先理解人工智能的整体范围，才能判断生成式 AI 在其中解决的是哪一类问题。
Knowledge graph · 177 nodes · 127 relations
概念图谱
从一个概念出发，观察知识如何通过前置、组成、比较与应用关系连接成体系。
关系场
177 个节点 · 127 条真实关系
勾选关系类型后，网址会记住这次筛选——点「复制链接」就能把同一张图发给同事。
图谱进入视口后加载
交互图谱之外，本页下方保留完整文字关系与词条链接。
前置关系
先理解什么，后面的概念才不至于悬空。
大语言模型是生成式 AI 的重要分支，先理解生成任务有助于把握模型目标。
上下文窗口通常按 Token 数量计量，因此理解 Token 是判断容量与成本的前提。
先理解语言模型如何预测下一个 Token，才能理解它为何会生成流畅但错误的内容。
向量数据库存储和检索嵌入向量，先理解 Embedding 才能理解相似度搜索。
文档切片决定可被检索的知识单元，是理解 RAG 检索质量的重要前提。
RAG 需要把检索结果放入有限上下文，理解窗口限制才能判断取舍与成本。
先理解检索如何找到相关资料，才能理解 RAG 如何为生成阶段提供上下文。
先理解生成式 AI 的共同机制，再看多模态系统如何把文字、图像、音频和视频放进同一任务。
图像生成是生成式 AI 在视觉内容上的具体任务，先理解生成概念才能判断产品能力边界。
视频生成沿用生成式 AI 的内容合成思路，但还需要处理画面连续性和时间维度。
明白模型是在当前上下文中预测输出，才能理解提示词为什么会改变结果而不是直接改模型。
上下文工程建立在模型依赖输入信息的事实之上，先理解模型工作方式再谈信息组织。
长上下文是上下文窗口能力的扩展，先知道窗口限制，才不会把容量数字误读成可靠性保证。
结构化输出仍然需要通过提示和约束表达目标格式，先掌握提示词再理解格式控制。
RAG 的关键不只是召回资料，还要把问题、证据和约束组织成模型能使用的上下文。
如果相关证据根本没有被召回，回答就不可能稳定地建立在正确资料之上。
先理解 RAG 如何把外部证据放进生成上下文，才能判断回答是否真的依据了这些证据。
只有先明确系统的检索与生成链路，才知道应该用哪些样本评估答案质量和证据一致性。
先理解 Agent 需要围绕目标循环行动，再看工具调用如何让模型获得读取和执行外部动作的能力。
先理解模型 API 如何暴露能力，再理解模型服务如何承担部署、并发和运行时管理。
把做法写清楚并沉淀下来，才能进一步判断哪些步骤适合由规则和工具稳定自动执行。
先定义想判断的质量指标，再设计日志、追踪和运行指标，观测才不会变成无目的的数据堆积。
先理解输入如何试图覆盖系统指令，才能看清 AI 应用为什么需要权限、隔离和人工干预。
自然语言处理提供语言任务的整体背景，有助于理解大语言模型为何能覆盖多种文本工作。
先明确负责任 AI 要守住的原则，才知道风险管理需要识别、评估和处置哪些具体风险。
组成关系
一个方法或系统由哪些关键部分协同构成。
大语言模型读取和生成的基本离散单位是 Token，它连接文本与模型内部计算。
上下文窗口的容量以 Token 数量表达，输入、输出和工具信息共同占用这段空间。
RAG 在检索之后仍需要大语言模型根据问题与外部资料组织并生成最终回答。
文档切片把长资料转成可索引和召回的单元，是 RAG 数据准备阶段的组成部分。
检索负责从外部知识中找到候选资料，是 RAG 区别于纯模型生成的核心组成部分。
向量数据库可作为语义检索的存储与查询组件，但检索系统也可以使用其他索引方式。
重排对初次召回的候选结果再次评分，帮助更相关的资料进入最终上下文。
文档解析把 PDF、表格和网页等原始材料转换为可处理内容，是知识接入的前置组成部分。
知识库提供可被检索的外部资料，但它本身不负责生成答案或判断答案是否正确。
嵌入把问题和资料转换成可比较的向量，帮助 RAG 通过语义相似度寻找候选证据。
混合检索把关键词匹配与语义相似度结合，适合同时保留专有名词精确性和语义召回能力。
查询改写先把用户的口语问题整理成更适合搜索的形式，再交给检索系统扩大命中机会。
工具调用是 Agent 与外部世界互动的关键组件，但单独的工具调用还不等于完整 Agent。
Agent 规划负责把目标拆成后续步骤，是 Agent 从一次回答变成连续行动的重要组成部分。
