会议之后，人工智能研究进入了第一个高速发展期。研究者充满乐观，相信在一代人内就能创造出具有人类水平智能的机器。然而，技术瓶颈和资金断裂很快将这种乐观击碎。本章详细梳理 AI 从狂热到幻灭的第一个完整周期。01.03专家系统与第二次寒冬（1975–1993）经历了第一次寒冬后，AI 研究者在 1970 年代末找到了新的突破口——专家系统。通过将人类专家的知识编码为"如果-那么"规则，专家系统在特定领域展现出惊人的实用性，引发了新一轮的投资热潮。然而，知识获取的瓶颈和维护成本的高昂再次将 AI 推入寒冬。本章详细剖析这段从希望到幻灭的完整历程。01.04机器学习崛起（1994–2011）从 1990 年代中期开始，AI 领域经历了一次深刻的范式转换：从依赖人类专家编写规则，转向让机器从数据中自动学习。这一转变的核心推动力是机器学习（Machine Learning）的兴起。本章详细讲述从"知识驱动"到"数据驱动"的革命性转变，以及在此期间奠定大模型时代基础的关键技术突破。01.05深度学习革命（2012–2019）2012 年，AlexNet 在 ImageNet 竞赛中以碾压性优势获胜，标志着深度学习从学术边缘走向舞台中央。此后短短七年间，深度学习在计算机视觉、自然语言处理、语音识别、游戏等领域实现了对人类水平的逼近甚至超越。本章详细记录这场技术革命的每一个关键节点。01.06大模型时代（2020–至今）2020 年，OpenAI 发布的 GPT-3 以 1750 亿参数震惊世界，展示了大模型"涌现能力"的惊人潜力。2022 年末，ChatGPT 的发布将 AI 从学术实验室推向了全球公众的视野。此后短短两年间，大模型的能力边界以令人瞠目的速度扩展——从文本生成到多模态理解，从对话助手到自主智能体…
ARTICLES IN THIS CHAPTER本章文章入口
02.01什么是大语言模型大语言模型（Large Language Model, LLM）是当前人工智能领域最核心的技术。理解 LLM 的本质——它是什么、它能做什么、它为什么有效——是掌握大模型与智能体技术的第一步。本章从最基础的原理出发，逐步揭示 LLM 的核心机制。02.02Transformer 架构深度剖析Transformer 是大模型时代一切的技术根基。2017 年 Google 发表的《Attention Is All You Need》提出了这个架构，彻底改变了 NLP 乃至整个深度学习领域的技术路线。本章将从数学原理到工程实现，逐层拆解 Transformer 的每一个组件。02.03Tokenizer 与文本表示Tokenizer（分词器）是大模型处理文本的第一道关卡——它将人类可读的文本转换为模型可处理的 token 序列。分词策略的选择直接影响模型的效率、多语言能力、上下文窗口利用率以及下游应用的表现。本章深入剖析主流的分词算法及其工程实践。02.04预训练原理与工程实践预训练（Pre-training）是大模型能力的根基。通过在海量无标注文本上进行自监督学习，模型习得了语言的语法、语义、逻辑推理和世界知识。本章深入剖析预训练的目标函数、数据工程、训练策略和分布式训练技术。02.05对齐技术（SFT / RLHF / DPO）预训练赋予大模型强大的语言理解和生成能力，但预训练后的模型只会"续写文本"，不会遵循指令，也不具备安全性。对齐（Alignment）是将"原始大模型"变成"有用助手"的关键步骤。本章详细剖析从 SFT 到 RLHF 再到 DPO 的完整对齐技术栈。02.06推理优化与部署训练完大模型只是第一步——如何高效地将模型部署到生产环境，以合理的成本提供快速、稳定的推理服务，是同样重要的工程挑战。本章全面覆盖从量化到端侧部署的完整推理优化技术栈。
ARTICLES IN THIS CHAPTER本章文章入口
