AI Agent 专有名词学习路线与速查表
程小虎
AI Agent 专有名词学习路线与速查表
学习目标：把前面 9 类名词串成一条可执行的学习路线。
1. 推荐学习顺序
| 阶段 | 学什么 | 为什么先学 |
|---|---|---|
| 1 | 大模型基础 | 先理解模型如何处理文本。 |
| 2 | 推理与上下文 | 理解模型一次回答到底看到了什么。 |
| 3 | Prompt 工程 | 学会直接控制模型行为。 |
| 4 | Attention 与推理优化 | 理解性能、显存和长上下文限制。 |
| 5 | AI Agent 核心概念 | 进入规划、工具、记忆和执行循环。 |
| 6 | RAG 与知识库 | 让 Agent 使用外部资料。 |
| 7 | 模型部署与性能 | 让系统真正跑起来。 |
| 8 | 安全与评估 | 判断系统是否可靠可上线。 |
| 9 | 框架与生态 | 最后再选工具和框架实现。 |
| 10 | 训练与微调 | 当 Prompt/RAG 不够时再深入。 |
2. 高频名词速查
| 名词 | 一句话解释 | 关联主题 |
|---|---|---|
| Token | 模型处理文本的最小单位。 | 上下文、计费、推理速度 |
| Context Window | 模型一次能看到的最大 Token 范围。 | 长文档、Agent 历史 |
| Prompt | 给模型的任务说明。 | Prompt 工程、Agent 指令 |
| Transformer | 大模型核心网络结构。 | Attention、LLM |
| Self-Attention | Token 之间互相关注的机制。 | 长文本理解 |
| KV Cache | 缓存历史 Key/Value 加速生成。 | 推理优化、显存 |
| PagedAttention | 更高效管理 KV Cache 的方法。 | vLLM、高并发推理 |
| RAG | 先检索资料再生成答案。 | 知识库、减少幻觉 |
| Function Calling | 模型生成结构化参数调用工具。 | Agent 工具使用 |
| Memory | Agent 保存和复用信息的机制。 | 多轮任务、个性化 |
| Guardrails | 对输入输出和工具行为加限制。 | 安全、合规 |
| LangGraph | 用图状态机编排 Agent 流程。 | 复杂 Agent 工作流 |
| MCP | 模型连接外部工具和数据源的协议。 | 工具生态、集成 |
3. 总体学习路线图
4. 实战路线
5. 学习建议
如果目标是快速上手 AI Agent，建议先做一个最小项目：让 Agent 能读取一篇文档、回答问题、必要时调用一个简单工具。这个项目会同时覆盖 Prompt、Context、RAG、Tool Use 和评估这些核心概念。