5分钟让你彻底读懂，AI智能体所有重要概念

现在AI概念层出不穷，让人眼花缭乱，但其中很多是吹出来的，并没有看上去那么玄。

相对的也有一些很重要的概念，被劣币淹没让初学者找不到重点以至于一头雾水。

今天花几分钟给大家简单科普一下，看完你就全懂了，稍微花点心思自己也能搭出一个Agent。

为了方便好记，我们给现在正火的Openclaw龙虾机器人加一个S，变成OpenCLAWS。

让它代表Open-source Context-aware Large Language Model Agent with Workflow and System prompt and function calling。

于是这个缩写就包含了所有智能体的重要概念。

Open-source指的是开源，让普通人手搭Agent成为可能。

Context-aware指的是智能体能识别上下文，有记性。

后面的LLM是大语言模型。

Agent指的就是智能体。

with Workflow是指这个助手可以通过LLM理解和拆解任务，最后生成一个可执行的工作流。

System prompt是指系统提示词，也就是给提示词做了规范。

没有这玩意Agent会胡思乱想乱调用工具，有了之后就老实多了，只能按规范来。

智能体的脑子是LLM，也就是大语言模型，它能读懂你说的话，也能写出你能看懂的话，当然也可以写代码跟机器沟通。

核心原理很简单，之前也讲过，本质就是猜下一个词。

先把文本拆成Token词元，也就是LLM处理文本的最小单位，可理解为拆分后的单个字、词或词根。

然后转成向量，靠Self-Attention Mechanism自注意力机制关联，再通过解码器生成连贯回复。

运转自注意力机制的是Transformer变换器，GPT的缩写就是Generative Pre-trained Transformer。

以往的语言处理模型包括RNN循环神经网络，以及LSTM长短期记忆网络，采用的方式是一个一个字读，没法关注到一段话里的所有信息，理解能力堪忧。

而自注意力机制可以给一段话里面不同的字分配权重，于是一下子就可以看懂全局。

那为啥叫大语言模型呢？

因为Parameters，也就是参数多。

你可以把这些参数理解为是LLM的知识储备，参数量越大，知识越丰富，能读懂的越多，也越能说明白话。

不过LLM只是个脑袋，能听能思考能说，但也就只能动动嘴，因为没有手。

例如我想让LLM做个PPT，需要自己跟他对话输入提示词，让它根据要求一页一页写出来，我再人工拷进PPT。

如果有个东西能把拷贝这个步骤省了，直接给我生成PPT不就爽了吗？

这就是智能体的Function Calling功能，它能调用工具。

既然可以调用本地工具，自然也可以在本地检索并调用本地数据和文档，这就是RAG，Retrieval-Augmented Generation，检索增强型生成。

检索就需要目录，目录叫做Embedding嵌入式词向量，说白了就是把本地数据库里面的文字转换为一串数字，大模型按数字表达可以找到这段文字，也就找到了知识点。

能调用本地自然也可以去网上检索，这个功能早就有，这里就不多说了。

既然Agent可以自己调用工具，自己检索数据，那如果能把我给的任务拆解成子任务，再一个个执行，岂不完美了？

这就是Workflow工作流，让LLM帮你把任务拆解成工作流，再由智能体执行。

这个过程叫Task Planning，智能体将复杂目标拆解为可执行的子任务，定义子任务优先级和执行顺序的能力。

让智能体有思路。

从此AI就不再只是耍嘴皮子，还能动手，就像龙虾的大钳子claw，所以最初这个智能体叫clawbot。

捋下来你会发现，所有这些看似神乎其神的东西，其实是一个自然演化的过程。

设想并实现这些需求都是自然而然的事情，那么真正的难点在哪呢？

其实在于接口。

智能体需要调用本地工具和本地数据，那就需要定义好对工具和操作系统的接口规范。

而且很多时候智能体不止有一个脑子，除了LLM之外还有，VLM视觉语言，MLM多模态，ASR语音识别，TTS语音合成，以及最近最火的Seedance2.0这种VGM视频生成模型。

这些模型之间也需要交互，那就也需要接口规范。

于是MCP诞生了，全称Model Context Protocol模型上下文协议。

由Claude母公司Anthropic提出，目的就是给AI世界定义一个TypeC接口，让LLM可以调用其他模型以及操作系统和工具。

随着这套规范逐渐成熟，大家都开始基于这套规范定义接口，智能体会迎来一个大爆发时代。

5年内50%的岗位会被智能体取代，10年内只有10%的人幸存。

至于那时被裁员了还能做什么，我在另一篇文章中讲过，就不再重复了。

评论区留给大家见仁见智吧。