第4章 AI落地基础术语扫盲

本章导读

前三章建立了FDE的行业与路径认知。但许多读者卡在一个具体障碍上：术语听不懂。大模型、Agent、Skill、Tool、RAG、工作流、API、微调、向量数据库……这些词在方案文档里密密麻麻，让非技术背景者望而却步。

本章用图解+生活化类比，系统扫盲FDE工作中最常遇到的核心术语。每个术语都给出"通俗解释+技术原理+与FDE的关系"，确保你既能听懂、又能用对。读完本章，你应当能看懂基础方案文档，能在客户沟通中把技术术语翻译成客户语言。

§4.1 术语是工具，不是门槛

先破一个心态：术语不可怕，它只是行业里的"简称工具"。就像装修行业的"找平"“批腻子"“开槽”，外人听着陌生，本质都是具体动作。AI术语同理——每个词背后都是具体的功能或机制。

学术语的正确方式不是死记定义，而是理解它解决的问题+它的工作机制+它在FDE工作中怎么用。本章就按这个三段式来讲。

§4.2 大模型（Large Language Model, LLM）

通俗解释

大模型像一个读了海量书、什么都能聊两句的"博学助手”。你问它问题，它根据读过的内容生成回答。但它有几个天生毛病：有时会一本正经地胡说（幻觉）、不知道你公司的内部事（无私有知识）、记不住太长的对话（上下文有限）。

技术原理

大模型是基于Transformer架构、用海量文本训练出的统计预测模型。它的本质是"根据上文预测下一个词"。这个简单机制在海量数据与巨大参数量下，涌现出了语言理解、推理、生成等能力。

大模型的能力边界由三方面决定：

• 训练数据：决定了它知道什么。
• 参数规模：影响理解与推理的精细度。
• 对齐方式：决定它回答的风格与边界。

与FDE的关系

FDE几乎每天都在调用大模型。理解大模型的能力边界，是判断"哪些任务能交给AI、哪些不能"的前提。FDE的核心工作之一，就是把客户需求拆解到大模型能力边界之内。

图4-1：大模型能力边界 （建议呈现：同心圆图。内圈"擅长"：文本生成、总结、分类、翻译、简单推理；外圈"不擅长"：实时信息、私有知识、精确计算、多步复杂逻辑、长时记忆。）

§4.3 幻觉、时效、隐私：大模型三大局限

大模型有三大局限，是FDE落地必须直面的。

局限一：幻觉（Hallucination）。 大模型会编造看起来合理但实际错误的内容。比如被问"某公司2024年财报数据"，它可能编出一组数字。原因是它本质是预测下一个词，不是查数据库。应对：用RAG接入真实资料、用Prompt约束"不知道就说不知道"、关键信息人工复核。

局限二：时效性。 大模型的训练数据有截止时间，之后发生的事它不知道。应对：用联网搜索能力、用RAG接入最新资料。

局限三：隐私与数据安全。 直接把客户敏感数据发给公有模型有泄露风险。应对：用私有化部署、用数据脱敏、用合规的API通道。

方法论框4-1：大模型局限的FDE应对清单

局限	应对手段
幻觉	RAG + Prompt约束 + 人工复核
时效	联网搜索 + RAG接入最新资料
隐私	私有化部署 + 数据脱敏 + 合规通道

§4.4 Agent、Skill、Tool

这三个词是FDE工作的高频术语，三者关系常被混淆。

通俗解释

用一个"厨房团队"类比：

• Agent（智能体） = 厨师。能听懂"做一桌川菜"的指令，自己规划做菜流程并执行。
• Skill（技能） = 菜谱技能。比如"回锅肉技能"“麻婆豆腐技能”，是厨师会做的具体菜。
• Tool（工具） = 厨具。锅、刀、灶，是技能执行时调用的工具。

