高中生写的AI科普文，请佬友们看看
- 内容介绍
- 文章标签
- 相关推荐
AI会议现在有个标准流程：有人站台上堆LLM、Transformer、幻觉、Agent，底下一半在点头，另一半在手机上搜这些词。
两边都不太好意思说自己不懂。
今天就来讲讲这些词到底什么意思。
AI这个词，其实装了两种完全不同的东西
你刷短视频时，它知道你爱看猫咪视频——这叫判别式，一直在做选择题：“这是猫还是狗？”"这个用户会不会买？"永远在选，不会创造。
这几年火的ChatGPT、Claude这些，是另一回事，叫AIGC，生成式AI。给它一个开头，它能续写完；给它一个要求，它能凭空造出来。
两种都叫AI，但一个在判卷子，一个在写卷子。后者是这篇文章主要聊的。
LLM：人类有史以来最贪吃的文字接龙游戏机
LLM，大语言模型，这是你现在必须听懂的词。ChatGPT、Claude、Gemini、豆包、DeepSeek，全是它。
很多人一听"100B""神经网络"就开始眼神飘移，觉得这东西有独立意识，快统治世界了。
其实没那么玄。
LLM的核心逻辑就一句话：它是一个经过极度强化训练的文字接龙游戏机。
你跟它说"床前明月"，它的任务就是算出下一个字概率最大的是什么——显然是"光"。然后再算下一个，再下一个，就这么一路接下去。
“但它不是能推理、能编程、能写诗吗？就靠接龙？”
这就是让所有人惊掉下巴的地方。
把互联网上能找到的中文英文文章、代码、书籍、论坛帖子全塞进去，参数堆到千亿量级——它就突然开窍了。没人教过它逻辑推理，但它会了。没人告诉它怎么调代码，但它摸出来了。研究者看着这个现象也挠头，给它起了个名字叫涌现（Emergence）：量变到某个点，质就自己冒出来了。就像水分子本身没有"湿"，但堆在一起，湿就有了。
720×407 81.8 KB
这里藏着一个很多人没意识到的推论：LLM没有"不知道"这个选项。
它只会一直生成下去，哪怕答案是胡编的。不是故意的，就是这么设计的。
Transformer：改变世界的那篇论文，题目叫《注意力就是你所需要的一切》
2017年，Google几位研究员发了一篇论文，英文标题叫《Attention Is All You Need》。
论文里提出了Transformer架构，这个名字你不一定熟，但它的孩子你肯定知道：GPT系列、Claude、BERT……现在所有的主流大模型，底子都是它。
在Transformer出现之前，AI读句子的方式是从左往右，一个字一个字处理，读到后面就忘了前面。几千字的文章，前面的内容早丢得差不多了。
Transformer发明了一种叫"自注意力"（Self-Attention）的东西，让AI可以一目十行，同时感知句子里所有词之间的关系。
举个例子：
“我买了个苹果，真的很好吃。” “我买了个苹果，信号超好。”
Transformer看到"苹果"，会去扫全句找关联——第一句"好吃"权重高，水果；第二句"信号"权重高，手机。不用从左到右苦哈哈地读，一下子看到所有关联再下判断。这就是为什么Transformer出来之后，语言模型的能力突然上了一个台阶。
720×403 78.6 KB
开会不再干坐着：几个必须认识的词
以下这几个词，AI圈绕不开。
Prompt(提示词)
就是你输入给AI的那段话。同样的需求，写法不同，结果可能差一个天地。
“帮我写个邮件"和"你是一个外企HR，帮我用正式但不失亲切的语气，写一封婉拒面试邀请的邮件，对方是XX公司，理由是时间冲突”——出来的东西完全不是一个级别的。
720×387 94.1 KB
现在有人把研究怎么跟AI说话做成了一个职业，叫Prompt Engineer，提示词工程师。你可以笑，但他们薪资不低。
Token(词元)
AI不是按字计费的，是按Token。中文里大概一个字是一个Token，英文一个单词是一到两个Token。
举个例子，床前明月光，五个元素，就会转化为5个token给ai
720×419 76.8 KB
大模型的收费、长度限制，全是按Token算的。调用API报错"超出Token限制"——就是你输入太长了，AI一口吃不下。
Context Window(上下文窗口)
AI的短期记忆容量。你们对话里所有内容加起来超过这个窗口，前面的就会被"忘掉"。
720×464 124 KB
聊了很长一段之后AI突然不记得你说过的事，十有八九就是这个原因。现在各家都在卷这个数字，有些模型已经能一口气吃下好几本书。
Hallucination(幻觉)
