核心术语卡：Agent 与 RAG

第二叠卡：从"能对话"到"能干活"的那些词。

🃏 Function Calling（函数/工具调用）

• 是什么：模型不直接执行代码，它输出"我想调用某工具+参数"的 JSON，你的代码执行后把结果喂回去
• 前端类比：模型是产品经理（写工单），你的代码是程序员（干活回填）
• 循环：模型要工具 → 你执行 → 结果回填 → 模型继续 → ……直到给出最终答案

🃏 Agent（智能体）

• 是什么：LLM + 工具 + 记忆 + 循环，能自主决定下一步干什么的程序
• 一句话：会自己拆任务、选工具、看到结果再决定的对话循环
• 误区：Agent ≠ 更聪明的 chatbot，而是给模型加了手（工具）和短期记忆（上下文管理）

🃏 ReAct

• 是什么：最经典的 Agent 模式——Reason（想）→ Act（做）→ Observe（看结果）循环
• 前端类比：while (!done) { 想; 做; 看结果 }
• LangChain 默认起步范式，LangGraph 就是把这个循环画成图来管

🃏 Embedding（嵌入向量）

• 是什么：把文字变成一串数字（向量），语义相近 → 距离相近
• 前端类比：给每段文字一个"语义坐标"，{ king } - { man } + { woman } ≈ { queen }
• 用途：算相似度 = 搜索的底层

🃏 向量数据库

• 是什么：专门存向量、按"语义距离"高速检索的库（Milvus / PGVector / Qdrant…）
• 前端类比：普通数据库按主键精确查；向量库按意思模糊查——"退货流程"能搜到"如何退货"
• 误区：不是更高级的 MySQL，是另一种查询范式（相似度，不是精确匹配）

🃏 RAG（检索增强生成）

• 是什么：先检索资料 → 塞进上下文 → 模型基于资料回答。给模型外挂一个随时翻的书架
• 为什么：模型不知道你公司的私有知识；微调又贵又慢；RAG 即插即用
• 一句话本质：RAG = 升级版的搜索 + 用模型的话把结果讲出来

🃏 微调（Fine-tuning）

• 是什么：用你的数据继续训练模型，改变它的行为/风格/领域偏向
• 和 RAG 的分工（面试高频）：

	RAG	微调
改的是	模型看到的（知识）	模型本身（行为/风格）
成本	低，即时生效	高，需要训练
更新知识	改文档就行	重新训练
典型场景	企业知识库	固定输出格式/领域语气

• 应用岗认知即可，别在简历上吹微调除非真做过

🃏 MCP（Model Context Protocol）

• 是什么：工具接入的统一协议——"AI 界的 USB-C"，Anthropic 开源，已成事实标准
• 解决什么：以前每个应用 × 每个工具都要写一遍胶水；MCP 之后工具写一次，所有 Agent 都能用
• 生态：数千个现成 MCP Server（GitHub、数据库、浏览器……），LangChain/Dify 均已原生支持

自测

RAG 和微调分别改模型的什么？——能秒答这题，两叠术语卡就毕业了。

→ 想知道这一切底下怎么转：LLM 原理 3 分钟