前言

大模型技术发展得飞快，各种新概念一个接一个冒出来。刚入门的朋友就像走进了一家超大的“技术超市”：今天被Transformer的注意力机制勾住了目光，明天又迷上Prompt的“魔法咒语”，后天LangChain又像拉链一样把各种东西串在一起。

到头来，购物车里塞得满满当当，可真要动手用的时候，却不知道该怎么搭配组合。学大模型很容易陷入知识碎片化的困境，没有完整的体系，很难做到真正理解，也记不牢固。

更让人头疼的是，大模型更新的速度，比我们整理学习资料的速度还要快！这篇文章就是想用可视化图解的方式，把相关概念梳理清楚，帮大家搭建起从AI基础到Agent应用的完整知识体系，让大家能系统吃透大模型技术的核心逻辑和发展脉络。

一、人工智能技术基础：从符号主义到深度学习

1.1 人工智能技术架构

学AI的时候，如果能先搞清楚整个技术领域的大致框架，明白每个知识点在什么位置、属于哪个层次，学习效率会高很多。人工智能是个非常庞大的知识体系，绝不是几张图或者几个专业名词就能讲完的。

其实很多人脑子里已经积累了不少AI相关的知识，这篇文章就是想用一个清晰的框架帮你梳理一遍，相当于给你的“大脑知识库”做一次小小的优化调整。

图 1：人工智能领域架构图

1.2 人工智能的分层领域

核心关系：人工智能（AI）包含机器学习（ML），机器学习（ML）又包含深度学习（DL）。

发展历程：符号主义时代（1950s-1980s）：主要是靠规则来运行的专家系统，所有规则都需要人手动写好。

机器学习时代（1990s-2000s）：可以从数据里自己学习规律，不再那么依赖人工写规则。

深度学习时代（2010s-2020s）：用大规模神经网络，在语音、图像、自然语言处理等领域广泛应用。

大模型时代（2020s 至今）：超大规模预训练模型、生成式模型大量出现，朝着通用智能的方向发展。

图 2：深度学习与大模型的关系

1.3 深度学习的核心：神经网络家族

神经网络的基础其实就是简单的感知机模型，它主要包含输入层、隐藏层和输出层，一般用来做通用的模式识别任务。

随着深度学习不断发展，市面上也出现了很多典型的网络架构：

Transformer和CNN、RNN属于同一级别，都是神经网络里的基础架构类型。而Transformer最具革命性的地方在于：

它不再依赖序列顺序，能够实现完全并行化训练；

可以更好地处理长距离依赖问题；

同时也为大模型的进一步拓展提供了切实可行的工程思路。

1.4 机器学习的范式：监督 / 无监督等学习方式

深度学习其实是机器学习里面的一个分支，而监督学习、无监督学习、强化学习这些，是按照学习方式来给机器学习做的分类。

它们最核心的区别在于，监督学习和无监督学习主要看有没有用到带标签的数据，而强化学习是靠不断试错，再结合奖励信号来学习怎么做出决策的。

1.5 为什么需要大模型？

从传统模型到大模型，本质上就是从专家系统转向通用智能的过程。传统模型就像是经过专门训练的行业专家，只在单一任务上做精调，泛化能力比较有限。而大模型更像是学识广博的通才，能用同一个模型，搞定多种任务、覆盖多个领域。

图 3：传统模型 vs 大模型对比图

二、大模型技术：从 Transformer 到模型应用

2.1 大模型领域知识框架

大模型这个领域里的概念特别多，像架构、训练范式、推理方式、应用形态这些都属于其中。我们可以从这几个层面来搞懂它：

底层基础方面，主要是算力、数据还有模型架构，比如Transformer。

训练与对齐这块，包括预训练、微调、指令微调，还有RLHF这类对齐方式。

能力扩展上，有工具调用、RAG、长上下文、代码能力、多模态。

应用形态则包含聊天助手、代码助手、搜索增强、Agent、Multi-Agent等等。

图 4：大模型领域架构图

2.2 大模型发展历程

大模型的发展历程，其实可以简单总结成：从最开始的预训练语言模型，一步步发展到现在的通用多模态 Agent 平台。

最早的时候，用的是基于统计和n-gram的语言模型。

到了中期，就变成了基于RNN、LSTM的语言建模。

真正的转折点，是Transformer架构被提出来之后，大家才开始做大规模的预训练。

再往后就进入了大模型时代，GPT系列、BERT系列，还有各个国家和厂商自己研发的大模型，都纷纷发展起来了。

2.3 Transformer 架构：并行化的革命

之前我们说过，RNN 和 LSTM 存在两个主要问题：一个是难以并行，因为它们有严格的序列依赖，没法很好地发挥现代硬件的并行优势；

另一个是长距离依赖能力弱，对于时间间隔比较久的信息，很容易出现“遗忘”的情况。而 Transformer 给出的核心解决办法，就是 Self-Attention 机制。

