先找到，再真正弄懂。

能自己决定下一步行动、选择工具，并根据结果继续调整，直到完成目标或请求人类介入的 AI 系统。

设计模型每次推理时实际看到的信息组合，包括指令、资料、工具、历史、记忆和中间状态。

把文本、图像等内容转换成一串数字，使语义相近的内容在向量空间中更接近的表示方法。

用代表性样本、明确标准和可重复流程，判断 AI 系统在目标任务上是否足够好以及改动是否真的有帮助。

用特定任务或领域的数据继续训练已有模型，使其更稳定地表现出目标行为、格式或能力。

在 AI 系统输入、推理过程或输出周围设置的规则、检测和控制，用来降低不允许行为与错误操作的风险。

被组织、维护并可检索的外部事实与资料集合，常作为 RAG 的内容来源。

用教师模型提供的输出或其他监督信号训练学生模型，让学生学习目标行为，常用于降低部署成本，但不保证复制教师的全部能力。

帮你用统一接口连接模型与工具、搭建智能体循环的应用框架，适合复用常见能力，但不会替你决定业务流程是否正确。

用状态、节点和连接规则组织长流程的编排框架，适合需要分支、暂停和恢复的智能体应用，也可以运行完全确定的流程。

通过大量数据学习语言模式、能够处理和生成文本的模型；常见的生成式 LLM 按上下文逐步预测后续 token。

模型在一次请求里能接收和处理较大量 token 的能力，用来同时阅读长文档、代码库或长对话。

一套让 AI 应用以统一方式连接外部工具、资源和提示的开放协议，规定主机、客户端与服务器如何通信。

AI 系统跨步骤或跨会话保存并重新使用用户偏好、经历、状态或总结的一组机制。

设计和迭代模型指令、示例与输出要求，让模型在指定任务上更稳定地产生所需结果。

回答前先从外部资料中检索相关片段，再把它们作为上下文交给模型生成答案的方法。

用明确的数据结构约束模型返回的字段和类型，让程序更容易解析结果；它约束格式，但不保证字段内容真实正确。

模型根据工具描述生成结构化调用请求，再由应用执行真实函数并把结果返回给模型的机制。

将查询转换为向量，并按距离从已有向量中找出语义最相近内容的检索方法。

由代码预先规定主要步骤和允许的分支，让模型与工具按可检查的流程协作；实际走哪条分支仍可能取决于输入与模型结果。