00 · AI 技术概述 - Overview
所属知识库：Agent 全栈技术地图
所属领域：01 · AI
所属章节：领域总览（覆盖 01 Fundamentals、02 Model Architecture、03 Model Engineering、04 Knowledge & Retrieval）
文档类型：领域概述
版本：v1.0
更新日期：2026 年 10 月 26 日
核心问题：什么是 AI？它如何获得和使用智能能力？AI 技术由哪些部分构成？它与 Agent 开发有什么关系？
一、什么是 AI？
人工智能（Artificial Intelligence，AI）是研究和构建能够执行通常需要人类智能参与的任务的计算系统的技术领域。
这些任务包括感知环境、识别信息、理解语言、学习规律、进行推理、作出预测、生成内容和辅助决策等。
从本质上看，AI 希望解决的问题是：
如何让计算机具备处理复杂信息、学习数据规律并完成智能任务的能力？
传统软件通常依赖开发者编写明确的规则和程序逻辑。例如，开发者可以规定：当用户输入某个关键词时，程序返回指定结果。
AI 则提供了另一种实现方式。开发者可以通过数据和训练算法，使模型学习输入与输出之间的复杂关系，从而处理难以通过简单规则完整描述的任务。
例如，识别一张照片中的物体、理解一段自然语言、翻译文章或判断文本的情感倾向。
需要注意，AI 并不等于大语言模型，也不等于生成式 AI。人工智能是一个范围广泛的技术领域，包含规则推理、机器学习、深度学习、计算机视觉、自然语言处理、强化学习等多种研究方向。
本知识库主要关注与现代 Agent 开发密切相关的 AI 技术，尤其是大语言模型、模型工程和知识检索。
二、AI 是如何实现智能能力的？
理解 AI，可以先从一个基本问题开始：
计算机为什么能够识别信息、理解语言，甚至生成看起来具有逻辑的回答？
不同 AI 技术采用不同的实现方式。
早期人工智能系统通常依赖人工设计的知识表示、逻辑规则和搜索算法。系统通过这些规则进行推理或决策。
现代机器学习则主要通过数据训练模型，使其从大量样本中学习规律。
深度学习进一步利用多层神经网络，从数据中学习复杂的特征和表示。
以现代大语言模型为例，其能力主要来自以下过程：
数据 → 训练 → 模型 → 推理 → 输出
2.1 数据：模型学习的信息来源
训练数据可能包括文本、图像、音频、视频以及其他形式的信息。
模型通过接触大量数据，学习其中的统计规律、结构关系和模式。
例如，语言模型可以通过文本数据学习词语之间的关系、语言结构以及大量知识与表达方式。
2.2 训练：模型获得能力的过程
训练是通过算法不断调整模型参数，使模型在特定目标上表现得更好的过程。
对于大语言模型，预训练通常涉及预测文本序列中的 Token。
模型通过大量训练逐渐获得语言处理能力，并可能形成一定的知识表示、模式识别和推理能力。
之后还可以通过指令微调、偏好优化等方法，使模型更适合按照用户指令完成任务。
2.3 模型：承载学习结果的计算结构
AI 模型可以理解为一个经过训练的计算系统。
它包含模型架构和训练得到的参数，通过数学运算将输入转换为输出。
不同模型具有不同的架构、训练目标和能力。
例如，有些模型主要处理文本，有些擅长图像识别，还有些能够同时处理文本、图像、音频等多种模态。
2.4 推理：模型实际处理任务的过程
模型训练完成后，开发者或用户可以向模型提供输入。
模型根据输入、已有参数和推理计算生成结果。
例如，用户输入一个问题，语言模型会处理输入内容，并生成相应的文本输出。
这里的“推理”（Inference）主要指模型运行时的计算过程，与逻辑推理能力（Reasoning）并不完全相同。
2.5 输出：模型能力的具体表现
模型的输出可以是文本、图像、音频、分类结果、预测数值或结构化数据。
对于现代 Agent 开发，模型还可以输出工具调用请求，由外部程序执行相应操作。
因此，AI 模型的核心工作过程可以概括为：
通过训练获得处理信息的能力，在运行时根据输入进行计算并产生输出。
这只是现代机器学习模型的简化描述，并不能覆盖所有 AI 技术。
三、AI 技术发展到了什么阶段？
人工智能经历了多个发展阶段，不同阶段的技术并不是完全相互替代，而是在持续积累和融合。
可以从以下几个主要方向理解其发展。
| 发展方向 | 主要特点 | 代表性技术 |
|---|---|---|
| 规则与符号推理 | 使用人工定义的知识和规则解决问题 | 专家系统、知识表示、逻辑推理 |
| 机器学习 | 从数据中学习规律 | 决策树、支持向量机、统计学习 |
| 深度学习 | 使用多层神经网络学习复杂表示 | CNN、RNN、深度神经网络 |
| 基础模型与生成式 AI | 通过大规模训练获得较广泛的任务能力 | Transformer、LLM、扩散模型 |
| Agent 应用 | 将模型能力与目标、工具和执行机制结合 | LLM Agent、工具使用、任务编排 |
