AI大模型落地系列：学习AI前需具备的基础知识

Ne0inhk

— 9 min read
AI大模型落地系列：学习AI前需具备的基础知识

前段时间，由于回家过年，躺在床上实在感觉无聊，
所以就在网上搜罗了相关资料，整理了学习内容，方便以后温故。

进来各种模型频繁迭代，好像光是闻着claude、gpt、deepseek、豆包这些模型升级的声音，就已经让我们热血澎湃。
但你真的了解他们吗？你知道如何用好他们吗？
如：

  • user prompt
  • system prompt
  • AI Agent
  • function calling
  • MCP
  • RAG
  • 上下文窗口

可能你零星的知道些皮毛，不过没关系，现在让我带着你深入学习一番。

大纲

一、什么是所谓的user prompt

最早的 GPT，其实只是个“高级点的聊天机器人”。

你给它一句话（user prompt），它给你一句话回答。

在这里插入图片描述


它能聊天、能写文章、能解释代码

但它不能真的帮你做事。

比如你说：

帮我把 C 盘的 hello_world.cpp 移动到 D 盘，并总结内容

它最多告诉你“应该怎么做”，但不会真的帮你操作文件。

于是问题来了：

能不能让 AI 真正去执行任务？

这就引出了 —— AI Agent。

二、user prompt 和 system prompt

在讲 Agent 之前，我们先把基础打牢。

1、 user prompt（用户提示词）

就是你在对话框里输入的内容。

例如：

你好

早期 GPT 只有 user prompt。

模型没有人格设定、没有角色设定，只是普通问答。

2、 system prompt（系统提示词）

后来人们发现，可以给模型“设定人设”。

比如：

你是一个傲娇的程序员，说话尽量傲娇，最好带 emoji。

这个提示不让用户看到，但每次请求都会和 user prompt 一起发给模型。

于是模型有了：

  • 性格
  • 风格
  • 行为约束

本质上：

user prompt = 你说的话
system prompt = 模型的隐藏设定

三、AI Agent 是怎么让 AI 干活的？

现在进入核心。

1、AI 的问题

AI 本身：

  • 只能输出文本
  • 不能操作系统
  • 不能读文件
  • 不能访问数据库

所以它只能“动脑”，不能“动手”。

2、Agent 的出现

AI Agent 本质上就是一段程序。

它的作用是：

在 用户、AI、工具 之间做协调。

你可以理解为：

角色职责
AI思考和决策
Agent协调和调度
Tool实际执行

3、举个完整流程例子

用户说：

读取 C 盘 hello_world.cpp，移动到 D 盘，并总结内容

流程是这样的：

第一步：Agent 告诉 AI 可以用哪些工具

例如：

  • read_file
  • move_file

第二步：AI 决定调用 read_file

调用 read_file，路径：C://hello_world.cpp

第三步：Agent 真正执行工具

  • 读取文件
  • 把内容返回给 AI

第四步：AI 决定调用 move_file

第五步：Agent 执行移动

第六步：AI 输出总结

第七步：Agent 返回结果给用户

这就是一个完整的循环。

规划 → 执行 → 反馈 → 再规划 → 交付

四、Function Calling：工具调用的标准化革命

早期 Agent 有个问题：

AI 是“猜”怎么调用工具的。

比如天气查询工具：

check_weather(city, date)

AI 可能会写：

上海 明天

问题来了：

  • 参数顺序错了？
  • 明天不是标准日期？
  • 少传字段？

于是就出现了 Function Calling。

Function Calling： 把工具描述从 system prompt中剥离，用JSON格式统一定义函数名、函数介绍、参数字段，并规范AI调用工具的回复格式。这就是Function Calling的核心： 用标准化格式让AI理解怎么调用工具，而不是猜。

1、工具定义（标准 JSON）

{"name":"check_weather","parameters":{"type":"object","properties":{"city":{"type":"string"},"date":{"type":"string","format":"YYYY-MM-DD"}},"required":["city"]}}

2、AI 必须按格式调用

{"function_call":{"name":"check_weather","parameters":{"city":"上海","date":"2025-11-14"}}}