AI一本正经地胡说八道。因为LLM的本质是预测概率最高的词，碰到自己"不会"的内容，它不会停下来说"不知道"——它会继续预测，给你编一个听起来完全合理的答案。
720×403 103 KB
有个真实案例：一个律师用ChatGPT查法律先例，AI给出了好几个案件，名称日期判决结果写得有模有样，律师直接引用到了庭审文件里。结果一查，那几个案子根本不存在，全是编的。律师被罚了款。
不是AI在故意骗你，它就是这个机制。用来查事实的时候，自己核一遍总没错。
新名词的批发市场：RAG、Agent、MCP……
这两年AI圈有个很有趣的现象，我称之为**“造词运动”**。
一个东西刚出来，各家争着给它起名字。RAG（检索增强生成）刚流行没多久，有人开始叫它"Context Engineering（上下文工程）"；多步骤自动化任务，有人叫Agent，有人叫Agentic Workflow，有人叫AI Pipeline……大多数时候描述的是同一件事，就是换了个更时髦的壳。
我现在看到新词，第一反应是先不管它，等几个月再说。沉淀下来通常会发现，跟你已经知道的差不多。
RAG(检索增强生成)
Retrieval-Augmented Generation，简称RAG。
背景是这样：LLM的训练数据有截止日期，它不知道最新发生的事，也不知道你公司内部的文档。
RAG的做法是，你提问的时候，系统先去外部数据库里查一遍相关内容，把查到的段落塞进Prompt，再一起发给LLM，让它基于这些真实材料回答。
720×290 82.1 KB
说白了，RAG就是给AI配了一个临时外挂资料包。
Agent(AI智能体)
被说烂了，但真正理解的人不多。
普通的LLM用法：你问一句，它答一句，结束。
Agent的意思是：你给它一个目标，它自己规划步骤，调用工具（搜索、写代码、操作文件、发邮件……），一步一步执行到完成。中间出错了，它自己想办法修正，不需要你每步都盯着。
普通LLM是顾问，你问"我该怎么装修"，它给你方案；Agent是施工队长，你说"把这个房间装修好"，它自己排期找工人买材料验收，直到交钥匙。
现实中的Agent还是会出各种幺蛾子，但方向就是这样。
MCP(模型上下文协议)
Model Context Protocol，Anthropic（就是做Claude的那家公司）在2024年底提出的一个开放标准。
它解决的是一个工程问题：AI模型怎么和外部工具"插拔式"连接？
以前，你想让Claude能操作数据库，得自己写代码适配；想让它调日历API，又得再写一套。每个工具都是定制的，特别麻烦。
MCP提出了一个统一接口标准——所有工具按这个标准开发，AI就能即插即用，不用每次重新适配。
就是给AI世界统一了一套USB接口。
现在已经有几百个MCP Server，文件系统、浏览器、数据库、GitHub……理论上你能想到的工具都能接进来。
720×410 99.6 KB
Skills(AI技能包)
如果说MCP解决的是"AI能用什么工具"，Skills解决的是"AI怎么用这些工具"。
普通对话模式下，你每次都得把任务说清楚，AI才知道该怎么做。Skills是把一套固定的工作流提前写好，打包成一个指令——下次你只要喊一声/commit，它就知道该检查diff、生成commit message、执行提交，整套流程一气完成，不需要你逐步指挥。
720×402 104 KB
一个省事的比喻：普通对话是临时雇人，每次都要交代清楚怎么干；Skills是训练好的助理，特定任务说个暗号就行。
MCP管工具，Skills管流程，两个配合起来才是完整的AI能力扩展。
为什么有些AI回答之前要先"想一下"
最近你可能发现，用某些模型的时候，它回答之前会先显示一段思考过程，有时候转好几秒才给你答案。
这就是推理模型（Reasoning Model），代表是gpt-o1、deepseekr1系列，以及各家现在跟进的"思考模式"。
普通LLM是想到哪说到哪；推理模型会先在脑子里转一圈，把问题拆开来想，确认每步没问题再给你答案。数学题、代码调试、多步骤推理，这些场景推理模型明显好很多。
代价是什么？慢，而且贵。 处理一个复杂问题可能花掉几十秒，费用高出好几倍。
我自己的判断是：当你发现普通模型给的答案逻辑漏洞一堆，但又懒得一步步跟它纠正的时候，换推理模型通常能一次搞定。
最后说一件没人告诉你的事
很多人以为AI是超级搜索引擎，你问它问题，它去数据库里查，然后把答案返回给你。
不是这样的。
