AI一文扫盲
最近几年，AI相关名词越来越多：看着看着就懵了，所以总结一下常见的高频词，辅助大家来理解
——星河璀璨
每周速递来了～ - 社区问答- OceanBase社区-分布式数据库
AI
├── LLM
│
├── Embedding
├── 向量数据库
├── RAG
│
├── Agent
│ ├── Tools
│ ├── Skills
│ └── Workflow
│
└── Function Calling
1. AI (人工智能)
-
定义： 人工智能（Artificial Intelligence），英文缩写为AI。是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。
-
通俗解释： AI = 让机器像人一样“理解” 和“思考”。
常见的能力包含：
- 聊天
- 写代码
- 分析数据
- 识别图片
2. LLM (大预言模型)
-
定义： 大模型LLM（Large Language Model）是指具有大规模参数和复杂计算结构的机器学习模型。
-
通俗解释： LLM = 一个超级会说话的“语言预测机器”
他本质是在做：
根据前文预测下一个词
eg：qianwen3.5-4b、openai
# 示例
from openai import OpenAI
client = OpenAI(api_key="你的API_KEY")
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[
{"role": "user", "content": "请解释什么是SQL索引"}
]
)
print(response.choices[0].message.content)
3. Prompt (提示词)
-
定义： Prompt 是一种指令或信息，它引导或触发 AI 系统做出回应。在与 AI 如 ChatGPT 的交互中，每当我们输入一段文字，无论是问题、命令还是陈述，这段文字就是一个 Prompt。
-
通俗解释： Prompt = 你给AI的指令
写得好 → 回答质量高
写得乱 → 回答也乱
Prompt 的作用
触发回应：Prompt 是与 AI 进行交流的起点，它告诉 AI 我们需要什么样的信息或反应。
引导对话：通过使用特定的 Prompt，我们可以引导 AI 沿着特定的思路或话题进行回答。
影响输出：AI 的回应会根据 Prompt 的内容而变化。一个明确、具体的 Prompt 通常会得到更精确和相关的回答。
# 示例
prompt = """
你是一名数据库专家，请用简单语言解释：
什么是SQL索引？
并给一个例子。
"""
4. Embedding (向量化)
- 定义： Embedding(嵌入)是指把文本(也可能包括图像、视频等其他模态数据)转成能表达语义信息的浮点数向量，向量之间的数学距离可以反映对应文本之间的语义相关性
- 通俗解释： 把一句话变成一串数字。
例如：
“ERP卡顿” → [0.124, -0.334, 0.987, …]
用于：
- 语义搜索
- 相似度计算
# 实例
response = client.embeddings.create(
model="text-embedding-3-small",
input="ERP系统性能优化"
)
vector = response.data[0].embedding
print(len(vector)) # 向量维度
更多信息参考：Transformer | 一文带你了解Embedding（从传统嵌入方法到大模型Embedding） - 知乎
5. Vector Database (向量数据库)
-
定义： 向量数据库是一种专门用于存储和处理向量数据的数据库系统。它以向量为基本数据类型，将向量作为数据的主要组织形式。
-
通俗解释：
普通数据库按“精确匹配”查数据。
向量数据库按“语义相似”查数据。
# 示例
# 导入 numpy 数学计算库
# numpy 主要用于向量、矩阵计算
import numpy as np
# 创建第一个向量
# 你可以理解为：一句话转换成的数字表示
v1 = np.array([0.1, 0.3, 0.5])
# 创建第二个向量
# 代表另一句话的数字表示
v2 = np.array([0.1, 0.2, 0.4])
# 计算两个向量的“点积”
# 点积公式：a1*b1 + a2*b2 + a3*b3
# 用于衡量两个向量的相似程度
similarity = np.dot(v1, v2)
# 打印相似度结果
print("相似度:", similarity)
真实项目中可以用：seekdb！！
6. RAG （检索增强生成）
-
定义： RAG(Retrieval-Augmented Generation，检索增强生成)是一种结合了信息检索技术与语言生成模型的人工智能技术。该技术通过从外部知识库中检索相关信息，并将其作为提示(Prompt)输入给大型语言模型(LLMS)，以增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等，RAG模型由FacebookAlResearch(FAIR)团队于2020年首次提出，并迅速成为大模型应用中的热门方案。
-
通俗解释：
流程：
- 查知识库
- 把结果给 LLM
- 再生成回答
# 假设这是从知识库检索到的内容
retrieved_text = "ERP卡顿通常与慢SQL和锁等待有关。"
question = "ERP为什么会卡顿？"
final_prompt = f"""
根据以下资料回答问题：
资料：
{retrieved_text}
问题：
{question}
"""
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": final_prompt}]
)
print(response.choices[0].message.content)
更多信息参考：一文彻底搞懂大模型 - RAG（检索、增强、生成）-CSDN博客
7.agent (智能体)
-
定义： 是指能够感知环境并采取行动以实现特定目标的代理体。
-
通俗解释：
LLM = 大脑
Agent = 大脑 + 手脚 + 工具
可以自动执行任务。
8. Function Calling（函数调用）
-
定义： 是一种赋予大语言模型（LLM）调用外部函数能力的机制，使其能够结合真实数据或执行特定操作来满足用户需求，而不仅仅依赖模型自身的推理能力。这一技术最早由 OpenAI 在 GPT-4 中引入，随后被其他模型广泛采用。
-
通俗解释： 让AI输出“调用哪个函数”
import json
# 模型假设返回
model_output = {
"function": "get_cpu_usage",
"args": {}
}
if model_output["function"] == "get_cpu_usage":
print(get_cpu_usage())
9. Tools（工具）
-
定义： 赋予语言模型调用外部预定义函数或API的能力。模型能根据用户意图，生成包含特定函数名和参数的请求，以执行外部操作。
-
通俗解释： 让AI的手能伸出虚拟世界。当AI自己做不了某件事时（比如查实时天气、订机票），它可以“摇人”，调用外部的软件程序来帮忙完成。
-
例如：
- 查数据库
- 运行Python
- 调接口
def run_sql(sql): return f"执行SQL: {sql}" question = "查询用户数量" sql = "SELECT COUNT(*) FROM users" print(run_sql(sql))
10. Skills（技能）
- 定义： 在 AI 界，Skills 就是让大模型按照某种特定的方法论去行动的机制
- 通俗解释： Skill = 封装好的一类能力模块
eg: SQL优化Skill、数据分析Skill、报表生成Skill
你可以把它理解为 “超级进化版的提示词”。因为它比普通提示词强得多，通常由三部分组成：
[!NOTE]
- 元数据 (Metadata)： 包含对这个技能的简短描述。它保存在全局上下文中，因为体积小，所以非常节省 Tokens（省钱又省心）。
- 行动指南 (Action Guide)： 这部分才是真正的提示词，规定了 AI 每一步该怎么做。
- 资源文件 (Resources)： 这是最厉害的地方！它可能包含 Python 代码 或其他执行程序，保证程序在调用 Skill 时能完成复杂的动作。
def sql_optimize_skill(sql):
prompt = f"""
你是数据库专家，请优化以下SQL：
{sql}
"""
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": prompt}]
)
return response.choices[0].message.content
print(sql_optimize_skill("SELECT * FROM users"))
11. Workflow（工作流）
-
通俗解释： 多步骤流程自动执行。
-
例如：
-
读取慢SQL
-
分析原因
-
生成优化方案
-
输出报告
-