03.01闭源模型（OpenAI / Anthropic / Google）闭源模型由少数几家公司掌控，代表了大模型能力的最高天花板。OpenAI、Anthropic 和 Google 三大阵营各自发展出独特的技术路线和产品哲学。本章深度剖析每家公司的核心模型、技术特色和发展策略。03.02开源模型（LLaMA / Mistral / Qwen / DeepSeek）开源模型是大模型生态中不可或缺的力量。它们让研究者和开发者能够在本地运行、微调和定制大模型，推动了 AI 技术的民主化。本章深度剖析主流开源模型的架构、训练策略和生态影响。03.03模型能力评测体系如何客观地比较不同大模型的能力？这是一个看似简单实则极其复杂的问题。本章全面介绍当前主流的评测基准、排行榜以及评测的局限性，帮助你建立科学的模型能力评估框架。03.04模型 API 与部署方案选择大模型不仅是选择"哪个模型"，还要选择"怎么用它"。本章全面对比主流 API 服务和本地部署方案，帮助你根据场景做出最优的技术决策。
ARTICLES IN THIS CHAPTER本章文章入口
04.01上下文窗口与长文本上下文窗口（Context Window）是大模型一次能"看到"的信息总量，以 token 数衡量。它决定了模型能处理多少信息，是衡量模型实用性的关键指标。本章深入探讨上下文窗口的技术原理、扩展方法和长文本处理的挑战。04.02提示工程（Prompt Engineering）提示工程是与大模型"对话"的艺术和科学——通过精心设计输入文本（prompt），引导模型产生更准确、更有用的输出。这是使用大模型最直接、最频繁的技术能力。本章系统讲解从基础到高级的提示工程方法。04.03检索增强生成（RAG）RAG（Retrieval-Augmented Generation）是当前解决大模型"知识截止"和"幻觉"问题最实用的技术方案。核心思想很简单：让模型在回答前先查阅相关资料，然后基于检索到的内容生成回答。 这类似于人类"开卷考试"——不需要记住所有知识，但需要知道在哪里找、怎么用。04.04工具调用（Function Calling / Tool Use）工具调用是让大模型从"只会说话"变成"能做事"的关键技术。通过 Function Calling，模型可以调用外部 API、执行代码、查询数据库、操作文件系统——这使 LLM 从纯文本生成器进化为能够与外部世界交互的智能系统。这也是智能体（Agent）的核心能力之一。04.05微调技术（Fine-tuning）微调是在预训练模型的基础上，用特定领域或任务的数据进一步训练模型，使其适应特定应用场景。如果说预训练让模型"通识百物"，那微调就是让模型"专精一域"。本章详解各种微调方法，重点介绍当前最实用的 LoRA 系列技术。04.06多模态能力多模态（Multimodal）是指 AI 系统能同时理解和生成多种类型的信息——文本、图像、音频、视频。这是大模型从"语言模型"走向"通用智能"的关键一步。本章深入解析多模态模型的技术原理和实际应用。
ARTICLES IN THIS CHAPTER本章文章入口
05.01什么是智能体（Agent）智能体（Agent）是 2024-2025 年 AI 领域最热门的概念之一。如果说大模型是"大脑"，那智能体就是拥有"身体"的 AI——它不仅能思考，还能行动。本章从定义出发，深入解析智能体的本质、与传统 AI 的区别，以及为什么现在才是 Agent 的时代。05.02智能体的记忆系统记忆是智能体区别于简单对话系统的核心能力之一。人类之所以能持续学习和协作，依赖于强大的记忆能力。同样，智能体也需要记忆来维持上下文连贯性、积累经验和个性化服务。本章深入解析智能体记忆系统的设计与实现。05.03智能体的规划与推理规划和推理是智能体的"大脑"中最关键的部分——它决定了 Agent 如何将一个复杂目标分解为可执行的步骤，并在执行过程中动态调整策略。本章深入讲解 Agent 规划和推理的核心方法，这些方法最终都会落地到单智能体架构之中。05.04智能体的工具使用（Tool Use）工具使用是智能体区别于纯对话 AI 的核心能力。通过调用外部工具，Agent 可以访问实时数据、执行计算、操作系统、调用 API——从"能说"变成"能做"。