其中，Transformer 架构和大规模预训练推动了现代语言模型的发展。
大语言模型使开发者能够通过自然语言调用较为通用的语言处理能力，而不必针对每一种任务分别训练独立模型。
随着模型能力增强，AI 应用也逐渐从文本生成、信息问答扩展到代码编写、资料分析、工具使用和复杂任务执行。
Agent 是这一应用方向的重要组成部分，但 Agent 并不是人工智能发展中唯一的下一阶段，也不能简单理解为所有 AI 技术的最终形态。
四、现代 AI 技术由哪些主要部分构成？
从 Agent 开发的角度，可以将相关 AI 技术理解为四个主要部分：
AI 基础 → 模型架构 → 模型工程 → 知识与检索
这四个部分对应不同的研究问题。
4.1 AI Fundamentals：理解人工智能
这一部分研究 AI 的基本概念、发展过程、主要技术路线以及能力与局限。
重点回答：
- 什么是人工智能？
- AI、机器学习和深度学习有什么区别？
- AI 技术如何发展到今天？
- 什么是生成式 AI？
- AI 能做什么，不能做什么？
这一部分负责建立基本认知。
4.2 Model Architecture：理解模型如何工作
这一部分研究 AI 模型的内部结构和运行机制。
重点包括神经网络、Transformer、大语言模型、多模态模型、训练与推理。
它主要回答：
AI 模型为什么能够处理信息？这些能力通过什么技术机制实现？
对于 Agent 开发者，理解模型架构有助于认识模型能力、上下文限制、输出特征和性能约束。
4.3 Model Engineering：理解如何使用模型
这一部分研究如何将 AI 模型集成到实际软件中。
主要包括：
- 通过 API 调用模型；
- 设计 Prompt 和管理输入；
- 组织上下文；
- 获取结构化输出；
- 使用 Function Calling；
- 选择不同模型；
- 部署开源模型；
- 优化成本、延迟和性能。
它主要回答：
开发者如何把模型能力转化为可调用、可控制、可维护的软件功能？
这是 AI 技术与 Agent 开发之间最直接的连接领域。
4.4 Knowledge & Retrieval：理解 AI 如何利用外部信息
模型训练完成后，其参数通常不会因为一次普通的用户对话而自动更新。
因此，实际应用经常需要通过外部检索获取最新信息、专业资料或私有知识。
这一部分主要研究 Embedding、向量数据库、信息检索、RAG 和知识库。
它主要回答：
如何让 AI 在处理任务时使用模型参数之外的信息？
例如，一个研究 Agent 可以通过搜索工具或知识检索系统获取资料，再利用模型对资料进行分析和总结。
五、AI 模型如何成为实际软件中的能力？
理解 AI 模型与使用 AI 模型是两个不同的问题。
在实际开发中，开发者通常不需要从零训练一个大语言模型，而是通过模型服务使用已经训练好的模型。
一个典型的 AI 应用可以简化为：
用户输入
│
▼
应用程序
│
│ 组织 Prompt、上下文和参数
▼
模型 API
│
▼
AI 模型
│
│ 执行推理
▼
模型输出
│
▼
应用程序
│
│ 解析、验证和处理结果
▼
返回用户例如，开发者可以构建一个文本分析应用。
用户上传文章后，程序提取文本并发送给模型。模型返回文章主题、摘要和关键词，程序再将这些内容整理为结构化结果。
在这一过程中，AI 模型负责智能信息处理，应用程序负责输入组织、接口调用、结果处理和用户交互。
如果需要使用外部知识，可以在模型调用之前增加检索过程。
如果需要让模型决定下一步执行什么操作，则可以进一步引入工具调用和 Agent 执行机制。
因此，AI 模型本身只是完整软件应用中的一个重要能力来源。
六、AI 与 Agent 有什么关系？
AI 与 Agent 的关系是本知识库特别关注的问题。
从现代 LLM Agent 的角度，可以将二者的关系概括为：
AI 模型提供智能计算能力，Agent 将这些能力用于目标驱动的判断与行动。
例如，一个普通 AI 应用可以接收用户输入并生成一份研究提纲。
而一个研究 Agent 可以根据用户目标，进一步决定需要收集哪些资料、调用什么工具、如何分析信息，以及何时结束任务。
二者可能使用相同的语言模型，但软件执行机制不同。
| 比较维度 | 普通 LLM 应用 | LLM Agent |
|---|---|---|
| 主要任务 | 根据输入生成或处理信息 | 围绕目标执行任务 |
| 模型作用 | 生成内容或分析结果 | 参与判断、规划和行动选择 |
| 执行方式 | 通常由程序预设调用流程 | 可在限定范围内动态选择行动 |
| 外部工具 | 可以使用，但通常由程序控制调用 | 可以由模型参与决定工具使用 |
| 执行过程 | 可以是单次或多次模型调用 | 通常包含多步骤执行与反馈 |
| 主要关注 | 模型输出与应用功能 | 任务完成与执行控制 |
需要注意，这是一种典型情况的比较，而不是严格的技术判定标准。
