AI名词大扫盲！最全的面试ai名词集合

概念名词

1. LLM（Large Language Model，大语言模型）

LLM 是整个 AI 系统的"大脑"。它负责：理解自然语言- 推理分析- 生成回答、写代码、总结内容、翻译文本等。LLM本质是基于概率预测下一个词（Token）的模型，可能产生"幻觉"。

例如用户输入：

复制代码

写一个快速排序

LLM 会理解你的意图，然后生成代码。

所以：

LLM = 会思考、会生成内容的模型。

但是LLM 自己：只负责识别意图与生成回复

❌ 不会联网

❌ 不知道今天新闻，即不会自动更新最新时事

❌ 不会查数据库

❌ 不会执行代码

这些都要借助 Tool、RAG 等机制。

2. Prompt（提示词）

Prompt 就是：

发送给 LLM 的所有输入。

例如：

复制代码

你是一名Java专家。
请解释Spring IOC。

整个就是 Prompt。

Prompt 不只是用户的话。

真正送进模型的 Prompt 往往包括：

复制代码

System Prompt + 历史聊天 + 用户问题 + 知识库内容 + Rules + 工具结果

所以 Prompt 可以理解成：

模型最终看到的完整输入。

3. Context（上下文）

Context：

模型回答当前问题所需要的一切背景信息。

Prompt 是输入，而Context 是 Prompt 中的重要组成部分，Context 可以包括：聊天记录、用户信息、上传文件、 RAG 检索结果、Tool 返回数据、 Rules

例如：

第一句：

复制代码

苹果公司是谁创建的？

第二句：

复制代码

他后来离开了吗？

这里：

复制代码

他

是谁？

只有 Context 知道：

复制代码

Steve Jobs

所以模型才能回答。

所以也可以说

Context = 当前模型的记忆。

4. Tool（工具）

LLM 不能直接操作现实世界。

Tool 就是：

让模型能够调用外部能力。

例如：

复制代码

天气API


数据库


浏览器


GitHub


Excel


搜索引擎

例如：

用户：

复制代码

北京天气？

LLM：

复制代码

调用天气API


↓


得到结果


↓


组织语言回答

Tool 本质就是：

复制代码

function()


API()