任务拆解把复杂目标分成可执行的小步骤，为后续的 Agent 规划和检查提供结构。
Agent 记忆保存任务所需的历史和状态，让系统能够跨步骤工作，但不等于模型永久记住一切。
函数调用提供结构化的工具请求格式，是应用实现工具调用的一种常见机制而不是全部能力。
API 调用让模型或应用访问外部服务，是工具调用连接现实系统的常见执行方式。
限流保护模型服务免于被突发请求压垮，也是控制成本和保障多用户公平性的运行机制。
Agent 工作流把模型的动态判断嵌入自动化流程，但仍需要明确边界、状态和失败处理。
提示词模板可以成为技能文件夹中的一个步骤，但完整 Skill 还需要触发条件、资料和输出约定。
提示链把一个任务拆成多个有顺序的模型步骤，是 Agent 工作流中常见的固定编排方式。
基准测试提供可重复的比较集合，是评估模型或应用效果时的一类固定测试工具。
评测集把真实任务整理成可反复运行的样本，是判断改动是否有效的基础材料。
人工评估补充自动指标难以覆盖的质量维度，例如表达清楚、符合语境和是否真正解决问题。
依据一致性检查答案是否被提供的证据支持，是知识问答和 RAG 应用的重要质量维度。
AI 护栏通过规则、分类器或流程限制高风险输入输出，是安全体系中的一层而非全部安全。
人工监督为高风险决策保留复核和停止权，避免系统把不可逆后果完全交给模型。
系统提示词是提示的一种，用来规定模型在当前应用中应遵守的角色、规则和边界。
少样本提示通过提供示例来约束输出方式，是提示词表达任务要求的一种具体方法。
用户提示词承载当前问题和任务目标，是模型每次交互中最直接的一段输入。
短期记忆保存当前任务和会话中的临时信息，是 Agent 记忆的一种运行时组成部分。
长期记忆保存跨会话仍可能有用的信息，但必须有更新、删除和权限边界。
状态管理记录任务进度、工具结果和人工决定，让 Agent 能在多步动作之间保持上下文。
Agent 编排负责组织模型、工具、状态和步骤之间的协作，是构建完整 Agent 的运行时部分。
推理服务器负责加载模型并响应请求，是模型服务将参数转成在线能力的运行组件。
语义搜索按含义而不是只按字面匹配资料，是检索系统理解自然语言问题的一种方式。
关键词搜索按词面和索引命中资料，适合保留专有名词、编号和精确短语。
上下文检索从候选资料中挑选最终交给模型参考的内容，是检索到生成之间的关键环节。
相似度搜索按表示之间的距离寻找近邻，是嵌入检索和向量数据库常用的查询方式。
任务成功率直接判断用户目标是否完成，比只看语言流畅度更接近实际产品价值。
安全过滤器通过识别高风险输入或输出执行一部分护栏策略，但不能单独覆盖所有攻击路径。
风险管理负责识别和处置具体风险，是 AI 治理落地的一部分，但治理还包括问责、透明度与合规要求。
比较关系
概念之间哪里相近、哪里不同，以及不能混用的边界。
人工智能是更广泛的领域，生成式 AI 专注于根据已有模式产生新的内容或表示。
幻觉描述生成结果可能失真，RAG 是降低部分知识性错误风险的方法而不是彻底消除机制。
检索先扩大范围找到候选资料，重排再以更精细的标准调整这些候选的顺序。
两者都在沉淀反复交代的做法，但提示词模板是单点复用的一段文本，Agent 技能是带元数据、按需加载的文件夹。
LangChain 是跑在进程内的编排代码库，MCP 是跨进程的工具接入约定；两者不同层，可以叠加而不是替代。
微调改模型权重、管行为与风格，RAG 改上下文、管可更新的知识；两者不同层，可以叠加而不是二选一。
长上下文提高单次可容纳的篇幅，RAG 决定该把哪些证据放进去；容量变大不替代「选对证据」这件事。
微调把规律写进模型参数，知识库把资料保留在外部并按需检索；更新成本和可追溯性不同。
微调改变模型参数，长上下文改变一次输入能放多少内容；两者都不能自动保证答案准确。
计算机视觉主要从图像中识别和理解信息，图像生成则根据条件合成新的视觉内容。
图像生成输出单张或独立画面，视频生成还要维持跨帧的动作、人物和镜头连续性。
大语言模型强调语言建模，多模态人工智能强调处理多种信息类型；一个系统可以同时具备两者。
微调可能改善特定任务的行为，但它不是事实核验机制，不能把幻觉风险从根本上消除。
AI Agent 是更宽泛的系统形态，自主智能体强调在较少人工干预下持续规划和执行。
Agent 规划可以根据状态动态调整步骤，工作流自动化通常沿预先定义且可检查的路径执行。