本章从 Agent 视角深入讲解工具使用的设计模式、最佳实践和安全考量。05.05单智能体架构单智能体（Single Agent）是当前最常见也最成熟的 AI Agent 架构模式——一个 Agent 配备 LLM 大脑、记忆系统和工具集，独立完成从理解任务到交付结果的全流程。本章深入剖析单智能体的架构设计、核心组件协作、典型实现方案及局限性。05.06多智能体系统（Multi-Agent Systems）当单个 Agent 无法胜任复杂任务时，多个 Agent 协作组成多智能体系统（Multi-Agent System, MAS）成为必然选择。多智能体通过角色分工、消息传递和协同决策，实现远超单 Agent 的能力边界。本章深入讲解多智能体系统的架构模式、通信机制、协作策略和实际实现。
ARTICLES IN THIS CHAPTER本章文章入口
06.01MCP 协议详解（Model Context Protocol）MCP（Model Context Protocol，模型上下文协议）是 Anthropic 于 2024 年底推出的开放标准协议，旨在为大语言模型（LLM）与外部数据源、工具之间建立统一的通信接口。MCP 被比喻为"AI 世界的 USB-C 接口"——一个协议连接所有工具和数据源。本章深入讲解 …06.02MCP Server 开发实战理解了 MCP 协议的原理后，本章进入实战——如何从零开发一个 MCP Server。我们将使用 Python SDK 构建一个完整的 MCP Server，涵盖工具（Tools）、资源（Resources）和提示词模板（Prompts）的开发，并讲解调试和部署。06.03Agent 生态系统全景MCP 协议的出现加速了 Agent 生态的形成。从协议层到框架层，从单智能体到多智能体，从开发工具到部署平台，一个完整的 Agent 生态正在快速成型。本章梳理 Agent 生态的全景图，帮助读者理解各组件的关系和选型策略。
ARTICLES IN THIS CHAPTER本章文章入口
07.01LangChain 与 LangGraphLangChain 是目前最流行的 LLM 应用开发框架，而 LangGraph 是其团队推出的有状态 Agent 编排引擎。两者构成了从简单链式调用到复杂多智能体系统的完整开发栈。本章深入讲解两者的核心概念、架构设计和实战用法。07.02CrewAI 与 AutoGenCrewAI 和 AutoGen 是目前最流行的两个多智能体框架，各有侧重。CrewAI 以"角色扮演"为核心设计理念，让每个 Agent 扮演特定角色进行协作；AutoGen 由微软推出，以"对话"为核心，通过多 Agent 对话实现复杂任务。本章深入对比两个框架的设计理念和实战用法。07.03低代码 Agent 平台与行业解决方案除了面向开发者的代码框架，市场上涌现了大量低代码/无代码 Agent 平台，让非技术人员也能构建和部署智能体。本章介绍主流的低代码 Agent 平台，分析其架构设计、能力边界和选型策略。
ARTICLES IN THIS CHAPTER本章文章入口
08.01模型选型与 Agent 适配不同的大模型在 Agent 场景中表现差异巨大——工具调用准确率、推理能力、上下文长度、响应速度都直接影响 Agent 的可靠性。本章从 Agent 视角分析如何选择和适配大模型。08.02提示工程在 Agent 中的应用提示工程（Prompt Engineering）在 Agent 场景下有着比一般 LLM 应用更复杂的要求。Agent 的系统提示不仅要定义模型的行为风格，还要规范工具使用、决策逻辑、输出格式和错误处理。本章深入讲解 Agent 场景下的提示工程最佳实践。08.03RAG 与 Agent 的深度结合RAG（检索增强生成）和 Agent 是 LLM 应用的两大核心范式。当两者深度结合时，Agent 不仅能检索知识，还能主动规划检索策略、评估结果质量、动态调整检索方案——实现从"被动检索"到"主动知识探索"的跃迁。