LLM的知识是训练进参数里的。训练完成之后，那几千亿个参数就固定了。你问它问题，它是从这堆参数里"提取"出答案，不是实时去查。这也是为什么LLM有知识截止日期——那之后的事，如果没接实时搜索，它就是不知道。
还有一件有意思的事：同一个问题，你换个问法，它可能给你不同答案。不是在耍你，是因为它不在查固定答案，问法不同，它走的"路"不同，结果就不一样。所以给的背景越具体，出来的答案越稳定。越模糊的问题，越容易得到一个听起来正确但其实不太对的答案。
这些词背后，是一场没有终点的军备竞赛
最后说点感受性的东西。
关注这个领域好几年，有一件事一直让我觉得有趣：整个AI行业造词的速度，比技术迭代还快。
RAG刚被摸清楚，Context Engineering出来了。Agent还没统一定义，Agentic AI、Multi-Agent Framework又来了。每隔几个月就有一批新词涌进来，每一个听起来都划时代、都颠覆一切。
很多人因此陷在焦虑里——总觉得自己没跟上，不懂最新的词就落后了。
但这些词背后，本质上没那么多东西。LLM还是那个LLM，还是在预测下一个Token。 外面套的架构和工程方法在变，底层逻辑几年前就在那里了。
弄清楚LLM是什么、上下文窗口是什么、幻觉是怎么来的，新词进来你自然知道它是什么路数。
这也是写这篇文章的原因。
下次再有人在你面前堆砌这些词，可以淡定地问一句：你说的上下文窗口设了多少，幻觉问题怎么处理的？
看他怎么接。
原文：https://mp.weixin.qq.com/s/X_SCgTlYfQB0Y-50NTOO5w
https://zhuanlan.zhihu.com/p/2012194821255738287
--【壹】--：
很强 基本名词都讲的挺清楚明白的
--【贰】--：
写挺好啊
--【叁】--：
看着不错呀
--【肆】--：
路过支持，ai更新的太快了。
--【伍】--：
写得很好，同为高中生自愧不如。
--【陆】--： QingJ:
这就是推理模型（Reasoning Model），代表是gpt-4o、deepseekr1系列，以及各家现在跟进的"思考模式"。
4o是推理模型？
不会是ai写的吧
--【柒】--：
自己能力问题了，我一直以为o1的omni是4o的，不好意思，我更改一下
--【捌】--：
很不错的科普文
AI会议现在有个标准流程：有人站台上堆LLM、Transformer、幻觉、Agent，底下一半在点头，另一半在手机上搜这些词。
两边都不太好意思说自己不懂。
今天就来讲讲这些词到底什么意思。
AI这个词，其实装了两种完全不同的东西
你刷短视频时，它知道你爱看猫咪视频——这叫判别式，一直在做选择题：“这是猫还是狗？”"这个用户会不会买？"永远在选，不会创造。
这几年火的ChatGPT、Claude这些，是另一回事，叫AIGC，生成式AI。给它一个开头，它能续写完；给它一个要求，它能凭空造出来。
两种都叫AI，但一个在判卷子，一个在写卷子。后者是这篇文章主要聊的。
LLM：人类有史以来最贪吃的文字接龙游戏机
LLM，大语言模型，这是你现在必须听懂的词。ChatGPT、Claude、Gemini、豆包、DeepSeek，全是它。
很多人一听"100B""神经网络"就开始眼神飘移，觉得这东西有独立意识，快统治世界了。
其实没那么玄。
LLM的核心逻辑就一句话：它是一个经过极度强化训练的文字接龙游戏机。
你跟它说"床前明月"，它的任务就是算出下一个字概率最大的是什么——显然是"光"。然后再算下一个，再下一个，就这么一路接下去。
“但它不是能推理、能编程、能写诗吗？就靠接龙？”
这就是让所有人惊掉下巴的地方。
把互联网上能找到的中文英文文章、代码、书籍、论坛帖子全塞进去，参数堆到千亿量级——它就突然开窍了。没人教过它逻辑推理，但它会了。没人告诉它怎么调代码，但它摸出来了。研究者看着这个现象也挠头，给它起了个名字叫涌现（Emergence）：量变到某个点，质就自己冒出来了。就像水分子本身没有"湿"，但堆在一起，湿就有了。
720×407 81.8 KB
这里藏着一个很多人没意识到的推论：LLM没有"不知道"这个选项。
它只会一直生成下去，哪怕答案是胡编的。不是故意的，就是这么设计的。
Transformer：改变世界的那篇论文，题目叫《注意力就是你所需要的一切》
2017年，Google几位研究员发了一篇论文，英文标题叫《Attention Is All You Need》。
