1. AIGC - 内容生成基本功
概念： 利用 AI 技术自动创作文本、图像、音频等各类内容的技术统称。全称 Artificial Intelligence Generated Content （人工智能生成内容）
核心能力： 用 AI 来自动生成 "人类常干的活"
本质： AI 模型通过学习海量数据，自主生成符合需求的全新内容，而非简单复制或拼接现有信息
初期的AIGC有个明显局限：只能专注于一种信息类型，就像一个偏科的学生------要么只懂文字（早期ChatGPT），要么只懂图像（初代Midjourney），这就是"单模态"阶段。
2. 多模态 - 感官升级
- 单模态：AI 仅聚焦一种信息类型，比如纯文本生成（早期 ChatGPT）、纯图像创作（初代 Midjourney）。
- 双模态：融合两种信息类型，比如文本生成图像、语音转文字。
- 高模态：整合三种及以上信息类型，比如 "文字 + 语音 + 图片" 混合输入提问，AI 输出 "文本 + 视频 + 音频" 组合结果（如 GPT-4V、Runway Gen-2）。
概念： 多模态 = AI 打破单一信息类型限制，同时处理或融合文本、图像、音频、视频等两种及以上内容，像人类一样多感官感知世界。
核心能力： AI 同时处理 / 融合多种信息类型，打破单一文本、图像等模态的局限，更贴近人类感知世界的方式。
限制：
- 数据真实性不足：易生成 "幻觉内容"，比如编造虚假数据、引用不存在的文献，尤其专业领域误差率高。
- 缺乏原创性：本质是对训练数据的重组优化，难产生真正的 "突破性创意"，易出现同质化内容。
- 合规与伦理风险：可能侵犯版权（复刻训练数据中的原创内容）、生成偏见 / 不良信息，且责任界定模糊。
- 可控性有限：复杂需求下难精准匹配预期，比如多轮创作中易偏离主题，细节调整成本高。
- 依赖高质量数据：训练数据的覆盖面、准确性直接影响输出效果，小众领域或专业场景表现不佳。
- 不具备实时性：依赖训练数据，如果知识库没有更新，要让他知道最新的数据，需要自己给他"喂数据"
- 不会用工具：从现有知识库获取数据，因此不会查询最新的信息，不会自主调用 API。
3. RAG、Function Call - 工具加持
如果说RAG是"知识库"，那Function Call就是AI的"手脚"。它让AI从"只说不做"升级为"能说会做"------比如根据指令自动调用计算器算复杂数据、调用地图API查路线、调用表格工具生成报表，彻底解决了纯文本回答无法落地的问题。
3.1 RAG
概念： 全称 Retrieval-Augmented Generation（检索增强生成）。 本质是 AI 生成内容前，先从外部知识库（而非仅依赖训练数据）检索相关信息，再结合检索结果生成答案。
核心能力： 解决 AIGC 实时性的问题
- 弥补知识滞后：训练数据有时间 cutoff，RAG 可实时调取最新数据（如 2025 年的行业报告），让回答更具时效性。
- 减少幻觉：基于真实可追溯的检索结果生成内容，降低编造虚假信息的概率。
- 提升专业性：可接入垂直领域知识库（如医疗、法律文献），让非专业训练的 AI 也能输出专业答案。
3.2 Function Call
概念： 让模型根据指令，自动调用外部函数和接口
核心能力： AI 调用外部工具 / API 的能力，让 AI 从 "只生成内容" 升级为 "能执行操作"，解决纯文本回答无法落地的问题。
4. Agent - 自主决策能力
概念： 让模型具备一定程度的自主决策和任务规划能力，不用一步一步告诉它怎么做，而是会给出最终的规划和结果
核心能力： 具备自主能力的 AI 智能体，能理解目标、规划步骤、调用工具，无需人类反复指令就能独立完成复杂任务。
限制： 缺乏"标准化"
- 复杂任务规划能力弱：面对多步骤、多变量的任务（如跨部门复杂项目推进），易拆解逻辑混乱，或忽略关键约束条件。
- 意图理解不精准：对模糊需求、隐含意图的捕捉能力不足，可能偏离用户真实目标，尤其涉及主观偏好的场景（如个性化方案定制）。
- 风险控制与责任界定模糊：自主调用工具时可能触发合规风险（如误操作数据、泄露隐私），且出现问题后难以明确责任归属。
- 资源依赖与稳定性不足：高度依赖外部工具 API、知识库的可用性，一旦接口故障或数据更新不及时，会直接导致任务中断。
- 缺乏灵活应变能力：遇到突发情况（如计划中的工具不可用、需求临时变更），调整方案的效率低，易陷入 "执行死循环"。
比如你让它"策划一场周末旅行"，Agent会自动拆解成"查目的地天气→找景点攻略→订酒店→规划路线"等步骤，分别调用天气API、旅游知识库、订票工具完成，最后给你一份完整攻略。但此时的Agent仍有不足：不同AI模型和工具对接时很混乱，容易出现"沟通不畅"的问题。
5. MCP - 通用沟通协议，构建跨平台的 AI 工具生态
概念： 全称 Model Context Protocol（模型上下文协议），标准化模型和外部工具之间的连接方式。是 Anthropic 于 2024 年 11 月提出的开放标准，堪称 AI 与外部世界交互的 "万能接口"，专门解决不同 AI 模型与工具、数据源对接混乱的问题。
核心能力： 可以把它理解为 AI 领域的 USB-C 接口或 "万能遥控器"。过去不同 AI 模型调用工具时，需针对性开发适配代码，比如 OpenAI 和百度文心一言调用同一数据库可能要写两套逻辑；而 MCP 定义了统一的通信规则，只要 AI 模型和工具都支持该协议，就能无缝对接，不用重复适配，解决了 AI 与工具交互的 "N×M" 适配难题（以前是 M × N 的混乱对接，现在是 M + N 的标准接口。）。
与 Function Call 的区别： 两者都能让 AI 调用外部工具，但逻辑差异明显。Function Call 是单体集成式方案，比如某 AI 模型的 Function Call 功能，只能适配该平台指定的工具或接口，切换模型后可能要重新开发；而 MCP 是分布式的标准化协议，相当于独立的 "翻译官"，不管 AI 模型和工具来自哪个平台，只要遵循该协议，就能互相通信，更适合构建跨平台的 AI 工具生态。
