AI Knowledge

外观

AI 应用工程核心名词词典 极简一问一答 ​

定位｜ AI 应用工程核心名词词典 一分钟速答页。每章固定 10 题，只保留结论、机制、边界与验证关键词；单个回答控制在 10～60 秒。

1. 怎么使用 ​

本页重点｜ L1 概念 → L2 边界 → L3 原理 → L4 实现 → L5 工程 → L6 架构 → L7 复盘 → 误区、验证、证据强化。不会展开时，再进入正式主题或专项题库。

图：AI 应用工程核心名词词典 十题极简脑图

替代文本： AI 应用工程核心名词词典从 L1 概念和 L2 边界，依次进入 L3 原理、L4 实现、L5 工程、L6 架构与 L7 项目复盘，再用误区、最小自测和证据边界三题强化。

图表加载中…

读图结论： 掌握 AI 应用工程核心名词词典 不能停在定义；先顺着七层链路说清机制与工程，再用误区、自测和证据边界确认没有虚假掌握。

2. 极简一问一答 ​

Q001｜一个 AI 应用可以怎样分层理解？

Prompt 表达本次任务，Context 是模型本轮实际可见的信息，RAG 从外部知识源检索证据并放入 Context，LLM 负责生成回答或提出动作。需要多步动态行动时，Harness 包围并编排 Agent Loop；Runtime 持久化 State、校验权限和预算、实际调用 Tool，再将 Observation 返回循环。

Q002｜Context、State、Memory、Knowledge Base 和 Cache 有什么区别？

Context 是一次模型调用实际看到的输入投影；State 是当前任务执行到哪里的结构化真相，也是恢复依据；Memory 是经选择后跨步骤或会话复用的信息；Knowledge Base 是外部领域事实源；Cache 只是按 Key、TTL 和版本临时复用计算或结果。除 Context 外，其他内容只有被检索或投影后才对模型可见。

Q003｜Skill、Tool、MCP、Connector、Plugin、Harness 和 Runtime 如何协作？

Skill 是可按需加载的方法与资源包，Tool 是可调用能力，模型上下文协议（Model Context Protocol，MCP）是 Client 与 Server 发现和使用 Tool、Resource、Prompt 的标准协议；Connector 把对内契约适配到外部 API，Plugin 是平台语境中的分发或扩展单元。Harness 包围并编排 Workflow/Agent Loop，Runtime 则承载主体权限校验、State、Sandbox 和脚本或 Tool 的真实执行，再把 Observation 返回循环。

Q004｜如何实现一次受控的 Agent Tool Calling 循环？

运行时先按 Tool Schema 校验参数，再基于当前主体做服务端授权；对副作用生成业务幂等键后执行 Tool，将结果、错误类型和版本写入 State 与 Trace，必要时先对账，再把经过筛选的 Observation 投影到下一轮 Context。循环必须受最大步数、时间、Token、费用和确定性终止条件约束；固定路径仍属于 Workflow，只有下一步由模型结合 Observation 动态选择时才形成 Agent Loop。

Q005｜Long Context、RAG、Memory 和 Fine-tuning 如何选择？

有界且需要整体分析的材料可使用 Long Context；大规模、动态、需权限与引用的事实优先 RAG；跨会话偏好由 Long-term Memory 管理；严格输出格式优先 Structured Outputs/JSON Schema、字段校验与失败重试。只有稳定行为、风格或任务映射在 Prompt 基线不足，且已有可靠训练数据和评测时，才考虑 Fine-tuning；这些方案都不能替代服务端权限和事实校验。

Q006｜怎样让 Agent 和 Tool 在生产环境安全可靠地运行？

Authentication 确认身份，Authorization/Least Privilege 决定可访问的资源与动作，HITL 将高风险动作绑定人工批准，Guardrail 检查输入、输出或 Tool Call，Sandbox 限制执行影响面，Trace 留下执行证据。副作用还必须配合超时、错误分类、业务意图幂等键和结果对账，不能只依赖 Prompt。

Q007｜四类任务分别应如何组合 Prompt、RAG、Workflow、Agent 和 Fine-tuning？

这是源文档中的示例选型：企业制度问答用 RAG、权限过滤与引用；合同抽取用 Prompt、Structured Outputs 和确定性校验；退款用 Workflow 管主流程，模型只辅助理解，高风险动作走授权、批准与幂等；高频稳定分类先做 Prompt 基线，有足够标注和冻结评测后，再比较全参数 SFT 与采用 LoRA 的参数高效 SFT。仓库没有这些系统的真实实现和指标。

Q008｜这个专题最常见的误区是什么？

常见误区有三类：把所有组件都叫 Agent，或把 Context 只理解成聊天记录；把模型生成的参数直接执行，或把 Tool Call 当成动作已经成功；模型说已授权就执行，或所有错误统一重试。

Q009｜怎样做最小自测？

最小自测分三步：不看文档画出 Prompt、Context、RAG、LLM、Agent、Tool、Skill、MCP、Connector、Plugin、Harness 和 Runtime 的关系；随机抽取一个术语，用“定义—作用—场景—边界”在 30 秒内讲清；分别判断一个失败属于模型层、数据层、运行时还是权限层。

Q010｜回答这个专题时，证据边界是什么？

Skill、Plugin、Connector、Harness 等词可能依平台或工程语境变化，回答必须先限定本文语境。

3. 总结 ​

一句话记忆： Prompt 表达本次任务，Context 是模型本轮实际可见的信息，RAG 从外部知识源检索证据并放入 Context，LLM 负责生成回答或提出动作。

  • Prompt 表达本次任务，Context 是模型本轮实际可见的信息，RAG 从外部知识源检索证据并放入 Context，LLM 负责生成回答或提出动作。
  • 有界且需要整体分析的材料可使用 Long Context。
  • 常见误区有三类：把所有组件都叫 Agent，或把 Context 只理解成聊天记录。
  • Skill、Plugin、Connector、Harness 等词可能依平台或工程语境变化，回答必须先限定本文语境。