1）Self-Attention（自注意力）

概述：简单来说，就是让序列里的每一个元素，都能和序列中其他所有元素产生关联，相当于互相“沟通交流”。

再通过计算彼此之间的相似度，给不同元素分配对应的注意力权重，这样就能精准捕捉到序列内部的依赖关系，还有深层的语义联系。

比喻：就跟我们平时读一段话一样，看到每一个词的时候，不会单独只看这个词本身，而是会下意识把它和整段话里其他所有词关联起来，结合上下文才能弄懂它真正的意思。

2）多头注意力（Multi-Head Attention）

概述：把输入的向量拆分成好几个“头”，每个头都会单独去学习一套属于自己的注意力权重，分别从不一样的视角去抓取和关注关键信息，不会局限在单一角度。

比喻：就好比找来好几位专业人士，让他们分别从不同维度分析同一段文字，最后再把所有人的分析结果整合到一起，得出更全面的结论。

3）位置编码（Positional Encoding）

问题：Self-Attention这个机制本身，没办法感知到元素的先后顺序，对序列的位置信息不敏感。

解决办法：通过额外加入位置编码的方式，把每个token对应的位置信息明确传给模型，让模型清楚知道每一个token在序列里处在什么位置。

4）编码器-解码器架构（Encoder-Decoder）

概述：编码器的主要作用，是吃透输入的信息，再把这些信息压缩提炼出来；解码器则是依托编码器处理好的信息，一步步生成对应的输出序列。

比喻：编码器就像是负责“读懂内容”的理解者，解码器更像是负责“把意思说出来”的表达者，这套架构经常用在机器翻译、文本摘要这类任务当中。

Transformer 的革命性意义：

彻底打破了RNN模型没办法并行处理的瓶颈，大幅提升了运算效率；为大规模的模型预训练搭建了高效可行的基础架构；现如今已经成为各类现代大模型通用的核心标准架构。

2.4 大模型的训练三阶段：预训练、微调、对齐

2.5 大模型的分类与应用

大模型其实能从好几个角度来划分，比如说从模态来看，可以分成文本模型、图像模型、语音模型、多模态模型等等。

从用途上区分，又有通用对话模型、编程模型、搜索增强模型、Agent 型模型这些类型。要是按照部署形态来分的话，还能分为云端大模型、本地轻量模型、端侧模型等。

2.6 Prompt Engineering：与 AI 对话的艺术

Prompt 就是人和大模型之间的沟通桥梁，写得清楚明白，才是让模型听话的关键。好的 Prompt，目标明确、约束清楚、步骤拆分合理、还能给到合适的上下文。

不好的 Prompt，则是指令含糊、没有边界条件、不给参考示例、也不设定角色。

2.7 RAG：检索增强生成

RAG（Retrieval-Augmented Generation）是把外部知识检索和大模型生成结合在一起的技术思路：在调用大模型之前，先从向量数据库或者搜索引擎里找出相关的文档；

再把找到的内容和用户的问题一起输入给模型；模型在参考这些资料的基础上给出回答，从而提高回答的准确性和时效性。

三、智能体（Agent）技术：让 AI 具备行动能力

3.1 智能体（Agent）的定义

很多人对AI Agent的概念都有点模糊，其实最主要的原因是：Agent在不同场景下，说法不一样。我们可以从三个角度来理解它：

（1）学术视角

所谓AI Agent，就是具备这些能力的智能实体：

感知能力（Perception）、决策能力（Decision Making）、行动能力（Action）、目标驱动（Goal Oriented）。它不是一个简单的模型，而是能在环境里自主运行的智能体。

（2）现代大模型时代的视角

到了大模型的时代，AI Agent通常包含这几个部分：

大模型（LLM / 多模态模型），这是它的核心，负责推理、理解和生成内容；

记忆（Memory），用来存长期的知识、上下文以及和人交互的历史；

工具使用（Tool Use / Function Calling），就是能调用API、数据库、搜索引擎、代码执行器这些外部功能；

规划（Planning），能把复杂的任务拆成一步步能执行的步骤，还能反思调整、反复优化；

行动（Action），按照规划好的步骤调用工具、操作系统或应用，一直到完成目标为止。

（3）产品 / 工程视角

从产品和工程实际应用来看，AI Agent就是一个能一直运行、可以重复执行任务、还能自主完成工作的软件智能体。

比如：能自动写代码、运行代码、修复错误的AI Dev Agent；能自动处理客户咨询、流转工单的AI客服Agent；能自动分析业务数据、生成结论的AI分析Agent等等。

总结定义：广义来说，AI Agent是一种能在环境中自主感知、思考、规划并执行行动，从而达成特定目标的智能系统。

与大模型关系：Agent不一定非得有大模型，但现在主流的Agent，基本都以LLM或多模态模型为核心，再搭配上工具调用、记忆和规划机制，形成一套像人类执行任务那样的完整闭环能力。