Command() // 显式调用的用户指令，以/开头，如/model

LLM 并不是自己执行。

而是：

复制代码

决定调用


↓


程序执行


↓


结果返回

5. MCP（Model Context Protocol）

Tool 解决：

能干什么。

MCP 解决：

怎么统一连接工具。

例如：

以前：

GitHub：

复制代码

接口A

Notion：

复制代码

接口B

数据库：

复制代码

接口C

模型都要分别学习。

MCP 出现以后：

统一：

复制代码

Tool Schema


↓


统一输入


↓


统一输出


↓


统一调用

所以：

MCP 是 Tool 的标准接口协议。

可以理解：

复制代码

USB —— 外设


MCP —— AI工具

6. RAG（Retrieval-Augmented Generation）

很多人觉得：

RAG = 知识库。

其实不准确。

RAG：

是一种工作流程。

流程：

复制代码

用户问题


↓


Embedding


↓


向量检索


↓


找到相关文档


↓


加入Prompt


↓


LLM回答

所以：

RAG =

复制代码

检索 + 生成

例如：

用户：

复制代码

公司年假几天？

LLM：

不知道。

RAG：

先查公司制度，然后回答。

为什么不用直接训练模型？

因为公司文档（数据来源）天天改。

重新训练成本太高。

RAG更新文档即可。

7. Agent（智能体）

很多人理解：

Agent = AI。

其实不是。

LLM：

只能回答。

Agent：

可以完成任务。

例如：

用户：

复制代码

帮我写日报并发邮件。

Agent：

复制代码

分析需求
↓
规划步骤
↓
调用邮箱
↓
生成日报
↓
发送邮件

所以：

Agent：

能够自主规划并调用工具完成目标。

一个 Agent 一般包含：

复制代码

LLM + Tool + Memory + Plan + RAG + Rule

8. Rule（规则）

Rule：

限制模型行为的规则。

例如：

复制代码

所有代码必须TypeScript


禁止使用any


回答必须中文


不能泄露隐私

Rule 可以来自：

System Prompt
Cursor Rules
企业规范

Rule 的目的是保证输出稳定。

9. Skill（技能）

Skill不是模型能力。

而是：

封装好的可复用能力模块。

例如：

Code Review Skill：

里面可能包括：

复制代码

Prompt
+
Rule
+
Tool
+
输出格式

以后每次

复制代码

Review代码

直接调用即可。

所以Skill 类似：

复制代码

VSCode插件
↓
一次开发
↓
多次使用

什么时候调用 Skill？

一般两种：

① 用户主动：

复制代码

Review代码

② Agent 判断：

复制代码

发现这是Review任务
↓
自动调用Review Skill

10. Plan（规划）

Plan：

Agent 最重要能力之一。

定义：

把复杂任务拆成多个步骤。

例如：

用户：

复制代码

帮我分析今年销量下降原因。

Plan：

复制代码

① 获取销售数据
↓
② 获取库存数据
↓
③ 分析趋势
↓
④ 总结原因
↓
⑤ 生成报告

没有 Plan：

LLM可能直接乱回答。

很多 Agent：

都会经历：

复制代码

Reason
↓
Plan
↓
Act
↓
Observe

即：

复制代码

思考
↓
规划
↓
执行
↓
观察结果（反思与验证）
↓
继续执行

11. Memory（记忆）

它经常和 Context 一起出现。

区别如下：

|---------|-----------|-----------|
| 概念 | 作用 | 生命周期 |
| Context | 当前对话需要的信息 | 当前请求或当前会话 |
| Memory | 长期保存的信息 | 跨会话 |

例如：

Context：

复制代码

上一句话说了什么

Memory：

复制代码

用户喜欢 Java

下次聊天仍然记得。

12. Embedding（向量化）

Embedding：

把文本转换成高维数字向量，使计算机能够比较语义相似性。

例如：

复制代码

男人

可能变成：

复制代码

[0.13, -0.84, 1.27, …]


国王

可能变成：

复制代码

[0.18, -0.80, 1.35, …]

虽然数字完全看不懂，但因为它们在高维空间距离很近，所以模型认为这两个词语义相关。

RAG 正是利用 Embedding，把所有文档都转换成向量，并在向量数据库中进行近邻搜索，找到语义最相似的内容，而不是仅仅依赖关键词匹配。

总结：这些概念之间的关系

|-----------|----------------|---------------|
| 名词 | 核心作用 | 类比 |
| LLM | 思考和生成内容 | 大脑 |
| Prompt | 给模型的输入 | 问题/指令 |
| Context | 当前回答所需背景 | 工作记忆 |
| Rule | 限制模型行为 | 公司规章制度 |
| Tool | 调用外部能力 | 双手和工具箱 |
| MCP | Tool 的统一调用协议 | USB 接口标准 |
| RAG | 检索知识后再生成回答 | 查资料再作答 |
| Agent | 能自主完成任务的 AI 系统 | 项目经理 |
| Skill | 封装好的可复用能力 | 专业技能/工作模板 |
| Plan | 拆解任务并制定执行步骤 | 作战计划 |
| Memory | 长期保存用户信息 | 长期记忆 |
| Embedding | 将文本映射为向量表示 | 给每段文本分配一个高维坐标 |

一句话理解整个 AI 应用架构

用户通过 Prompt 向 Agent 提出任务，Agent 依靠 LLM 理解需求，结合 Context 和 Rule 进行推理，必要时制定 Plan，调用 Tool（通过 MCP 协议访问外部系统），利用 RAG 从知识库检索信息，并借助 Skill 执行特定能力模块，最终生成准确、符合要求的回答。

用户输入的Prompt（提示词）首先传递给作为"大脑"的大语言模型（LLM）。LLM本质是基于概率预测下一个词（Token）的模型，可能产生"幻觉"，并依赖Context（上下文/历史记录）作为短期记忆。当LLM缺乏特定知识时，可通过RAG（检索增强生成）技术接入外部知识库（如公司Wiki）来获取准确信息。对于需要具体操作的任务，则可通过MCP协议调用各类Tools（工具）。将LLM、上下文、知识库和工具协同整合，便构成了能自主规划与执行任务的智能体（Agent）。Prompt的质量直接决定了LLM的输出效果。