AI 基础概念总览

很多 AI 内容一上来就开始讲 Agent、RAG、工作流、协议规范，看起来很热闹，但读到后面很容易有一种感觉：

词都认识，放到一条链路里还是容易乱。

问题往往不在后面的概念太复杂，而在前面几块基础没打稳。

这一部分就盯最常见、也最容易混的基础概念。把这一层理顺了，后面再看接口、检索、工具调用和任务编排，会顺很多。

1. 这一层到底在解决什么问题

基础概念层主要解决 3 件事：

1. 把“模型到底在处理什么”讲清楚
2. 把“我们平时写的输入，和模型真正看到的东西”分清楚
3. 把“能力、成本、延迟、截断”这些后面反复出现的问题，先找到源头

如果这一层没先理顺，后面很容易出现这些误解：

1. 把 Prompt 当成全部上下文
2. 把 Token 当成“字数统计”
3. 把 LLM 当成天然知道外部世界的系统
4. 把“答得不好”全部归因到模型本身

2. 这一层主要看哪些词

这一部分先集中看 4 个词：

1. LLM
2. Token
3. Prompt
4. Context

这 4 个词不是并列堆在一起的术语，它们其实刚好能串成一条最小生成主线。

3. 把最小生成主线看清楚

flowchart LR
    A[任务目标] --> B[组织 Prompt]
    B --> C[拼出完整 Context]
    C --> D[转成 Token 序列]
    D --> E[LLM 生成输出]

顺着这条线往下看，事情大致是这样的：

1. 业务侧先有一个任务目标
2. 然后把任务组织成 Prompt
3. 再和历史消息、检索结果、工具结果一起组成完整 Context
4. 这些内容进入模型前会先被切成 Token
5. 最后由 LLM 基于这些输入生成结果

后面很多工程问题，其实都能沿着这条线往回追：

1. 答非所问，可能是 Prompt 不清楚
2. 答案缺关键资料，可能是 Context 组织有问题
3. 成本太高、响应太慢，往往和 Token 规模直接相关
4. 明明问的是实时信息却答错，很多时候是把 LLM 的边界想大了

4. 🌟 这一层最值得抓住的几个边界

1. LLM 是生成能力，不是外部世界的事实源
2. Prompt 是你主动组织给模型的输入，不等于模型本轮拿到的全部材料
3. Context 往往比 Prompt 更大，因为它还会包含历史消息、检索结果和工具输出
4. Token 不是装饰性概念，它直接影响上下文长度、成本和延迟

5. 入口

这一层先看：

• LLM、Token、Prompt 与 Context

这一篇会把 4 个词放到一条主线上讲清楚。