更易落地的当下定义：现在我们说的AI Agent，其实就是基于大模型的自主智能系统，能感知环境、记住信息、做好规划、调用工具，还能执行行动，最终实现明确的目标。

3.2 智能体和大模型：从大脑到完整的身体

大语言模型（LLM），就相当于一个“超级厉害的大脑”，懂的知识多、推理能力也强，但它本身没有“手脚”，没法直接感知世界，也没法直接执行操作。

而智能体（Agent），就是在拥有“大脑”（也就是LLM）的基础上，再给它加上“手脚”（Tool）和“记忆”（Memory），这样它就能主动去感知、规划、行动，还能反思调整。

3.3 智能体的四大核心组件

最常见的一种拆解方式，是把智能体分成四个核心组件：

3.4 智能体的工作流程：感知 - 决策 - 行动 - 反思

本文侧重的是基于大模型的智能体（LLM Agent），其典型流程包括：

智能体循环的关键步骤：

感知（Perception）：借助传感器（比如 API 监听、用户输入接口）获取外界的输入信息，这些信息就是观察（Observation）。

思考（Thought）：由大语言模型带动的内部推理环节，还能细分成两部分：

规划（Planning）：结合当下的观察和过往记忆，更新对任务和环境的认知，制定或修改执行方案，把复杂目标拆分成一个个子任务。

工具选择（Tool Selection）：在现有的工具库里挑选最适配的工具，并确定好调用的参数。

行动（Action）：通过执行器（Actuators）完成具体操作，一般是调用某类工具（比如代码解释器、搜索 API 等），对环境产生作用。

观察与反思：依据行动的结果更新记忆和计划，开启下一轮循环。

从实际应用来看，Agent Loop 一般就是持续依据用户需求和环境的反馈，反复执行任务直到实现目标。

3.5 MCP 协议

MCP也就是Model Context Protocol，属于一种开放标准协议，主要用来把AI应用和外部的数据源、工具连接起来。

它会提供统一的接口，方便AI模型安全地访问文件系统、数据库、API等各类资源，同时支持本地和远程服务器，还具备工具调用和资源访问的能力，能够简化AI应用和外部系统集成开发的流程。

MCP是由Anthropic等公司共同推进的，目的就是为了标准化AI应用的上下文管理以及外部交互工作。

3.6 智能体设计的参考流程

设计一个 AI Agent 时，通常会经历以下步骤：

四、多智能体（Multi-Agent）技术：AI 协作的新范式

4.1 多智能体简介 为什么我们需要多智能体呢？

（1）单智能体的局限性：

能力比较单一，很难同时掌握多种专业技能；

遇到复杂任务时就吃力了，有些任务需要多步骤、多领域配合着完成；

效率不高，只能一步步串行执行，没法充分利用并行的资源；

扩展起来也麻烦，应对不了大规模的分布式场景。

（2）多智能体的优势：

能实现专业化分工，每个智能体都专注于自己擅长的领域；

可以并行处理任务，多个智能体一起干活，能加快整体任务的进度；

能把复杂的大任务拆解开，分成一个个子任务，分别去处理；

系统扩展性好，能根据需求随时增加或者替换智能体。

多智能体（Multi-Agent）模式，其实就是智能体系统从“一个人单打独斗”变成“一群人团队协作”的核心发展方向：

靠多个专业的智能体，再加上彼此的通信机制和协调策略，实现从“什么都想做的全能助手”到“各有所长的专家团队”的转变。

4.2 多智能体的协作模式

常见的多智能体协作模式有这几种：

主从模式：一个主Agent来调度多个子Agent，分配好各自的任务；

平行协作：多个Agent地位平等，一起协作，通过协调机制统一最终的结果；

黑板模式：所有Agent都通过一块共享的“黑板”来交换信息、同步进度；

组织/角色模式：按照“部门-角色”的方式来分配任务，就像公司里各部门各司其职一样。

4.3 A2A 协议

A2A（Application to Application）协议是一种企业级集成协议，用于实现不同应用系统之间的直接通信和数据交换。

在 AI 与多智能体场景下，A2A 协议可用于：定义不同 AI 智能体之间的消息格式与交互规则；支持任务分配机制和协作流程；实现智能体之间的知识共享、能力互补与分布式问题求解

4.4 多智能体的核心机制

多智能体系统的核心机制主要有这几个方面：任务分解，就是把复杂的问题拆成多个子任务，再按照每个智能体的专业特长进行合理分配。

智能体协调，借助任务调度、优先级管理以及负载均衡等方式，防止出现资源争抢和重复工作的情况。

通信协议，搭建起统一规范的信息交流方式，既支持同步通信，也支持异步通信，确保数据和状态能够准确、及时地传输。

决策融合，把多个智能体得出的决策结果进行汇总，通过投票、加权平均或者专家系统等方法，得出最终的决策结果。

4.5 主流多智能体框架

多智能体框架是搭建复杂AI系统的关键基础，比较常见的框架有这些（举例）：主要用于科研领域的多智能体仿真平台；和大模型相结合的多Agent协作框架；能够支持工具编排与工作流运行的Agent平台等等。

感谢阅读！