3、Function Calling的好处：

  1. 告别猜谜语：以前靠System Prompt用自然语言描述工具，AI可能听不懂；现在用JSON格式，AI一看就会。
  2. 降低开发难度：开发者不用自己写代码检测AI回复是否正确，若AI回复错误，AI的服务器端可检测并自动重试，降低用户开发难度和token开销。
  3. 跨场景通用：无论是ChatGPT还是开源模型，只要支持Function Calling，就能用同一套工具。
对比项System Prompt（传统方式）Function Calling（标准化方式）
工具描述自然语言随意写（如你可以用查天气工具）JSON格式强制规范（必须包含name/parameters）
调用格式等AI猜（可能返回散文式回复）固定JSON结构（如 {"function_name":"..."}）
错误处理开发者自己写代码重试大模型服务端自动重试

五、MCP：AI 世界的 USB-C

上文提到的Agent和Tool是怎么进行交互的？最简单的做法就是把Agent和Tool写在同一个程序里面，直接通过函数调用来完成，这也是现在大多数agent的做法。

但其实有些tool的功能其实挺通用的，可能多个agent都需要，但总不能在每个agent里面都拷贝一份相同的代码吧。

我们把tool变成服务，统一的托管，让所有的agent都来调用，这就是 mcp server。mcp是一个通信协议，专门用来规范agent和tool服务之间是怎么交互的。运行tool的服务叫做mcp server，调用它的agent叫做mcp client。mcp规定了mcp server如何和mcp client通信，以及mcp server有哪些接口。

mcp server既可以和agent跑在同一台机器上，通过标准输入输出进行通信。也可以被部署在网络上，通过http进行通信。虽然mcp是为了通用定制出来的标准，但实际上mcp本身却和ai模型没有关系，他并不关心agent用的是哪个模型，mcp只负责帮agent托管工具、资源。

你可以把 MCP 想象成电脑的 USB-C 接口：

  • 各种外设（如键盘、U盘、显示器）就是不同的 MCP Server，它们提供各自独特的功能。
  • 电脑就是 AI Agent，它作为 MCP Client，通过统一的 USB-C 接口（即 MCP 协议） 来连接和使用所有外设（MCP Server）。
  • 这样一来，无论你更换电脑还是外设，只要都支持 USB-C 标准，就能即插即用，非常方便。MCP 协议正是为 AI 世界带来了这种即插即用的便利性。

如果说 Function Calling 解决的是：

“怎么调用工具”

那么 MCP 解决的是：

“工具怎么统一接入”

1、所以说，什么是 MCP？

MCP = Model Control Protocol
它把工具变成一个服务（MCP Server）。
Agent 不再直接调用工具，而是通过 MCP 协议访问。

2、完整流程示例

用户问：

女朋友肚子疼怎么办？

流程：

  1. Agent 通过 MCP 获取可用工具（如网页搜索）
  2. 转换为 Function Calling 格式
  3. AI 选择 web_browse
  4. Agent 通过 MCP 调用搜索服务
  5. 返回结果
  6. AI 生成建议

六、大模型的上下文窗口

很多人忽略这个概念，但它非常关键。

什么是上下文窗口？

就是：

模型一次对话能记住多少内容

你可以把它想象成一块黑板。

  • 黑板大：能写很多
  • 黑板小：写几行就满

当写满时：

模型会“擦掉最前面的内容”

这就是为什么：

  • 对话太长会“失忆”
  • 输入太大成本会上升
  • 回答会变慢

七、RAG：检索增强生成

（这个等后面，会单独在写一篇博客细讲）

最后讲一个企业级必备技术 —— RAG。

RAG = Retrieval-Augmented Generation

简单说就是：

先查资料，再生成回答。

为什么不直接把资料丢给模型？

问题：

  • 有上下文窗口限制
  • 推理成本高
  • 输入越大越慢
  • 容易幻觉

RAG 怎么做？

  1. 用户提问
  2. 向知识库检索相关片段
  3. 只把相关内容发给模型
  4. 模型基于检索结果回答

比如：

用户问产品维修政策。

RAG 不会发 200 页手册。

而是：

  • 精准找 3 段相关内容
  • 送给模型
  • 生成答案

优点：

  • 成本低
  • 更准确
  • 更快
  • 可扩展

八、整套体系串起来是什么样？

我们把今天讲的全部串起来：

用户 ↓ Agent ↓（MCP 获取工具） 工具列表 ↓（Function Calling 格式） AI 模型 ↓ 调用工具 ↓ RAG 检索知识 ↓ 生成答案 ↓ 返回用户