普通 LLM 应用也可以具有复杂工作流，Agent 也可以采用较简单的执行方式。
另外，Agent 并不一定依赖大语言模型。基于规则、搜索或强化学习的系统同样可以具有 Agent 特征。
本知识库后续主要研究以大语言模型为核心能力来源的 Agent。
七、AI 目前具备哪些能力与局限？
理解 AI 技术，不仅需要了解它能够完成什么任务，也需要认识其能力边界。
7.1 主要能力
现代 AI 模型可以在不同程度上提供以下能力：
| 能力类型 | 典型应用 |
|---|---|
| 语言理解与生成 | 问答、翻译、摘要、写作 |
| 信息提取与分类 | 文档分析、字段提取、文本分类 |
| 推理与问题求解 | 逻辑分析、数学问题、任务规划 |
| 代码理解与生成 | 编程辅助、代码解释、错误分析 |
| 多模态处理 | 图像理解、语音识别、视频分析 |
| 内容生成 | 文本、图像、音频及其他内容生成 |
| 工具使用支持 | 生成工具调用请求、处理工具反馈 |
| 知识辅助 | 结合检索资料进行分析和回答 |
这些能力并不是所有 AI 模型都具备，也不代表模型能够在所有任务中稳定达到相同水平。
7.2 主要局限
第一，模型可能生成错误信息。
语言模型生成的内容可能流畅且具有说服力，但其中的事实、引用或推理过程仍可能存在错误。
第二，模型能力受到上下文限制。
模型能够处理的输入规模受到上下文窗口、计算资源和模型能力等因素影响。
第三，模型不一定具有实时信息。
模型参数中的知识受到训练数据和训练时间等因素限制。需要最新信息时，通常应使用外部检索或数据接口。
第四，模型输出存在不确定性。
相同或相近的输入可能产生不同结果，模型也可能在复杂任务中出现不稳定表现。
第五，模型不天然具备执行权限。
模型可以生成操作建议或工具调用请求，但实际访问文件、调用 API 或修改外部系统，通常需要软件提供相应接口和权限。
第六，模型的推理与规划能力存在边界。
复杂任务可能需要任务分解、外部验证、状态管理和人工监督，不能仅依赖模型一次性生成正确结果。
这些局限也是 Agent Engineering 和 Agent System Engineering 需要重点解决的问题。
八、AI 领域应该如何学习？
本知识库将 AI 研究分为四个专题，建议按照以下顺序展开。
| 学习顺序 | 研究专题 | 学习目标 |
|---|---|---|
| 01 | Fundamentals | 建立 AI 基础概念与发展认知 |
| 02 | Model Architecture | 理解模型的内部结构与运行原理 |
| 03 | Model Engineering | 掌握模型调用、输入管理与工程使用 |
| 04 | Knowledge & Retrieval | 理解外部知识获取与检索增强技术 |
在实际学习中，Model Architecture 与 Model Engineering 可以交叉进行。
例如，在学习 Transformer 和上下文窗口概念时，可以同时通过模型 API 观察不同输入长度对结果和成本的影响。
在研究 Function Calling 时，可以通过简单程序理解模型如何生成工具调用请求，为后续 Agent 开发建立基础。
8.1 建议优先掌握的知识
对于以 Agent 开发为目标的学习者，建议优先理解：
- 大语言模型的基本原理与能力边界。
- Model API 与模型调用流程。
- Prompt Engineering 与上下文管理。
- Structured Outputs 与 Function Calling。
- Embedding、Information Retrieval 与 RAG。
这些知识能够直接支持后续 Agent 设计和开发。
8.2 建议开展的基础实践
完成基础研究后，可以通过三个小项目验证理解：
模型调用应用：通过 API 接收用户输入并生成回答。
结构化信息提取应用：从文本中提取指定信息，并输出经过验证的结构化数据。
文档检索问答应用：通过检索外部资料，为模型提供回答所需的参考信息。
这三个项目分别对应模型调用、模型输出控制和外部知识使用，是进入 Agent 开发之前较有价值的实践基础。
九、AI 领域研究目录
本板块包含四个研究专题。
01 · 什么是 AI？它是如何发展的？ - Fundamentals
| 编号 | 研究文档 |
|---|---|
| 01 | 什么是人工智能？ - Artificial Intelligence |
| 02 | AI、机器学习和深度学习有什么区别？ - ML & Deep Learning |
| 03 | AI 技术经历了哪些主要发展阶段？ - AI Evolution |
| 04 | 什么是生成式人工智能？ - Generative AI |
| 05 | AI 具备哪些能力，又存在哪些局限？ - Capabilities & Limitations |
