AI名词总结

MrGaomq

263人浏览 · 2026-06-06 09:46:15

MrGaomq · 2026-06-06 09:46:15 发布

感谢各位大佬对我的支持,如果我的文章对你有用,欢迎点击以下链接
🐒🐒🐒 个人主页
😎😎😎 C语言
🐿️🐿️🐿️ C语言例题
🐓🐓🐓 数据结构C语言
🐔🐔🐔 C++
🐱‍👓🐱‍👓🐱‍👓 Linux
🐣🐣🐣 python
😎😎😎 软件测试
🏀🏀🏀 笔试练习题
🐱‍👤🐱‍👤🐱‍👤 秋招准备算法题
🐱‍🚀🐱‍🚀🐱‍🚀 高并发内存池项目
🐿️🐿️🐿️ 文章链接目录
🐯🐯🐯 面试总结
🛴🛴🛴 实习内容

TOKEN

用ChatGPT时，我们常常是一问一答的方式，比如用户问一句GPT答一句，在我们用户看来GPT是一次性读完我们发送的整改信息，然而实际上GPT是将我们发出的信息拆分成更小的信息单位，这个单位就叫TOKEN
比如我发送一条信息叫我正在写博客，在AI看来信息被拆分成好几段，可能是我 | 正在 | 写博客或者我 | 正 | 在 | 写博客，不同模型拆分的方式是不一样的

TOKEN影响下面三种情况
1：AI一次性能读多少内容
2：调用AI的成本
3：AI忘记前文内容·

前面有说过AI是将我们输入的信息拆成多个片段，单位为TOKEN，一个AI一次性读取的信息是按照TOKEN来计算的，比如一个模型一次性读取的数据为8000个TOKEN，那就表示我们输入的问题文件信息历史对话等等的TOKEN数都不能超过这个范围，如果超过了这个范围就会忘记前文的内容
这里模型一次性能读取多少个数据我们叫做context window也就是上下文窗口
下面这个图比较形象，如果要读取最新的内容他的窗口就得往右滑动，这样就会导致前面的内容缺少
在这里插入图片描述
窗口越大并不一定是好事，在信息较少的情况下AI无法收集到足够的信息，所以回答的内容会有偏差，信息较多的情况下AI会受到无关内容干扰比如下面这种情况

prompt

这个prompt表示的是AI怎么去听懂我们的任务
对于GPT这种AI，我们输入一个问题，他就会给出答案，但是不同的提问方式他回答的结果是不同一样的
在这里插入图片描述

从上面两个例子可以看出对同一个问题不同的描述展现出来的详细程度以及完整性是不一样的
所以在提示词prompt这个概念就出现了
对于AI我们主要从下面几个方面去提示1:角色 2:任务 3：背景信息 4：输出格式 5：不要写数码 6:结果标准 7：例子

rag

上一个名词prompt解决了让AI将问题描述成我们想要的内容，但是没有解决一种情况就是AI不知道的东西没法回答，比如让AI帮我对昨天公司的文档进行总结，让AI对我的简历进优化…这些AI没读取到的内容他就会出现一本正经的胡说八道
rag解决的是不让AI只凭借记忆去猜，让AI先查找相关内容然后再回答
比如问AI公司实习离职要提前多少天申请，他会先根据给他的关键词比如实习离职提前去我们给的资料里去查找，然后把查找的内容汇总再进行筛选
rag延申出几个名词
1：Embedding
2：Vector Database
3：agentic rag

Embedding是将文字变为数字，因为计算机不懂文字意思但是可以比较数字，因为如果是关键词搜索可能匹配不准确，比如如果只搜索离职，会出现实习生离职和正式员工离职·，他们离职提前申请时间是不一样的
Vector Database是用来存向量的，Embedding将文字转换为数字后Vector Database会将他们进行存储在查找时能够快速找到相似内容
agentic rag：普通rag类似检索，问一次就查一次，但是对于比较复杂的问题需要拆分很多个小问题，然后查阅不同的资料，有的会出现在解决完一个小问题后才知道下一步要查的资料是什么，agentic rag会判断资料是否足够，不够就换关键词继续查找，并将大问题进行拆分

tool

之前的AI都只是问答式，并不能真正干事，tool解决的问题是让AI能够调用接口，比如让AI查询订单状态，让AI运行代码等等

mcp

由于调用的接口多了就需要有一个规则进行统一管理，MCP就是让AI统一链接外部的世界

context

之前的prompt更关注如果在AI对话的时候将语句描述的更好,context更关注于描述的东西是否是AI所需要的
比如我让AI帮我回复某个人的信息,AI只能根据最近的历史对话捕捉细节然后生成回复语,也就是说AI缺少了很多必备的信息,比如这个人和我的关系…即使我在和AI对话时描述的再好比如提示AI以什么格式,需要什么内容…回复,但是并没有AI真正需要的信息