AI 基础概念整理1. LLMLarge Language Model一句话解释LLM 本质上是通过大量文本训练出来的语言预测模型能够理解和生成自然语言。具体例子比如 ChatGPT、Claude、Gemini、GLM。我输入“帮我写一个 Python 爬虫”它会根据训练数据生成对应代码。常见误区 / 边界很多人以为 LLM “真正理解”世界但实际上它更像是“根据上下文预测最可能输出”。所以它会幻觉Hallucination编造信息写出看似合理但错误的代码因此不能无条件相信输出。2. Prompt一句话解释Prompt 就是给 AI 的任务指令和上下文。具体例子同样是写代码普通 Prompt“帮我写登录功能”更明确的 Prompt“用 Java Spring Boot 写 JWT 登录接口并返回完整 API 示例”后者通常效果更稳定。常见误区 / 边界很多人觉得 Prompt 就是“提问技巧”。但实际上 Prompt 更像任务定义角色设定输出约束上下文管理如果需求本身模糊再高级 Prompt 也很难救。3. Context Window上下文窗口一句话解释Context Window 是模型一次能读取和“记住”的内容范围。具体例子如果一个 Agent聊天记录太长日志太多文件过大模型可能会忘记前面的内容丢失关键上下文所以很多 Agent 系统会做SummaryRAGMemory 压缩常见误区 / 边界很多人以为“模型上下文越长越好”。但实际上长上下文成本高注意力会分散关键内容可能被稀释上下文管理本身就是 Agent 的核心问题之一。4. Workflow一句话解释Workflow 是固定步骤的 AI 自动化流程。具体例子例如用户提问→ AI 判断问题类型→ 调用搜索工具→ 总结结果→ 输出答案整个流程是提前设计好的。常见误区 / 边界很多人把 Workflow 和 Agent 混在一起。但 Workflow 通常路径固定可预测不具备真正自主决策它更像“自动化流水线”。5. Agent一句话解释Agent 是能够自主拆任务、调用工具并循环执行的 AI 系统。具体例子比如“帮我分析一个 Web3 项目”Agent 可能会自动搜索资料阅读官网总结 Tokenomics对比竞品输出报告而不是只回答一句话。常见误区 / 边界很多产品会把“普通聊天 工具调用”直接包装成 Agent。但真正 Agent 通常需要PlanningMemoryTool UseReflection多步执行否则只是增强版 ChatBot。6. Tool Use工具调用一句话解释Tool Use 是让 AI 调用外部工具来获得真实执行能力。具体例子例如 AI调用浏览器搜索查询数据库执行 Shell 命令调用钱包 API发起链上交易这些都属于 Tool Use。常见误区 / 边界LLM 本身并不会真正上网转账运行代码它只是“决定是否调用工具”。真正执行动作的是外部系统。7. AI Coding一句话解释AI Coding 是使用 AI 辅助甚至主导软件开发。具体例子像CursorClaude CodeCodex都可以写代码Debug重构自动生成项目结构现在很多开发已经变成“人负责目标AI 负责大量执行”。常见误区 / 边界很多人会误以为“AI 能完全替代程序员”。但目前 AI 最大问题是缺少真正业务理解容易生成错误代码长项目维护能力有限所以现阶段更像“高级协作工具”。8. Guardrails护栏 / 安全约束一句话解释Guardrails 是限制 AI 行为范围的安全机制。具体例子例如一个链上 Agent单笔交易不能超过 100 USDC禁止调用未知合约必须二次确认权限升级这些都属于 Guardrails。常见误区 / 边界很多人以为“Prompt 里写禁止即可”。但真正安全系统不能只靠 Prompt。因为模型可能被 Prompt Injection 攻击可能误判可能绕过规则所以 Guardrails 往往需要权限系统SandboxPolicy EngineHuman Review共同完成。9. Tracing链路追踪一句话解释Tracing 是记录 AI 执行过程的观察与调试机制。具体例子一个 Agent 完成任务时为什么调用这个工具调用了哪些 API哪一步失败Token 消耗多少都可以通过 Tracing 查看。常见误区 / 边界很多人只关注“最终结果”。但 Agent 系统真正难的是“中间过程不可观测”。没有 Tracing很难 Debug很难优化 Prompt很难定位错误来源10. Human-in-the-loop人在回路中一句话解释Human-in-the-loop 指 AI 执行关键动作时仍需要人类参与确认。具体例子比如 AI Agent可以自动生成交易但真正签名前需要用户确认或者AI 先生成代码开发者再 Review 合并常见误区 / 边界很多人追求“全自动 Agent”。但现实里AI 可能误操作可能被骗可能理解错误目标所以在高风险场景金融钱包支付链上执行Human-in-the-loop 目前仍然非常重要。我的阶段性理解目前我对 AI × Web3 的理解是LLM 提供语言与推理能力Prompt 提供任务描述Tool Use 提供执行能力Workflow 提供固定流程Agent 提供自主决策Memory 和 Context 提供长期上下文Guardrails 与 Human-in-the-loop 提供安全控制Tracing 提供可观测性。而 AI × Web3 的核心挑战之一就是如何让 Agent 在拥有钱包、权限和支付能力之后依然能够安全、可信、可控地执行任务。