函数调用描述模型如何按结构提出一次函数请求，MCP 描述客户端与外部工具服务如何标准化连接。
多智能体系统让多个角色协作完成任务，工作流自动化强调步骤和规则编排，二者可以组合使用。
人工评估依靠人的判断，大模型裁判用模型按标准打分；后者效率更高但仍需校准和抽查。
大语言模型主要生成内容，Agent 在模型之外增加规划、工具、状态和执行闭环。
越狱提示通常针对模型安全限制，提示词注入更强调不可信内容对应用指令和工具边界的操纵。
人在回路强调具体工作流中的介入节点，人工监督强调持续监控、复核和停止系统的治理安排。
AI 安全关注系统可能造成的伤害与失控，AI 治理进一步规定组织如何负责、记录、审计和问责。
Skill 是把「这件事该怎么做」写成可复用的说明书，MCP 是把「工具怎么接进来」标准化的接口约定；一个管做法，一个管通道。
Agent 根据中间结果自己决定下一步，工作流自动化按预先定义的步骤和规则执行；前者动态规划，后者稳定可查。
应用关系
一个概念如何被另一个方法实际使用。
检索系统可以用嵌入向量表示语义，并通过相似度找到表达不同但含义接近的资料。
RAG 把大语言模型的生成能力用于整合检索证据，使回答能够利用模型参数之外的知识。
Agent 技能为 Agent 提供可复用的做法，让同一套流程在不同会话与不同 Agent 之间保持一致。
LangChain 用来搭建 Agent 的运行时外壳，把模型、工具与提示循环封装成可复用的代码。
多模态系统可以把文字、参考图和视觉理解结合起来，形成更丰富的图像生成输入。
视频生成通常需要同时处理文字、图像与时间连续性，多模态能力为这些输入提供统一接口。
温度参数改变采样结果的随机程度，常用于控制生成式 AI 输出的稳定性与多样性。
自我纠错让 Agent 根据中间结果发现问题并调整步骤，但仍需要明确停止条件和人工监督。
人在回路为高风险动作保留确认、干预和停止位置，是 Agent 进入真实业务的重要控制方式。
模型路由可以根据任务、成本、延迟或可用性选择不同模型，是服务层的调度能力。
MCP 为工具和数据提供标准化接入方式，工具调用仍由客户端与模型应用共同完成执行。
提示词版本管理帮助追踪技能中的指令变化，便于回溯改动与比较输出质量。
LangChain 可以承载 Agent 工作流的提示、工具和状态编排，但工作流本身不依赖某一个框架。
可观测性记录 Agent 的步骤、工具调用和失败原因，帮助定位一次行动链到底在哪一环出错。
检索召回率把知识库是否找到正确资料变成可测指标，能区分检索问题与生成问题。
AI 治理把责任、权限、流程和审计要求落到组织中，让安全不只停留在模型技术层。
红队测试主动寻找越权、误导和滥用路径，用攻击视角检验安全措施在真实场景中的有效性。
隐私要求限制个人信息的收集、使用和泄露，是 AI 系统安全边界中不能忽略的组织责任。
提示词调试通过比较输入、输出和失败原因，帮助定位任务描述中缺少的上下文或约束。
结构化输出把提示词中的格式要求落实为字段、类型和可检查的结果形状。
上下文工程把提示词放进更完整的信息组织过程，决定哪些资料、历史和工具结果应该一起提供。
浏览器使用让 Agent 能读取网页并执行点击、填写和导航等动作，但权限与可撤回性必须先设计。
计算机使用把 Agent 的行动范围扩展到桌面界面，带来更高的执行能力和更大的误操作风险。
代码执行是工具调用的一种高权限形式，能处理数据和自动化任务，但需要隔离运行环境。
Agent 规划可以利用已保存的任务状态和历史结果决定下一步，但记忆错误也会把错误带入后续行动。
模型服务把训练完成的大语言模型以可调用方式部署出来，承担并发、延迟和资源管理。
备用模型让路由在主模型不可用、超时或成本不合适时仍能提供降级后的服务。
Top-k 决定检索阶段保留多少候选结果，会影响召回范围、上下文长度和后续排序成本。
引用生成把答案与证据来源显式连起来，帮助检查回答是否真的建立在提供的资料上。
置信度校准检查系统的自信程度是否与真实正确率相匹配，是评估可依赖性的一个维度。
数据治理把数据的收集、访问、保留和删除规则落实下来，是保护隐私的组织基础。
负责任 AI 将公平、透明、问责和风险管理等原则转成组织的治理要求与工作流程。
内容审核降低有害输出进入用户场景的风险，但安全还需要权限、监督、测试和应急机制。
版权问题提醒系统在训练、生成和分发内容时处理权利边界，是 AI 安全与治理的一部分。