AI基础概念-第一部分：核心名词与定义（一）

📅 创建日期：2025年10月

🎯 适合人群：AI初学者、想了解Agent开发的开发者

AI基础概念-第一部分：核心名词与定义（一）

- [📚 第一部分：核心名词与定义](#📚 第一部分：核心名词与定义)
- - [1. Agent (智能代理)](#1. Agent (智能代理))
  - [2. LLM (Large Language Model，大语言模型)](#2. LLM (Large Language Model，大语言模型))
  - [3. Prompt (提示词)](#3. Prompt (提示词))

📚 第一部分：核心名词与定义

1. Agent (智能代理)

通俗理解：就像一个能自己思考、做决策的智能助手。比如你让它"帮我订一张机票"，它不仅能理解你的需求，还能自己规划步骤：搜索航班→比较价格→选择合适的→完成预订。

关键特征：

能理解任务
能自主规划
能使用工具
能从经验中学习

个人理解 ：

我目前主要使用Cursor Agent，在实际工作流中，Cursor就像我的一个AI助理或初级开发者。我的工作模式是：

我的职责：接收客户需求 → 理解和拆解需求 → 将任务分配给Cursor → 审查代码质量 → 实机测试验收
Cursor的职责：理解我的任务描述 → 自主搜索和分析代码 → 规划修改方案 → 执行代码修改

这种协作模式让我从"写代码"升级为"审代码"，大幅提升了开发效率。Agent的价值不在于完全替代人类，而在于自动化重复性工作，让人类专注于更高层次的决策和创造。

2. LLM (Large Language Model，大语言模型)

通俗理解：Agent的"大脑"，比如GPT-4、Claude等。就像一个博学的顾问，能理解语言、生成回复、做推理。

常见的LLM：

OpenAI GPT-4 / GPT-3.5
Anthropic Claude
Google Gemini
Meta LLaMA
国产：通义千问、文心一言等

个人理解 ：

LLM本质上是超大规模的神经网络，是Agent的大脑和决策中心。在我使用Cursor的体验中，LLM（如Claude）负责理解我的需求，然后分析上下文、找到相关代码段、规划修改方案。LLM的核心能力体现在三个方面：
1、理解需求 （把我的自然语言转化为具体任务）。
2、拆分任务 （把复杂需求分解成可执行的步骤）。
3、规划执行策略 （决定调用哪些工具、按什么顺序执行）。需要注意的是，LLM负责"思考和决策"，而具体的"执行操作"（如读取文件、修改代码）是通过调用工具（Tools）来完成的。简单来说：LLM = 大脑（规划），Tools = 手脚（执行），两者结合才构成完整的Agent系统。

3. Prompt (提示词)

通俗理解：你和AI对话的"说明书"。写得越清楚，AI理解得越准确。

示例对比：

❌ 差的Prompt："总结这篇文章"
✅ 好的Prompt："用3个要点总结这篇文章的核心观点，每个要点不超过50字，使用项目符号"

Prompt工程技巧：

明确角色（你是一个专业的...）
具体任务描述
提供示例（Few-shot Learning）
设定输出格式
加入思维链（Chain of Thought）

个人理解 ：

Prompt（提示词）是人类向AI下达指令的方式，本质上是一种新型编程范式。就像传统编程用代码（严格语法）与计算机交流，Prompt工程用自然语言（灵活表达）与AI交流，是自然语言编程的核心。关键区别在于：

传统编程：人 → 代码（严格语法、精确格式）→ 编译器 → 计算机执行
Prompt工程：人 → 自然语言（灵活表达、语义理解）→ LLM → AI生成输出

两者的共同点是都在"编程"，区别是：

传统编程：写的是执行逻辑（告诉计算机怎么做）
Prompt工程：写的是需求描述（告诉AI做什么）

这标志着编程范式从"写代码 "进化到"写需求"。

在实际使用Cursor时的体会：

❌ 模糊的Prompt（效果差）：

复制代码

"帮我修改这个函数"
→ Cursor不知道改什么、怎么改、为什么改

✅ 清晰的Prompt（效果好）：

复制代码

"重构login()函数：
1. 添加邮箱格式验证
2. 密码长度至少8位
3. 添加错误处理和提示信息
4. 保持现有的API调用逻辑不变"
→ Cursor理解明确，修改精准

我的Prompt实战技巧：

明确角色："你是一个资深Python开发者"（设定专业背景）
具体需求："在第50行添加try-catch"（而不是"处理错误"）
给出约束："保持现有代码风格"、"不要改动其他函数"
提供上下文："这个项目使用FastAPI框架"（帮助AI理解环境）

核心感悟 ：Prompt质量直接决定AI输出质量。好的Prompt = 需求文档 + 执行指南，越详细越好，让AI不需要猜测你的意图。

深入理解：AI如何理解Prompt？（向量化机制）

很多人好奇，AI是如何"看懂"我们写的Prompt的？答案是向量化：

复制代码

你的Prompt: "帮我重构login()函数"
       ↓
   [分词/Tokenization]
       ↓
   ["帮我", "重构", "login", "()", "函数"]
       ↓
   [向量化/Embedding]
       ↓
   [0.234, -0.567, 0.891, ...] (每个词变成1536维向量)
       ↓
   [神经网络处理]
       ↓
   AI理解：这是一个代码重构请求

为什么好的Prompt效果更好？从向量化角度解释：

❌ 模糊Prompt："修改函数"

向量表示模糊，语义信息少
AI需要"猜测"你的意图
相似度计算不精确

✅ 清晰Prompt："重构login()函数，添加邮箱验证和错误处理"

关键词丰富： $"重构", "login", "邮箱验证", "错误处理"$
每个关键词的向量都提供明确的语义信息
AI通过向量相似度精确匹配相关知识
生成的代码更符合需求

实际例子：向量如何影响理解

python 复制代码

# Prompt 1: "处理错误"
向量特征：[通用, 模糊, 多种可能]
AI理解：可能是try-catch？可能是日志？可能是提示？

# Prompt 2: "添加try-catch异常处理，捕获网络超时，记录到日志"
向量特征：[具体, 明确, 包含技术细节]
关键向量：
  - "try-catch" → [异常处理机制]
  - "网络超时" → [特定异常类型]
  - "日志" → [logging操作]
AI理解：明确知道要做什么，怎么做

关键启示：

Prompt中的每个词都会被向量化
关键词越多、越具体，生成的向量越精确
AI通过向量相似度在海量知识中检索匹配内容
这就是为什么"详细的Prompt"效果远好于"简单的Prompt"

所以，写好Prompt的本质是：给AI提供足够多的、精确的语义信息（向量），让它能准确理解和检索相关知识。