AI 概念扫盲：从 Token、上下文到 RAG、Agent，一篇文章说清

"Token""上下文""参数""RAG""多模态""Agent"……打开任何一篇 AI 文章，这些词就像天书一样砸过来。其实它们都不难——每一个都能用一句话加一个比喻说清。这篇就是你的 AI 名词扫盲贴，看完再看到这些词，你不会再犯怵。

一、Token：AI 怎么"读"文字

AI 不读字，读 Token。Token 是模型处理文本的最小单位，可以理解成"半个字/一个词/一个标点"。

你可以把它想成：模型把一句话切成小块（Token），再一小块一小块地"吃"进去理解。所以"多少 Token"就是"多长文本"——API 按 Token 计费，就是按它吃了多少块算钱。

你刚跟 AI 说的每句话，都放在它的"临时便签"里，这个便签就叫上下文（Context）。它没有长期记忆——它只记得这张便签上写的东西，聊完就丢。

所以"聊久了会忘记事情"不是它笨，是它的便签就这么大。想让它记住，要么把关键信息重新说一遍，要么把旧对话翻到新窗口里。

普通模型像"口算"，你问它就直接报答案；推理模型（也常叫"深度思考/深度推理"）像"打草稿"，会先在内部一步步推理、验证，再誊写出最终答案。

代价是它更慢、更费算力；好处是遇到复杂问题（数学、逻辑、多步任务）明显更稳。日常闲聊用普通模型，难题再用推理模型，别让杀鸡刀去砍柴。

参数（Parameters）是模型里可调"旋钮"的数量，是容量指标——旋钮越多，能装下的"见识"越多，理论上能记住的模式越丰富。但"多"不等于"聪明"：

"模态"就是信息的种类：文字、图片、音频、视频各是一种模态。只懂文字的模型叫单模态，你发张图给它，它只能看见一堆二进制，当然"看不懂"。

多模态模型能同时处理多种模态：图片识别、语音、视频理解。原理上，它多了个"翻译官"（视觉/音频编码器），把图片切块变成模型能读的 Token，再喂给大脑理解。

所以"为什么有的 AI 看不懂图片"——因为它只装了"字"这一只眼睛。

想让 AI 更懂你的领域，有两条主流路：微调（Fine-tuning）和 RAG（检索增强生成）。

一句话：微调改脑子，RAG 查资料。微调贵、周期长、改一次要重训；RAG 灵活、成本低、换资料库就行，所以日常私有知识问答基本首选 RAG。

关系就一句话：LLM 是脑子，知识库是书，RAG 是"查书再答题"的动作。所以 LLM 不等于知识库，RAG 也不是模型，它是让两者协作的机制。

AI（人工智能）：让机器模拟人类智能的总称，一切相关概念的"老大哥"。
NLP（自然语言处理）：让计算机理解、生成人类语言的技术，LLM 是它的最新形态。
LLM（大语言模型）：海量文本训练出来的"文字接话茬"模型，如 GPT、文心一言。
GPT：OpenAI 推出的一类 LLM（Generative Pre-trained Transformer），名字是"生成式预训练 Transformer"的缩写。
AIGC（AI 生成内容）：用 AI 生成文字、图片、视频、音乐等内容，是"AI 用来干活"的统称。
Agent（智能体）：不仅能对话，还能自己规划、调用工具（查资料、跑代码）完成任务的多步 AI。
多模态：能同时处理文字/图片/音频/视频多种输入的模型。
AGI（通用人工智能）：像人一样什么都能干的 AI——目前还没实现，属于"远方目标"。

Token 是它读的"词块"，上下文是它的"临时便签"，推理模型"先打草稿再交卷"，参数是"旋钮数"不等于聪明，微调是"改脑子"、RAG 是"查资料"，多模态是"多长了只眼睛"。名词再多，拆开都是一句话的事。