02 · AI 模型是如何构建和工作的？ - Model Architecture
| 编号 | 研究文档 |
|---|---|
| M1 | AI 模型是什么？它由什么构成？ - Model Fundamentals |
| M2 | 神经网络如何学习和处理信息？ - Neural Networks |
| M3 | Transformer 如何处理和生成信息？ - Transformer Architecture |
| M4 | 大语言模型是如何构建的？ - Large Language Models |
| M5 | AI 模型如何理解和处理不同模态？ - Multimodal Models |
| M6 | AI 模型如何通过训练获得能力？ - Pre-training & Post-training |
| M7 | AI 模型如何生成输出？ - Inference & Decoding |
| M8 | 如何评估 AI 模型的能力与局限？ - Model Evaluation |
03 · 如何使用和管理 AI 模型？ - Model Engineering
| 编号 | 研究文档 |
|---|---|
| E1 | 如何通过 API 调用 AI 模型？ - Model API |
| E2 | 如何设计和管理模型输入？ - Prompt Engineering |
| E3 | 如何管理模型的上下文窗口？ - Context Window |
| E4 | 如何让模型生成结构化结果？ - Structured Outputs |
| E5 | 如何让模型调用外部工具？ - Function Calling |
| E6 | 如何选择和切换不同模型？ - Model Routing |
| E7 | 如何部署和运行开源模型？ - Model Deployment |
| E8 | 如何优化模型调用的成本与性能？ - Inference Optimization |
04 · AI 如何获取和利用外部知识？ - Knowledge & Retrieval
| 编号 | 研究文档 |
|---|---|
| K1 | AI 模型的知识从哪里来？ - Parametric Knowledge |
| K2 | 什么是 Embedding？ - Embeddings |
| K3 | 什么是向量数据库？ - Vector Databases |
| K4 | AI 如何检索外部信息？ - Information Retrieval |
| K5 | 什么是 RAG？它如何工作？ - Retrieval-Augmented Generation |
| K6 | 如何构建 AI 知识库？ - Knowledge Base |
| K7 | 如何评估知识检索与回答质量？ - Retrieval Evaluation |
十、核心结论
人工智能是一项研究如何让计算系统执行智能任务的广泛技术领域。
现代 AI 模型主要通过数据训练获得处理信息的能力，并在运行时根据输入进行计算和生成输出。
对于 Agent 开发而言，最重要的 AI 研究内容可以分为四个方面：
AI Fundamentals 帮助理解人工智能的基本概念、发展过程与能力边界。
Model Architecture 帮助理解模型的内部结构、训练过程与推理机制。
Model Engineering 帮助掌握模型调用、输入管理、工具调用接口和性能优化。
Knowledge & Retrieval 帮助理解模型如何获取和利用外部信息。
这四个方面共同构成了本知识库的 AI 研究板块。
AI 是现代 LLM Agent 的重要能力基础，但 AI 模型本身不等于 Agent。要让模型参与实际任务执行，还需要进一步研究 Agent 的目标、指令、上下文、工具、规划与执行机制。
因此，完成 AI 板块的研究后，下一步将进入 02 · Agent，重点研究如何将模型能力组织为能够围绕目标进行判断和行动的智能体。
十一、关联研究
| 关联文档 | 研究内容 |
|---|---|
| 00 · Agent 技术体系是什么？ - Overview | 整体技术体系与研究框架 |
| 01 · AI、Agent、Agent System、Agent Platform 有什么区别？ - Definitions | AI 与其他研究领域的概念边界 |
| 02 · Agent | Agent 的组成、能力与执行机制 |
| 03 · Agent System → L3 · Model Services | 模型服务如何融入完整软件系统 |
| 03 · Agent System → L4 · Agent Engine | 模型能力如何参与 Agent 执行 |
| 04 · Agent Platform → P7 · Resource & Integration | 平台如何统一接入模型与外部资源 |