三者关系

Agent是大模型加上了"规划+执行"能力的封装。它接到任务后，会自主选择调用哪个Skill；Skill在执行时，会调用需要的Tool。

图4-2：Agent / Skill / Tool 层级关系 （建议呈现：树状图。顶层Agent，下挂多个Skill节点，每个Skill下挂若干Tool叶子。）

用一次客户服务场景说明：

• 客户问"我的订单到哪了"。
• Agent判断这是"订单查询"任务，调用"订单查询Skill"。
• 订单查询Skill调用"订单系统API"这个Tool，获取物流信息。
• Agent把信息整理后回复客户。

与FDE的关系

FDE搭建AI能力模块，本质上就是在搭Agent、Skill、Tool的组合。本书第二篇会详细讲Skill设计与搭建。

§4.5 RAG（检索增强生成）

通俗解释

RAG像一个"允许翻书的考试"。大模型本身不知道你公司的内部知识（没学过），直接问它会幻觉。RAG的做法是：先把你的内部资料切片存进知识库，客户提问时先去知识库检索相关片段，再把片段喂给大模型，让它基于真实资料回答。

技术原理

RAG的核心流程：

1. 入库：把文档切成小块（chunk），用向量化模型转成向量，存入向量数据库。
2. 检索：用户提问时，把问题也向量化，在数据库里找最相似的片段。
3. 生成：把检索到的片段作为上下文，连同问题一起发给大模型，让它生成回答。

图4-3：RAG工作流程 （建议呈现：横向流程图。文档→切片→向量化→向量库；用户问题→向量化→检索→片段+问题→大模型→回答。）

与FDE的关系

RAG是FDE落地最常用的技术之一，几乎所有"企业知识库"“智能客服"“文档问答"类项目都基于RAG。FDE要会配置RAG（切片策略、向量模型选择、检索调优），但不必自己写底层算法。

§4.6 工作流（Workflow）

通俗解释

工作流像一条"AI流水线”。把一个复杂任务拆成多个环节，每个环节用对应的AI能力或工具处理，串联起来自动完成。

与单次大模型调用的区别

单次大模型调用是"一问一答”，适合简单任务。工作流是"多步串联"，适合需要多个环节协同的复杂任务。

举个例子，“自动生成客户跟进邮件”：

• 单次调用：把客户信息直接喂给大模型，让它写邮件。质量一般，缺个性化。
• 工作流：①查询客户历史互动→②大模型分析客户偏好→③大模型生成邮件草稿→④大模型润色→⑤发送。每步专注一件事，质量更高。

与FDE的关系

工作流编排是FDE的核心技能之一。本书第9章会详细讲工作流自动化落地。

§4.7 API（应用程序接口）

通俗解释

API像一个"插座"。你想用电，不需要自己发电，把插头插进插座就行。大模型厂商提供API，你不需要自己训练模型，调用API就能用上它的能力。

关键概念

• 调用：通过API发送请求，获取模型响应。
• Token：大模型计费与上下文计量的单位，大约1个汉字≈1.5-2个token。
• 上下文窗口：模型一次能处理的文本长度上限，超出需截断或分段。
• Rate Limit：调用频率限制，超限会被限流。

与FDE的关系

FDE用零代码平台时，平台已经封装了API调用，FDE不直接写代码调API。但理解API、Token、上下文这些概念，对估算成本、设计Prompt、排查问题至关重要。

方法论框4-2：FDE必须懂的API基础概念

• 调用：发请求得响应
• Token：计费与计量单位
• 上下文窗口：单次处理上限
• Rate Limit：调用频率限制
• 这四个概念直接影响成本估算、Prompt设计与方案可行性判断。

§4.8 微调（Fine-tuning）与向量数据库

这两个术语FDE未必直接操作，但常在方案讨论中出现，需要听懂。

微调

微调是在通用大模型基础上，用特定领域数据继续训练，让它在某领域表现更好。类比：大模型是大学毕业生，微调是给他做岗前培训。

与RAG的区别：RAG是"翻书"（临时查资料），微调是"上学"（长期改变模型本身）。RAG适合频繁变化的知识，微调适合稳定的风格或领域特性。FDE落地以RAG为主，微调较少（成本高、周期长）。

