🧠 听懂 AI 圈的 10 个黑话
大白话 + 打比方，一次搞懂。从"引擎"到"协议"，一条链串起来。
01 | 大模型（LLM）— 整个栈的核心引擎 🏛️
GPT、Claude 这类超大规模语言模型。读了互联网上几乎一切文本，学会了语言的规律——能理解也能生成。后面所有概念，要么在它内部运作，要么在它外围补短板。
💡比方：读了整个图书馆的超级学霸——什么都能聊，但有时会自信满满地编答案，因为他是在"猜"而不是"查"。
02 | Token — 模型处理文本的"最小货币单位" 🧱
不是字也不是词——中文约 1 Token = 0.5~1 汉字，英文约 0.75 词。模型的一切输入输出都先切成 Token。Token 数 = 费用 + 速度，省 Token 是工程硬指标。
原文："人工智能改变世界" 切分：[人工] [智能] [改变] [世界] ↓ ↓ ↓ ↓ Token₁ Token₂ Token₃ Token₄💡比方：乐高的最小颗粒——你看到的豪华城堡，模型眼里全是几千块编号积木拼起来的。它的工作就是预测下一块放什么编号。
03 | 上下文（Context）— 模型此刻能记住的一切 📋
系统设定 + 对话历史 + 你的提问 + 外部注入资料，全由 Token 组成，受窗口上限约束（如 128K）。超出的内容模型直接"忘了"。上下文管理 = 哪些塞、哪些省，是工程核心难题。
┌─────────── 上下文窗口（如 128K Token）───────────┐ │ [系统设定] [历史对话] [你的提问] [RAG 注入] │ │ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ │ │ 超出窗口 = 被遗忘 ❌ │ └──────────────────────────────────────────────────┘💡比方：考试时的草稿纸——纸面大小固定，写满了就得擦旧内容。你在上面写的一切，就是模型此刻能看到的全部。
04 | 提示词（Prompt）— 你写给模型的指令 📝
从"翻译这段话"到角色设定 + 格式约束 + 维链引导，全算提示词。同一任务，指令精确 vs 模糊，效果差距巨大。
"做个菜" → 结果：还行 🤷 "不放葱、微辣、少油" → 结果：精准 🎯💡比方：给厨师的下单——“做个菜"和"不放葱、微辣、少油的宫保鸡丁”，出品天差地别。你说得越准，它做得越好。
05 | 幻觉（Hallucination）— 模型编造事实 😵
编造不存在的事实、虚构论文、错误数据——语气坚定到真假难辨。本质：模型在**“预测下一个最可能的 Token”，不是在"检索真实事实"**。觉得说得通就说了。
问：XXX 的论文？ 答：引用了虚构论文 ← 自信满满，但是错的 ❌💡比方：满嘴跑火车的同学——每个字语气笃定，事后查证全是自己编的。他不是骗你，是真的"觉得自己知道"。
06 | Embedding — 语义向量编码 🔗
把文本压缩成高维向量（如 1536 维浮点数）。核心特性：语义相近 → 向量相近。"猫"和"狗"距离很近，"猫"和"汽车"很远——这让语义搜索成为可能。
向量空间： "猫" ● ● "狗" ← 近（同类动物） ● "汽车" ← 远（完全不同）💡比方：给每段文字贴"性格标签"——用一串数字描述气质，气质相近的自动聚拢，找"意思最像"的，而不是"字面最像"的。
07 | RAG — 检索增强生成 🔍
对付幻觉的主流方案。流程：提问 → Embedding 检索知识库 → 把真实段落塞进上下文 → 基于事实回答。本质就是给模型开卷考试。
[提问] → [Embedding检索] → [注入上下文] → [基于事实回答] ↑ 闭卷 → 开卷，靠谱多了 ✅💡比方：闭卷 → 开卷——没 RAG 凭记忆瞎编还一脸自信；有 RAG 带参考书进场，照着资料写，靠谱多了。
08 | Agent — 自主行动的智能体 🤖
给大模型装上**“大脑 + 手脚”——不只聊天，能自主规划、调用工具、观察结果、调整策略**。从"被动回答"到"主动干活"的关键进化。
[大脑·规划推理] → [手脚·调工具] → [眼睛·看结果] → 循环 ↩💡比方：嘴上顾问 → 跑腿实习生——交个任务，他自己拆步骤、查资料、写文档，最后交成品。
09 | Tool Calling — 模型伸手拿外部能力 🔧
模型本身只生成文本，但通过 Tool Calling 能主动调用搜索、数据库、API 等外部工具，拿到真实结果再继续推理。这是 Agent 的**“手”**。
[LLM·只会文本] → [搜索/数据库/计算器] → [真实结果·继续推理]💡比方：锁在房间里的百科达人——知道一切但什么都做不了。Tool Calling =开了一扇窗，伸手出去查天气、看股市、算数学，拿到真数据再回答。
10 | MCP — AI 的 USB 📡
Anthropic 提出的开放协议，把 Tool Calling 的连接方式标准化。以前每接一个工具要单独写适配，现在模型只需对接 MCP，就能接入任意工具。
以前：模型 ─适配A─ 工具A （每工具焊一根线 💀） ─适配B─ 工具B ─适配C─ 工具C 现在：模型 ─MCP─┬─ 工具A （一个标准插头，即插即用 ✅） ├─ 工具B └─ 工具C💡比方：各种奇葩插头 → 全换 USB——键盘 PS/2、鼠标串口、打印机并口，全不一样。MCP 之后一个标准插头，即插即用。
🔗 一条链串起来
大模型 → 处理 Token → 组成上下文 → 受提示词驱动 ↓ 产生幻觉 — 自信满满地编造 ↓ Embedding 编码语义 → RAG 检索注入事实 → 幻觉被抑制 ↓ Agent 让模型从聊天进化为自主行动 ↓ Tool Calling 给 Agent 加手 → MCP 把手标准化为 USB读完这篇，下次技术会议你也能聊得眉飞色舞了 🎤