AI 基础概念卡片
AI 基础概念整理1. LLMLarge Language Model一句话解释LLM 本质上是通过大量文本训练出来的语言预测模型能够理解和生成自然语言。具体例子比如 ChatGPT、Claude、Gemini、GLM。我输入“帮我写一个 Python 爬虫”它会根据训练数据生成对应代码。常见误区 / 边界很多人以为 LLM “真正理解”世界但实际上它更像是“根据上下文预测最可能输出”。所以它会幻觉Hallucination编造信息写出看似合理但错误的代码因此不能无条件相信输出。2. Prompt一句话解释Prompt 就是给 AI 的任务指令和上下文。具体例子同样是写代码普通 Prompt“帮我写登录功能”更明确的 Prompt“用 Java Spring Boot 写 JWT 登录接口并返回完整 API 示例”后者通常效果更稳定。常见误区 / 边界很多人觉得 Prompt 就是“提问技巧”。但实际上 Prompt 更像任务定义角色设定输出约束上下文管理如果需求本身模糊再高级 Prompt 也很难救。3. Context Window上下文窗口一句话解释Context Window 是模型一次能读取和“记住”的内容范围。具体例子如果一个 Agent聊天记录太长日志太多文件过大模型可能会忘记前面的内容丢失关键上下文所以很多 Agent 系统会做SummaryRAGMemory 压缩常见误区 / 边界很多人以为“模型上下文越长越好”。但实际上长上下文成本高注意力会分散关键内容可能被稀释上下文管理本身就是 Agent 的核心问题之一。4. Workflow一句话解释Workflow 是固定步骤的 AI 自动化流程。具体例子例如用户提问→ AI 判断问题类型→ 调用搜索工具→ 总结结果→ 输出答案整个流程是提前设计好的。常见误区 / 边界很多人把 Workflow 和 Agent 混在一起。但 Workflow 通常路径固定可预测不具备真正自主决策它更像“自动化流水线”。5. Agent一句话解释Agent 是能够自主拆任务、调用工具并循环执行的 AI 系统。具体例子比如“帮我分析一个 Web3 项目”Agent 可能会自动搜索资料阅读官网总结 Tokenomics对比竞品输出报告而不是只回答一句话。常见误区 / 边界很多产品会把“普通聊天 工具调用”直接包装成 Agent。但真正 Agent 通常需要PlanningMemoryTool UseReflection多步执行否则只是增强版 ChatBot。6. Tool Use工具调用一句话解释Tool Use 是让 AI 调用外部工具来获得真实执行能力。具体例子例如 AI调用浏览器搜索查询数据库执行 Shell 命令调用钱包 API发起链上交易这些都属于 Tool Use。常见误区 / 边界LLM 本身并不会真正上网转账运行代码它只是“决定是否调用工具”。真正执行动作的是外部系统。7. AI Coding一句话解释AI Coding 是使用 AI 辅助甚至主导软件开发。具体例子像CursorClaude CodeCodex都可以写代码Debug重构自动生成项目结构现在很多开发已经变成“人负责目标AI 负责大量执行”。常见误区 / 边界很多人会误以为“AI 能完全替代程序员”。但目前 AI 最大问题是缺少真正业务理解容易生成错误代码长项目维护能力有限所以现阶段更像“高级协作工具”。8. Guardrails护栏 / 安全约束一句话解释Guardrails 是限制 AI 行为范围的安全机制。具体例子例如一个链上 Agent单笔交易不能超过 100 USDC禁止调用未知合约必须二次确认权限升级这些都属于 Guardrails。常见误区 / 边界很多人以为“Prompt 里写禁止即可”。但真正安全系统不能只靠 Prompt。因为模型可能被 Prompt Injection 攻击可能误判可能绕过规则所以 Guardrails 往往需要权限系统SandboxPolicy EngineHuman Review共同完成。9. Tracing链路追踪一句话解释Tracing 是记录 AI 执行过程的观察与调试机制。具体例子一个 Agent 完成任务时为什么调用这个工具调用了哪些 API哪一步失败Token 消耗多少都可以通过 Tracing 查看。常见误区 / 边界很多人只关注“最终结果”。但 Agent 系统真正难的是“中间过程不可观测”。没有 Tracing很难 Debug很难优化 Prompt很难定位错误来源10. Human-in-the-loop人在回路中一句话解释Human-in-the-loop 指 AI 执行关键动作时仍需要人类参与确认。具体例子比如 AI Agent可以自动生成交易但真正签名前需要用户确认或者AI 先生成代码开发者再 Review 合并常见误区 / 边界很多人追求“全自动 Agent”。但现实里AI 可能误操作可能被骗可能理解错误目标所以在高风险场景金融钱包支付链上执行Human-in-the-loop 目前仍然非常重要。我的阶段性理解目前我对 AI × Web3 的理解是LLM 提供语言与推理能力Prompt 提供任务描述Tool Use 提供执行能力Workflow 提供固定流程Agent 提供自主决策Memory 和 Context 提供长期上下文Guardrails 与 Human-in-the-loop 提供安全控制Tracing 提供可观测性。而 AI × Web3 的核心挑战之一就是如何让 Agent 在拥有钱包、权限和支付能力之后依然能够安全、可信、可控地执行任务。
