第4章 AI落地基础术语扫盲

Thu, 22 Jan 2026 00:00:00 +0000

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

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：

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。
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。
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

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”）。

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"）。

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

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。
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。
RAG：允许翻书的考试，企业知识库类项目的核心技术。
工作流：AI流水线，多步串联处理复杂任务。
API：AI的插座，Token与上下文是成本与设计的关键概念。
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。
术语转译：去术语+接场景+说价值，是FDE的核心能力。

思考题

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。
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。
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。
解释RAG与微调的区别，并说明什么场景该用哪个。

LLM on SelfTechHub

第4章 AI落地基础术语扫盲

第4章 AI落地基础术语扫盲

§4.1 术语是工具，不是门槛

§4.2 大模型（Large Language Model, LLM）

通俗解释

技术原理

与FDE的关系

§4.3 幻觉、时效、隐私：大模型三大局限

§4.4 Agent、Skill、Tool

通俗解释

三者关系

与FDE的关系

§4.5 RAG（检索增强生成）

通俗解释

技术原理

与FDE的关系

§4.6 工作流（Workflow）

通俗解释

与单次大模型调用的区别

与FDE的关系

§4.7 API（应用程序接口）

通俗解释

关键概念

与FDE的关系

§4.8 微调（Fine-tuning）与向量数据库

微调

向量数据库

§4.9 AI落地的四类典型场景

§4.10 术语转译：FDE的必备能力

本章小结

思考题

延伸阅读