某网站自己做中性笔前端性能优化
引言：AI、大语言模型(LLM)、Agent、MCP、RAG等各种概念层出不穷，若不深入了解，记忆混淆，本文会详细讲解这些概念和它们之间的关系
1. 大模型基本概念
1.1 AI(Artificial Intelligence,人工智能)
人工智能（Artificial Intelligence，AI）是一门研究如何使计算机具备智能的科学与工程领域。它涵盖了许多不同的技术和方法，旨在使计算机能够模拟和执行人类智能活动，如学习、推理、理解语言等。
1.2 AIGC（AI-Generated Content，人工智能生成内容）
它指的是利用人工智能技术（尤其是大模型，如GPT、Stable Diffusion等）自动生成文本、图片、音频、视频等多种内容。
1.3 LLM（Large Language Model，大语言模型）
LLM代表“大型语言模型”（Large Language Model），是一个广义的术语，它指的是能够理解和生成自然语言的模型。LLM模型利用深度学习技术，通过对大规模文本数据进行预训练和微调，获得语言理解和生成的能力。专注于处理和理解自然语言文本。
1.4 GPT（Generative Pre-trained Transformer，生成式预训练模型）
一种使用深度学习技术训练的自然语言处理模型。GPT模型的核心是Transformer架构。
1.5 Agent（智能代理）
能自主感知环境、决策并执行任务的AI程序，通常基于LLM驱动。规划（Planning）：拆解目标为子任务（如AutoGPT）。工具调用（Tool Use）：使用API、数据库、搜索引擎等（如ChatGPT Plugins）。记忆（Memory）：短期（对话上下文）和长期（向量数据库）。
1.6 WorkFlow（工作流）
将复杂任务分解为有序步骤的自动化流程，可能跨多个模型或工具。
1.7 MCP（Model Control Plane，模型控制平面）
管理和调度AI模型的中间件系统，关注资源分配和模型生命周期
1.8 RAG（Retrieval-Augmented Generation，检索增强生成）
结合外部知识检索和LLM生成的混合方法，解决LLM知识静态问题（如回答最新新闻）。
流程：检索：从数据库/文档中查找相关片段（如Elasticsearch）。增强：将检索结果作为上下文输入LLM。生成：LLM输出最终答案。
2 关系
2.1 AI/LLM/GPT关系：
人工智能(AI)是一个大的领域，LLM(大语言模型)是其中的一个子领域，而GPT(生成式预训练模型)是LLM的一种具体实现，DeepSeek模型也是LLM的一种实现。LLM的目标是处理自然语言，而人工智能涵盖了机器视觉、机器学习等。
2.2 Agent/workFlow/MCP/RAG关系：
- Agent是“执行者”：自主调用工具完成任务，依赖MCP提供的模型和WorkFlow定义的步骤。
- MCP是“资源管家”：确保模型高效运行，支撑Agent和WorkFlow的需求。
- WorkFlow是“流程设计师”：编排Agent、RAG等组件的协作顺序。
- RAG是“知识扩展包”：为Agent或WorkFlow中的LLM提供实时知识支持。
| 技术 | 角色 | 依赖项 | 输出目标 |
|---|---|---|---|
| LLM | 基础推理与生成 | 算力、训练数据 | 文本/代码 |
| RAG | 知识实时扩展 | 检索系统+LLM | 可信答案 |
| Agent | 任务执行者 | LLM+工具库 | 动作决策 |
| WorkFlow | 流程编排 | 多个Agent/模型 | 端到端结果 |
| MCP | 资源调度中枢 | 分布式系统 | 高可用服务 |
| AIGC | 应用层输出 | 以上所有 | 多媒体内容 |
关系：
扩展：Token：令牌（Token）是指文本数据的基本处理单元。比如一个句子可以被分割成若干个单词，每个单词就是一个token。
单模态：只处理一种类型的数据，例如只处理文本（GPT3.5），只处理图像（图像识别模型）。
多模态：能否处理两种以上类型数据。既能理解图像内容，又能理解文本描述。