1. LLM-大语言模型

基本都是基于函数transformer搭建

内部肯定有很多向量公式，这里简化不表

• 工作原理
  • 单次对话：根据用户输入q与已经吐出的回答字段a1，不断预测新的输入字段a2...an，直到判断后输出结束标识符，本次回答a结束
    • 类似while循环，退出条件是a结束
    • a1...作为最底层的元，又叫做token
  • 整个对话：根据已经产生的对话context，作为预先的输入，推测后续对话
    • context作为上下文有限，窗口代表最大context额度（单位token）

2. token 单位元

作为大模型内部基本单位元，需要解码编码，token与实际的文字/单词具有一定映射关系。

token划分不一定符合文字直觉

1个token约为1.5汉字

token查询：https://platform.openai.com/tokenlizer

• 解码过程
  • 切割文字token，映射为数字token id，一个个输入给大模型
• 解码过程
  • 映射数字为文字，模型每次只给一个token，拼接回上文

3. context 上下文

• context window：最大容纳token数

• 包括了

  • 之前所有对话记录

  • 大模型正在追加的token

  • tool工具列表（大概是一些内置的工具api？sdk？）

  • system prompt

• 优化

  • 优化在context的检索效率
    • rag：从context抽取与用户问题最关联的片段，发给大模型
    • 降低对话成本

4. prompt 提示词

• user prompt
  • 单次对话输入的指令
  • prompt engineering 提示词工程，模型变强之后可以不在乎
• system prompt
  • 内置好的调教文案，用户不可访问

5. tool 内置工具

api & sdk内置给它让它调-面向大模型开发（？

• 涉及角色：用户，模型，工具，平台

  • 平台：内嵌模型和工具的后台 + 面向用户的前台 + 调用各种能力 + 转发消息（json格式？）
    • 网站 or app形式

• 工具接入平台的规范不一样

  • mcp协议

6. agent 智能体

• agent：自主规划现状，自主调用工具的系统

• agent 构建模式

  • ReAct

  • plan and execute

7. agent skill

预设好习惯要求，沉淀为skill md文档

• title + 指令层 + 示例

• cc使用skills示例

• 渐进式披露