ARTICLES IN THIS CHAPTER本章文章入口
09.01智能编码助手AI 编码助手是大模型和 Agent 技术落地最快的场景之一。从简单的代码补全到自主完成复杂开发任务，编码 Agent 正在深刻改变软件开发的工作方式。本章梳理主流编码 Agent 的能力、架构和最佳实践。09.02智能客服与知识管理智能客服是大模型 Agent 最成熟的商业应用场景之一。结合 RAG 知识库和 Agent 工具调用能力，现代 AI 客服已经从"关键词匹配"进化到"真正理解用户问题并主动解决"。本章深入讲解智能客服 Agent 的架构设计和实现方案。09.03数据分析与商业智能数据分析是 Agent 最具价值的应用场景之一——Agent 可以连接数据库、执行代码、生成图表，将"问数据"变成"对话式探索"。本章讲解数据分析 Agent 的架构、核心能力和实现方案。09.04内容创作与营销大模型与 Agent 的结合正在重塑内容创作和数字营销的工作方式。从文章撰写到社交媒体运营，从 SEO 优化到广告投放，AI Agent 能够自主完成从策划到发布的全流程。本章讲解内容创作与营销场景下的 Agent 应用。09.05科学研究与医疗AI Agent 正在成为科学研究和医疗领域的强大助手——从文献综述到实验设计，从药物发现到临床辅助诊断。本章探讨 Agent 在科学和医疗场景中的应用。09.06自动化办公与工作流AI Agent 正在将日常办公中的重复性工作自动化——从邮件处理到日程管理，从会议纪要到报告生成。Agent 结合 MCP 工具可以操作各类办公软件和 SaaS 服务，实现端到端的工作流自动化。
ARTICLES IN THIS CHAPTER本章文章入口
10.01大模型安全风险全景随着大模型和 Agent 深入各行各业，安全问题变得前所未有地重要。从提示注入到数据泄露，从幻觉到滥用，大模型面临着多层次的安全威胁。本章全面梳理大模型和 Agent 的安全风险图谱。10.02AI 治理与法规随着 AI 技术的快速发展，全球各国纷纷出台法规和治理框架，试图在促进创新与防范风险之间找到平衡。本章梳理全球 AI 治理的主要框架和法规要求。10.03AI 伦理与公平性大模型和 Agent 的决策可能影响人们的就业、信贷、司法等重要领域。如果 AI 系统存在偏见或不公平，将加剧社会不平等。本章探讨 AI 伦理的核心议题和公平性保障方法。10.04AI 对齐与安全研究前沿AI 对齐（AI Alignment）是确保 AI 系统的行为符合人类意图和价值观的核心研究方向。随着模型能力不断增强，对齐问题变得更加紧迫。本章介绍 AI 对齐的核心概念、研究前沿和安全实践。
ARTICLES IN THIS CHAPTER本章文章入口
11.01Scaling Laws 与涌现能力Scaling Laws（缩放定律）是大模型时代最重要的发现之一——模型性能随着参数量、数据量和计算量的增加呈现可预测的幂律增长。而涌现能力（Emergent Abilities）则是模型规模达到某个阈值后突然展现的新能力。理解这两个概念对把握 AI 发展脉络至关重要。11.02AGI 之路：从大模型到通用人工智能AGI（Artificial General Intelligence，通用人工智能）是 AI 研究的终极目标之一——创造具有人类级别通用智能的 AI 系统。当前的 LLM 和 Agent 距离 AGI 还有多远？本章探讨 AGI 的定义、路径和争议。11.03新兴架构与技术Transformer 并非 AI 的终极架构。研究社区正在探索更高效、更强大的替代方案——从 Mamba（状态空间模型）到 MoE（混合专家），从世界模型到神经符号系统。本章介绍可能塑造 AI 未来的前沿技术。11.04AI 对社会的影响AI 正在深刻改变社会的方方面面——从工作方式到教育模式，从信息传播到人际关系。本章全面分析 AI 对社会的影响，帮助读者理解这一变革性技术的机遇与挑战。
ARTICLES IN THIS CHAPTER本章文章入口