论文里提出了Transformer架构，这个名字你不一定熟，但它的孩子你肯定知道：GPT系列、Claude、BERT……现在所有的主流大模型，底子都是它。
在Transformer出现之前，AI读句子的方式是从左往右，一个字一个字处理，读到后面就忘了前面。几千字的文章，前面的内容早丢得差不多了。
Transformer发明了一种叫"自注意力"（Self-Attention）的东西，让AI可以一目十行，同时感知句子里所有词之间的关系。
举个例子：
“我买了个苹果，真的很好吃。” “我买了个苹果，信号超好。”
Transformer看到"苹果"，会去扫全句找关联——第一句"好吃"权重高，水果；第二句"信号"权重高，手机。不用从左到右苦哈哈地读，一下子看到所有关联再下判断。这就是为什么Transformer出来之后，语言模型的能力突然上了一个台阶。
720×403 78.6 KB
开会不再干坐着：几个必须认识的词
以下这几个词，AI圈绕不开。
Prompt(提示词)
就是你输入给AI的那段话。同样的需求，写法不同，结果可能差一个天地。
“帮我写个邮件"和"你是一个外企HR，帮我用正式但不失亲切的语气，写一封婉拒面试邀请的邮件，对方是XX公司，理由是时间冲突”——出来的东西完全不是一个级别的。
720×387 94.1 KB
现在有人把研究怎么跟AI说话做成了一个职业，叫Prompt Engineer，提示词工程师。你可以笑，但他们薪资不低。
Token(词元)
AI不是按字计费的，是按Token。中文里大概一个字是一个Token，英文一个单词是一到两个Token。
举个例子，床前明月光，五个元素，就会转化为5个token给ai
720×419 76.8 KB
大模型的收费、长度限制，全是按Token算的。调用API报错"超出Token限制"——就是你输入太长了，AI一口吃不下。
Context Window(上下文窗口)
AI的短期记忆容量。你们对话里所有内容加起来超过这个窗口，前面的就会被"忘掉"。
720×464 124 KB
聊了很长一段之后AI突然不记得你说过的事，十有八九就是这个原因。现在各家都在卷这个数字，有些模型已经能一口气吃下好几本书。
Hallucination(幻觉)
AI一本正经地胡说八道。因为LLM的本质是预测概率最高的词，碰到自己"不会"的内容，它不会停下来说"不知道"——它会继续预测，给你编一个听起来完全合理的答案。
720×403 103 KB
有个真实案例：一个律师用ChatGPT查法律先例，AI给出了好几个案件，名称日期判决结果写得有模有样，律师直接引用到了庭审文件里。结果一查，那几个案子根本不存在，全是编的。律师被罚了款。
不是AI在故意骗你，它就是这个机制。用来查事实的时候，自己核一遍总没错。
新名词的批发市场：RAG、Agent、MCP……
这两年AI圈有个很有趣的现象，我称之为**“造词运动”**。
一个东西刚出来，各家争着给它起名字。RAG（检索增强生成）刚流行没多久，有人开始叫它"Context Engineering（上下文工程）"；多步骤自动化任务，有人叫Agent，有人叫Agentic Workflow，有人叫AI Pipeline……大多数时候描述的是同一件事，就是换了个更时髦的壳。
我现在看到新词，第一反应是先不管它，等几个月再说。沉淀下来通常会发现，跟你已经知道的差不多。
RAG(检索增强生成)
Retrieval-Augmented Generation，简称RAG。
背景是这样：LLM的训练数据有截止日期，它不知道最新发生的事，也不知道你公司内部的文档。
RAG的做法是，你提问的时候，系统先去外部数据库里查一遍相关内容，把查到的段落塞进Prompt，再一起发给LLM，让它基于这些真实材料回答。
720×290 82.1 KB
说白了，RAG就是给AI配了一个临时外挂资料包。
Agent(AI智能体)
被说烂了，但真正理解的人不多。
普通的LLM用法：你问一句，它答一句，结束。
Agent的意思是：你给它一个目标，它自己规划步骤，调用工具（搜索、写代码、操作文件、发邮件……），一步一步执行到完成。中间出错了，它自己想办法修正，不需要你每步都盯着。
普通LLM是顾问，你问"我该怎么装修"，它给你方案；Agent是施工队长，你说"把这个房间装修好"，它自己排期找工人买材料验收，直到交钥匙。
现实中的Agent还是会出各种幺蛾子，但方向就是这样。
MCP(模型上下文协议)
Model Context Protocol，Anthropic（就是做Claude的那家公司）在2024年底提出的一个开放标准。
