AI 通识
理解AI核心概念，从入门到实践。涵盖Agent、RAG、MCP等热门术语的通俗解读。
Agent
Agent 的本质是循环执行——感知 → 规划 → 行动 → 观察 → 再规划，直到任务完成或达到终止条件.
阅读详情Chain of Thought（CoT）
CoT（思维链）是一种引导模型按步骤展开推理的方法，让中间判断过程显式化，减少跳步和拍脑袋.
阅读详情Computer Use
Computer Use 是让 AI 模型通过截屏识别界面元素，并模拟鼠标点击、键盘输入来操控计算机的能力.
阅读详情Context Window
Context Window（上下文窗口）是模型一次请求最多能处理的 Token 数量，包括输入内容、对话历史、系统提示词，通常还要为输出预留空间.
阅读详情Cosine Similarity
Cosine Similarity（余弦相似度）是衡量两个向量"方向有多接近"的指标，值越接近 1 表示越相似.
阅读详情Embedding
Embedding 的本质是把文本转成一串数字（向量），让语义相近的内容在数字空间里距离也相近.
阅读详情Embedding Model
Embedding Model 是专门把文本转成向量的模型，它决定"转出来的向量好不好".
阅读详情Fine-tuning（微调）
Fine-tuning 是在已经训练好的大模型基础上，用特定领域或任务的数据继续训练，让模型在该场景下表现更好的技术.
阅读详情Function Schema
Function Schema 是对工具能力的结构化描述，是模型调用工具时的"参数契约".
阅读详情Harness Engineering（驾驭工程）
Harness Engineering 是一种 Agent 开发方法论，核心理念是"通过精心设计的系统来驾驭 Agent 的行为，使其在边界内发挥最大效能".
阅读详情MCP（Model Context Protocol）
MCP（模型上下文协议）是一套让 AI 应用以统一方式接入外部能力的开放协议.
阅读详情Memory（Agent记忆）
Memory 是 Agent 保存和复用信息的能力，让它在多轮交互和复杂任务中保持连贯.
阅读详情OpenClaw
OpenClaw 是一个本地优先的个人 AI 助手，运行在你自己的设备上，通过多渠道和你交流.
阅读详情Prompt
Prompt 是给模型的输入内容，也是模型理解任务的直接依据——它不只是"一句话指令"，而是同时包含目标、背景、材料、限制条件和输出要求的任务描述.
阅读详情Prompt Engineering
Prompt Engineering 是围绕模型输出效果，对 Prompt 做设计、测试、比较和迭代优化的过程.
阅读详情RAG
RAG（检索增强生成）是"先检索外部资料，再基于资料生成回答"的架构.
阅读详情ReAct
ReAct（Reasoning + Acting）是让模型交替进行"思考、行动、观察"的循环工作模式.
阅读详情Retrieval
Retrieval 是从大量数据中找到与当前问题最相关信息的过程.
阅读详情SKILL（Agent技能）
SKILL 是 Agent 能够执行的具体能力单元，定义了"能做什么"以及"怎么做".
阅读详情Structured Output
Structured Output 是让模型按预定义结构返回结果的能力，比如 JSON、对象字段、固定枚举值，而不是一段自由文本.
阅读详情System Prompt
System Prompt 是对话开始前给模型设置的全局规则层，定义角色、目标、边界和默认行为方式.
阅读详情Temperature
Temperature 控制模型输出的随机性.
阅读详情Token
Token 是模型处理文本时的最小计量单位，不等于"字"或"词"，而是由分词器把文本切分后的片段.
阅读详情Tool Calling
Tool Calling 是让模型把"我应该做什么"转成"我应该调用哪个工具、传什么参数"的能力.
阅读详情Top-p
Top-p 限制采样的候选范围，只从累计概率最高的一小部分词里选.
阅读详情Transformer 架构
Transformer 是 2017 年 Google 提出的深度学习架构，通过"自注意力机制"让模型能同时处理序列中任意位置的关系.
阅读详情Vector Database
Vector Database 是专门存储高维向量、并支持语义相似度检索的数据库.
阅读详情Zero-shot / Few-shot
Zero-shot 和 Few-shot 是在 Prompt 里不训练模型就能让它完成任务的方式——本质上是"在上下文里学会怎么做"（In-context Learning）.
阅读详情