向量数据库

向量数据库是专门存储与检索向量的数据库，是RAG的存储基础设施。常见产品有Milvus、Pinecone、Chroma等。FDE通常不直接运维向量数据库，但要知道它在RAG里的角色，以便与算法团队沟通。

§4.9 AI落地的四类典型场景

把上述术语串起来，看AI落地的四类典型场景。FDE的绝大多数项目都属于这四类之一。

图4-4：AI落地四类场景 （建议呈现：四象限图。横轴"输入结构化程度"，纵轴"输出自由度"。四象限分别标注四类场景。）

第一类：信息整理类。 输入结构化、输出受限。如：会议纪要生成、文档摘要、数据分类。难度低，适合入门。

第二类：内容生成类。 输入结构化、输出自由。如：营销文案生成、邮件草稿、报告初稿。难度中，Prompt工程是关键。

第三类：知识问答类。 输入半结构化、输出受限。如：企业知识库问答、客服FAQ、合规咨询。RAG是核心技术。

第四类：流程自动化类。 多环节串联、跨系统协同。如：获客工作流、报表自动化、工单分类与派单。工作流编排是核心。

FDE入门通常从第一类做起，逐步进阶到第四类。

§4.10 术语转译：FDE的必备能力

光懂术语不够，FDE还要能把术语翻译成客户能懂的话。这是一项被低估的核心能力。

方法论框4-3：术语转译三步法

1. 去术语：把技术名词换成生活名词（如"RAG"→“给AI配个可翻的资料库”）。
2. 接场景：用客户自己的业务场景举例（如对零售客户说"就像你店员遇到不熟悉的商品，先翻库存表再回答顾客"）。
3. 说价值：最后落到对客户的价值（如"这样AI就不会乱编，回答都基于你的真实资料"）。

举一个转译实例：

• 技术话：“我们用RAG接入您的知识库，通过向量检索召回相关片段，再由大模型生成回答，降低幻觉风险。”
• 转译后：“我们会把您公司的资料整理成一个AI能随时翻阅的资料库。客户提问时，AI先去资料库找相关内容，再基于真实资料回答，不会胡编。”

后者客户听得懂、记得住、愿意付费。这就是术语转译的价值。

本章小结

1. 大模型：博学但有幻觉、时效、隐私三大局限，FDE要用RAG、Prompt约束、私有化部署应对。
2. Agent/Skill/Tool：Agent是厨师、Skill是菜谱技能、Tool是厨具，三者层级关系清晰。
3. RAG：允许翻书的考试，企业知识库类项目的核心技术。
4. 工作流：AI流水线，多步串联处理复杂任务。
5. API：AI的插座，Token与上下文是成本与设计的关键概念。
6. 四类场景：信息整理、内容生成、知识问答、流程自动化，FDE项目基本归属其一。
7. 术语转译：去术语+接场景+说价值，是FDE的核心能力。

思考题

1. 用自己的类比重新解释Agent/Skill/Tool，确保一个完全不懂技术的人能听懂。
2. 找一份真实AI方案文档，标注其中的术语，用术语转译三步法把其中3句技术话翻译成客户话。
3. 观察你工作中一个重复任务，判断它属于四类场景的哪类，说明理由。
4. 解释RAG与微调的区别，并说明什么场景该用哪个。

延伸阅读

• 本书第7章将深入AI技术基础与工具选型，是本章的进阶延伸。
• 第8章讲Prompt工程与Skill搭建，可与本章Agent/Skill部分对照。
• 各大模型厂商的官方文档（用于刷新术语的最新定义与能力边界）。

第一篇结束。 完成本篇四章，你已建立FDE的行业认知、岗位边界、入行路径与术语基础。第二篇将进入实战，从工作方法论开始，逐步掌握FDE的基础工作流。