它解决的是一个工程问题：AI模型怎么和外部工具"插拔式"连接？
以前，你想让Claude能操作数据库，得自己写代码适配；想让它调日历API，又得再写一套。每个工具都是定制的，特别麻烦。
MCP提出了一个统一接口标准——所有工具按这个标准开发，AI就能即插即用，不用每次重新适配。
就是给AI世界统一了一套USB接口。
现在已经有几百个MCP Server，文件系统、浏览器、数据库、GitHub……理论上你能想到的工具都能接进来。
720×410 99.6 KB
Skills(AI技能包)
如果说MCP解决的是"AI能用什么工具"，Skills解决的是"AI怎么用这些工具"。
普通对话模式下，你每次都得把任务说清楚，AI才知道该怎么做。Skills是把一套固定的工作流提前写好，打包成一个指令——下次你只要喊一声/commit，它就知道该检查diff、生成commit message、执行提交，整套流程一气完成，不需要你逐步指挥。
720×402 104 KB
一个省事的比喻：普通对话是临时雇人，每次都要交代清楚怎么干；Skills是训练好的助理，特定任务说个暗号就行。
MCP管工具，Skills管流程，两个配合起来才是完整的AI能力扩展。
为什么有些AI回答之前要先"想一下"
最近你可能发现，用某些模型的时候，它回答之前会先显示一段思考过程，有时候转好几秒才给你答案。
这就是推理模型（Reasoning Model），代表是gpt-o1、deepseekr1系列，以及各家现在跟进的"思考模式"。
普通LLM是想到哪说到哪；推理模型会先在脑子里转一圈，把问题拆开来想，确认每步没问题再给你答案。数学题、代码调试、多步骤推理，这些场景推理模型明显好很多。
代价是什么？慢，而且贵。 处理一个复杂问题可能花掉几十秒，费用高出好几倍。
我自己的判断是：当你发现普通模型给的答案逻辑漏洞一堆，但又懒得一步步跟它纠正的时候，换推理模型通常能一次搞定。
最后说一件没人告诉你的事
很多人以为AI是超级搜索引擎，你问它问题，它去数据库里查，然后把答案返回给你。
不是这样的。
LLM的知识是训练进参数里的。训练完成之后，那几千亿个参数就固定了。你问它问题，它是从这堆参数里"提取"出答案，不是实时去查。这也是为什么LLM有知识截止日期——那之后的事，如果没接实时搜索，它就是不知道。
还有一件有意思的事：同一个问题，你换个问法，它可能给你不同答案。不是在耍你，是因为它不在查固定答案，问法不同，它走的"路"不同，结果就不一样。所以给的背景越具体，出来的答案越稳定。越模糊的问题，越容易得到一个听起来正确但其实不太对的答案。
这些词背后，是一场没有终点的军备竞赛
最后说点感受性的东西。
关注这个领域好几年，有一件事一直让我觉得有趣：整个AI行业造词的速度，比技术迭代还快。
RAG刚被摸清楚，Context Engineering出来了。Agent还没统一定义，Agentic AI、Multi-Agent Framework又来了。每隔几个月就有一批新词涌进来，每一个听起来都划时代、都颠覆一切。
很多人因此陷在焦虑里——总觉得自己没跟上，不懂最新的词就落后了。
但这些词背后，本质上没那么多东西。LLM还是那个LLM，还是在预测下一个Token。 外面套的架构和工程方法在变，底层逻辑几年前就在那里了。
弄清楚LLM是什么、上下文窗口是什么、幻觉是怎么来的，新词进来你自然知道它是什么路数。
这也是写这篇文章的原因。
下次再有人在你面前堆砌这些词，可以淡定地问一句：你说的上下文窗口设了多少，幻觉问题怎么处理的？
看他怎么接。
原文：https://mp.weixin.qq.com/s/X_SCgTlYfQB0Y-50NTOO5w
https://zhuanlan.zhihu.com/p/2012194821255738287
--【壹】--：
很强 基本名词都讲的挺清楚明白的
--【贰】--：
写挺好啊
--【叁】--：
看着不错呀
--【肆】--：
路过支持，ai更新的太快了。
--【伍】--：
写得很好，同为高中生自愧不如。
--【陆】--： QingJ:
这就是推理模型（Reasoning Model），代表是gpt-4o、deepseekr1系列，以及各家现在跟进的"思考模式"。
4o是推理模型？
不会是ai写的吧
--【柒】--：
自己能力问题了，我一直以为o1的omni是4o的，不好意思，我更改一下
--【捌】--：
很不错的科普文