AI TOP10基础问题
# AI TOP10 基础问题
# 1. Tools、Workflow 和 Agent 三者区别是什么？
三者是粒度从小到大的三层结构，实际项目中通常同时存在、相互嵌套。
- Tools：最小能力单元，封装好的可调用函数（搜索、执行代码、发邮件），只负责「执行」，无决策能力
- Agent：完整决策系统，内部用 LLM 做大脑，自主判断何时调哪个 Tool、要不要继续、何时结束
- Workflow：上层编排框架，把 Agent、LLM、Tools 组织成确定性流程，节点做什么、按什么顺序由开发者写死
核心区别：Tools 不做决策只执行，Agent 自己做决策，Workflow 是开发者替所有节点把决策提前写好。
| 维度 | Tools | Agent | Workflow |
|---|---|---|---|
| 决策能力 | 无（只执行） | 有（LLM自主决策） | 无（开发者写死） |
| 执行方式 | 被动等待调用 | 主动循环直到完成 | 按定义顺序执行 |
| 确定性 | 高 | 低 | 高 |
| 灵活性 | 只做一件事 | 高 | 低 |
| 调试难度 | 容易 | 难 | 容易 |
| 适用场景 | 封装单一能力 | 路径未知的复杂任务 | 流程固定的业务系统 |
Agentic Workflow（生产主流）
纯 Agent 难控制、成本高；纯 Workflow 太脆。生产主流是 Agentic Workflow：用 Workflow 固定主流程骨架，在需要灵活判断的节点嵌入 Agent，其余固定节点直接用 LLM 或 Tools。
# 2. 什么是 RAG？
RAG（Retrieval-Augmented Generation）让 LLM 结合外部知识库回答问题。
用户提问 → 向量化查询 → 从知识库检索相关文档 → 注入 Prompt → LLM 生成回答
详见：RAG 检索增强生成
# 3. 什么是 Prompt Engineering？
通过设计和优化输入给 LLM 的提示词，引导模型输出更准确的结果。
常用技巧：
- 角色设定：「你是资深 Python 开发者」
- Few-shot：给几个输入输出示例
- CoT（思维链）：「请一步步思考」
- 输出格式约束：「请以 JSON 格式返回」
- 分隔符：用
"""或###区分指令和内容
# 4. 什么是幻觉（Hallucination）？
模型生成看似合理但实际错误或虚构的内容。
常见表现：编造不存在的论文/URL、虚构事实、错误代码。
缓解方法：RAG 引入外部知识、降低 temperature、要求附带来源引用、Prompt 明确「不确定就说不知道」。
# 5. Token 是什么？为什么按 Token 计费？
Token 是 LLM 处理文本的最小单位，不等于字或词。
- 英文：1 单词 ≈ 1~1.5 Token
- 中文：1 汉字 ≈ 1~2 Token
按 Token 计费因为计算成本与 Token 数直接相关。每个模型有上下文窗口上限（如 128K）。
# 6. Temperature 参数是什么？
控制输出随机性/创造性，范围 0~2。
| 值 | 效果 | 适用场景 |
|---|---|---|
| 0~0.3 | 确定、保守 | 代码、数据提取、事实问答 |
| 0.5~0.8 | 平衡 | 一般对话、写作 |
| 1.0~2.0 | 多样、可能跑偏 | 头脑风暴、创意写作 |
# 7. Embedding 是什么？
将文本转换为高维向量，使计算机能理解语义相似性。相似的词向量接近，不同的词向量差异大。
应用：语义搜索、RAG 文档检索、推荐系统、文本分类。
# 8. Function Calling 是什么？
LLM 根据用户意图，自动决定调用哪个函数并生成对应参数。
用户："北京今天天气？"
→ LLM 输出：调用 get_weather(city="北京")
→ 应用层执行函数，获取真实数据
→ 结果返回 LLM 生成自然语言回答
2
3
4
是实现 Agent 调用 Tools 的底层机制。
# 9. 什么是 MCP？
MCP（Model Context Protocol）是 Anthropic 发布的开源标准协议，统一 AI 应用与外部系统的连接方式。
详见：AI 指南 - MCP
一句话：MCP 之于 AI 工具调用，类似于 USB 之于硬件设备。
# 10. 大模型是如何训练的？
预训练（Pre-training） → 有监督微调（SFT） → 人类反馈强化学习（RLHF）
| 阶段 | 数据 | 目标 |
|---|---|---|
| 预训练 | 海量互联网文本（TB级） | 学语言和世界知识 |
| SFT | 人工标注指令-回答对 | 学会按指令格式回答 |
| RLHF | 人类偏好排序 | 输出更符合人类期望 |
预训练消耗最大，SFT 和 RLHF 让模型从"会说话"变成"好用"。