一、AI 基础认知：构建行业底层逻辑
🧠 核心概念：理解 AI 的本质与边界
- 人工智能（AI, Artificial Intelligence）：作为一门横跨计算机科学、心理学、语言学等多领域的交叉学科，AI 的目标是让机器拥有类人智能，不仅能完成数据计算、模式识别等基础任务，更要具备理解、推理、自主决策、内容创造等高级能力。从 1956 年达特茅斯会议正式提出 AI 概念至今，行业经历了三次发展浪潮，当前正处于以大语言模型、多模态技术为核心的第三次爆发期。
- 机器学习（ML, Machine Learning）：区别于传统编程 “人工编写规则→执行” 的固定模式，机器学习通过算法让机器从数据中自动学习规律，形成 “数据→模型→预测 / 决策” 的闭环，是实现 AI 的主流方法。
- 深度学习（DL, Deep Learning）：作为机器学习的前沿分支，深度学习通过模拟人脑神经元连接方式，构建多层神经网络，并以端到端学习自动提取复杂特征。随着算力提升（GPU、TPU 等），深度学习在图像识别、语音合成、自然语言处理等领域取得突破性进展，如 AlphaGo、ChatGPT 等均是典型应用。
- 神经网络（Neural Network）：由大量人工神经元相互连接构成，每个神经元接收输入信号并加权计算后输出。早期受算力限制只能构建浅层网络，深度学习则通过深层网络结构，实现对复杂模式的建模。
📊 技术方法：AI 的三大学习范式
- 监督学习（Supervised Learning）：目前应用最广泛的机器学习范式。训练数据由 “输入 – 输出标签” 对组成，模型学习输入与输出之间的映射关系，用于预测未知数据。如图像分类、房价预测、垃圾邮件识别等。
- 无监督学习（Unsupervised Learning）：训练数据不带标签，模型自主发现数据中的潜在结构与规律，典型任务包括聚类（用户分群、异常检测）和降维（高维数据可视化）。
- 强化学习（Reinforcement Learning）：通过 “智能体 – 环境 – 奖励信号” 的交互模式学习。智能体在环境中执行动作，获得奖励信号（可正、可负、可为零），不断优化策略以最大化长期收益，广泛用于游戏 AI、机器人控制、自动驾驶决策等。
🛠️ 模型与工具：AI 开发的核心载体
- 大语言模型（LLM, Large Language Model）：基于 Transformer 架构，在海量文本数据上训练的大规模参数模型，具备理解、生成、翻译、推理、编写代码等能力。
- Transformer：2017 年由 Google 提出，是当前大语言模型的基础架构。它通过自注意力机制建模序列依赖关系，解决了传统 RNN 训练时无法并行计算、长距离依赖建模弱的问题，为大模型规模化训练奠定基础。
- TensorFlow/PyTorch：当前最主流的两大深度学习框架。
- TensorFlow：工业部署成熟、生态完善；
- PyTorch：动态图机制，灵活易用、调试方便，学术界与研发场景广泛使用。
- Prompt Engineering（提示工程）：通过设计清晰、结构化的提示词，引导大语言模型输出符合目标的结果，是使用大模型的核心实用技能。
🎯 应用与伦理：AI 的价值与挑战
- 生成式 AI（Generative AI）：能够自主生成全新内容的 AI 技术，可生成文本、图像、音频、视频、代码等，深刻改变内容创作、设计、教育、娱乐等领域。
- AGI（Artificial General Intelligence，通用人工智能）：指具备通用智能，可学习、适应并完成任意一类智力任务的 AI 系统，达到或接近人类水平的跨领域能力。当前所有 AI 均属于弱人工智能（专用 AI），只在特定任务上表现优秀。
- AI 伦理：随着 AI 普及，算法偏见、数据隐私、安全可控、虚假信息、责任界定等问题日益重要，旨在确保 AI 技术安全、公平、向善发展。
二、热门落地技术：解锁 AI 的商业价值
🤖 Agent 智能体：从 “工具” 到 “自主执行者”
- AI Agent（智能体）：以大语言模型为核心，具备感知、记忆、规划、工具调用、自我修正能力的智能系统，可独立理解目标、拆解任务、执行并反馈，实现复杂流程自动化。
- 反应型 Agent：无内部状态与记忆，仅根据当前输入做出即时响应，结构简单、响应快，适用于简单指令场景（如基础语音控制）。
- 目标驱动型 Agent：拥有内部状态与明确目标，可自主规划步骤、调用工具、闭环完成复杂任务，如智能客服、办公自动化助手等。
- 多 Agent 系统：由多个智能体组成，通过协作、协商、分工完成单 Agent 难以处理的复杂场景，如智慧交通、供应链协同、工业调度等。
📚 RAG 检索增强生成：解决大模型 “幻觉”
- RAG（检索增强生成）：将外部知识库检索与大模型生成相结合的技术。生成回答前先从知识库中检索相关信息，再让模型基于真实资料回答，显著降低幻觉，提升准确性与时效性。
- 嵌入模型（Embedding Model）：将文本、语句等非结构化数据转为低维数值向量。语义相近的文本，在向量空间中距离更近，从而实现高效语义检索。
- 知识库：RAG 的信息来源，可包含文档、网页、数据库、业务资料等，其质量与更新频率直接决定落地效果。
- 召回 / 排序：检索的两个关键阶段：
- 召回：从海量数据中快速粗筛相关内容；
- 排序：对召回结果精排，把最相关内容优先提供给模型。
🛠️ Skills 技能系统：AI Agent 的 “工具箱”
- Agent Skills（智能体技能包）：针对特定业务场景封装的标准化能力单元，包含任务逻辑、Prompt 模板、规则约束、工具调用、输出格式等。
- Skill 结构：任务描述 → Prompt 模板 → 规则约束 → 执行流程 → 工具调用 → 输出规范。
- 公共 Skills：平台提供的通用技能，如文档生成、数据可视化、信息提取、日程管理等。
- 自定义 Skills：面向行业 / 企业的个性化技能，如金融分析、作业批改、质检核查、合规审核等，支持复用与共享。
三、配套技术术语：完善 AI 技术生态
- Token：大语言模型处理自然语言的最小单位，可以是单词、子词、字符等。模型的上下文长度、计算量与成本都与 Token 数量直接相关，不同模型的 Token 上限从数千到十几万不等。
- 大模型幻觉：指大语言模型生成虚假、错误、无事实依据的内容，是当前大模型最主要的缺陷之一，可通过 RAG、事实校验、对齐训练等方式缓解。
- 对齐（Alignment）：让 AI 模型的行为与人类价值观、安全规范、真实意图保持一致。常用技术包括人类反馈强化学习（RLHF）、规则约束、价值对齐训练等。