九、最终总结

名词作用
user prompt用户输入
system prompt模型隐藏设定
Agent调度协调
Tool实际执行
Function Calling标准化工具调用
MCP工具接入协议
上下文窗口模型记忆容量
RAG检索增强生成

结语

AI 正在从“会聊天”进化为“能做事”。

这背后不是一个技术，而是一整套体系：

  • Agent 负责调度
  • Function Calling 负责规范调用
  • MCP 负责统一接入
  • RAG 负责精准知识增强

理解了这些，你基本就理解了当前 AI 应用的核心架构。

Read more

LFU缓存算法全解：从双哈希+双向链表到O(1)艺术，解锁长期热点守护神

LFU缓存算法全解：从双哈希+双向链表到O(1)艺术，解锁长期热点守护神

文章目录 * 本篇摘要 * 一、核心原理 * 二、关键特性与实现机制 * 1. **数据结构设计（高效实现的核心）** * 2. **频率动态更新** * 3.实现思想及代码测试 * 4.为什么LFU用 双哈希表 + 双向链表？ * 三、典型优势与劣势 * **优势场景** * **劣势与挑战** * 四、典型问题与优化策略 * 1. **新数据冷启动优化** * 2. **频率衰减（避免历史权重过高）** * 五、适用场景与典型用例 * 六、LFU vs LRU 对比 * 八、一句话总结 * 九、模版源码 * 本篇小结 本篇摘要 一、核心原理 基础规则： 优先淘汰历史访问频率最低的数据（长期统计维度）。 * 每个缓存条目维护两个核心属性：键值对数据 + 访问频率计数器。当缓存容量达到上限时，

By Ne0inhk
HDFS读写机制深度解析：分布式存储的核心奥秘

HDFS读写机制深度解析：分布式存储的核心奥秘

目录 * HDFS读写机制深度解析：分布式存储的核心奥秘 * 摘要 * 1. HDFS架构概览 * 1.1 核心组件解析 * 1.2 数据块管理机制 * 2. HDFS写入机制深度剖析 * 2.1 写入流程概述 * 2.2 副本放置策略 * 3. HDFS读取机制详解 * 3.1 读取流程实现 * 3.2 读取性能优化 * 4. 容错机制与数据一致性 * 4.1 故障检测与恢复 * 4.2 性能对比分析 * 5. 性能优化最佳实践 * 5.1 配置优化 * 5.2 应用层优化 * 6. 监控与运维 * 6.1 关键指标监控 * 6.

By Ne0inhk

优选算法——二分查找

👇作者其它专栏 《数据结构与算法》《算法》《C++起始之路》 二分查找相关题解 1.二分查找 算法思路： a.定义left，right指针，分别指向数组的左右区间。 b.找到待查找区间的中间点mid，找到后分三种情况讨论：         i.arr[mid]==target说明正好找到，返回mid的值；         ii.arr[mid]>target说明[mid,right]这段区间都是大于target的，因此舍去右边区间，在左边[left,mid-1]的区间继续查找，即让right=mid-1，然后重复b过程；         iii.arr[mid]<target说明[left,mid]这段区间的值都是小于target的，因此舍去左边区间，在右边区间[mid+1,right]

By Ne0inhk

python win32COM 对象介绍调用Word、WPS 与应用生态

python win32COM 对象介绍调用Word、WPS 与应用生态 在日常工作中，我们经常会用到各种办公软件，但你是否想过这些软件是如何被程序调用的？ 这里我使用python语言作为示例 com 对照标识符 office_apps = {    # Microsoft Office    "Word.Application": "Microsoft Word",    "Excel.Application": "Microsoft Excel",    "PowerPoint.Application": "Microsoft PowerPoint",    "Outlook.Application": "Microsoft Outlook",        # WPS Office    "

By Ne0inhk