LLM

Large Language Model，大语言模型

就当前而言，LLM是基于Transformer架构、用于数十亿甚至数万亿的神经网络模型，通过自监督学习预测下一个词，从而掌握语法、知识以及推理能力，不过LLM并不知道”真假“，它知道的最多的是”网上最长出现的说法”，所以有时候会胡说八道（编造论文的参考文献）

通俗点解释，LLM是一个读过互联网内容的“超级百事通”，比较擅长接话茬和聊天（也许吧）

一般情况下，目前活跃度比较高的有Deepseek，阿里千问，豆包，GPT，Claude等

Transformer

框架，核心为Self-Attention

这是源于2017年提出的一种深度学习的架构，核心为自注意力机制（可以不用管这玩意干嘛的），能够并行计算序列中所以元素之间的关联权重，一个比较突出的作用是，解决了RNN的长距离依赖和串行的效率问题

此框架为现代LLM的基石，绝大部分LLM都基于此框架训练，不过最近Transfomer的创始人貌似正在寻找新的架构，这边就不多说了，感兴趣的话可以自行查询

Agent

助理，智能体

现代LLM的一个发展方向便是Agent，基于LLM的自助系统，能够完成诸多复杂的任务，具备任务规划、工具使用、记忆能力

当前比较火的两个开源Agent一个是Open claw，一个是Hermes Agent，不过我觉得更多人可能会喜欢用Opencode和Claudecode吧

SKILL

Agent的“手”

前面提到了Agent能够完成复杂任务，而skill则是Agent工具箱的一个专用螺丝刀，能够协助其实现一些功能或者目标

专业点说，skill是Agent可调用的模块化能力单元，一般是一个API函数或者一项具体的服务，能够通过自然语言出发（你跟它说查天气，它就自动调用查天气的skill去查，然后回答结果给你）

有一个进阶操作，skill可以嵌套组合，形成一个更复杂的skill，当然，这里不多说

MCP

模型上下文协议，AI界的拓展坞

如果把U盘、读卡器、有线or无线的外设插电脑上，每个都要专门的驱动，后来USB统一了接口，即插即用，而MCP即AI与外界工具的统一协议，这样只有有一个工具支持MCP，AI直接就能与之连接，而无需为每一个外部工具专门写一份定制源码

MCP最早由Anthropic公司提出（Claude它妈），是一个开放标准，有三个定义（原语）：

Resources：暴露数据（如读文件、数据库）

Prompts：预设的提示模板

Tools：可调用的技能（skill）

AI通过MCP发现和调用这三者，开发者无需再去做单独的继承

有一个比较广泛的实际应用场景：一个支持 MCP 的 IDE 插件，能让 AI 同时连接你的 GitHub、Notion、Slack 和 Jira，然后回答“上周大家讨论的那个 bug 后来怎么解决的？“它会自动去各系统搜证据回复

说完了热门的，来说说比较冷门的几个

RAG

检索增强生成，Retrieval、Augmented、Generation

标准流程：

用户提问

用 Embedding 模型将问题转为向量，去向量数据库里找最相似的文档片段

把问题 + 检索到的片段拼成新的提示，喂给 LLM

LLM 基于提供的材料生成答案

这样答案既有依据又能用自然语言表达

其实通俗点说，就是你的LLM模型会自己检索资料，找到答案之后再回答问题，而非胡说八道

Fine-tuning

微调~一个看上去过时，却工作转移的”技能专攻“

一个学物理的大学生，你让他去航天局造火箭，他还差得远。但如果你给他3个月的火箭设计资料专攻一下，他就能上手了。微调就是这种“短期专攻”

预训练 LLM 已经学会通用知识，但不懂你的专业术语和特殊任务。微调就是用少量高质量标注数据，继续训练模型，更新它的部分参数，成本远低于从头训练

微调可以让模型改变风格、格式、特定知识。比如让它学会用法律条文写合同

Prompt Engineering

提示词工程，让问题更加用于艺术感（：

同样问 LLM “怎么赚钱”，有人得到“努力工作”，有人得到一份详细的副业清单。区别在于问法。Prompt Engineering 就是研究如何向 AI 提问才能得到最好答案的学问

提示词可以包含角色扮演（“你是一位资深产品经理”）、少样本示例（给两个例子）、思维链（“请一步步思考”）。好的提示能激发出 LLM 潜在的推理能力，无需修改模型本身。

其实不用“工程”这个词吓到自己——日常生活中你已经在做了，只是没总结而已，比如”请使用简体中文回答我的问题“（：

懒得总结了，大概了解一下都是干嘛的就行，日后若有新的比较火的术语，本文还会继续更新，欢迎留言