从零开始学AI--AI知识点扫盲

前言

春节假期的小小震撼，外行都在讨论AI，想从中赚一笔，现在的AI应用80%内卷且无意义。所以做技术的并不感冒，毕竟日常接触很多了，更像是必然等到的老友，效率的提升并未解放任何劳动力，徒增了更多无谓的焦虑以及适应的痛苦，虽然偶尔带来那么一点点小惊喜。不过这么久了，冒出来的概念很多，眼花缭乱，导致有些许人装逼时，我像是个新兵蛋子，幸有Kimi，躺在床上无事，于是问答一波，以此记录。。。

AI大模型(LLM)的基本概念

一、当前主流AI大模型格局（2025年）

1.第一梯队：国际主流模型

关键性能对比：

代码生成：Claude 4 Opus 4.1以74.5%的SWE-bench分数领先，GPT-5 High为69.1%，Gemini 2.5 Pro为67.2%

多模态推理：GPT-5（思考模式）以91分领先，GPT-4.1为90分，Claude 4 Opus（思考模式）为83分

成本差异巨大：Gemini 2.5成本仅为Claude 4的1/30，GPT-4.1的1/500

2.国内主流模型

RAG增强的基本概念

一、RAG是什么？

RAG = Retrieval-Augmented Generation（检索增强生成）

一句话定义

让大模型在回答问题前，先"查资料"再作答，而不是凭记忆"瞎编"

二、核心原理（三步流程）

用户提问 → 检索相关知识 → 结合知识生成回答

↓ ↓ ↓

查询 向量数据库匹配 LLM组织语言

详细拆解：

三、为什么需要RAG？

四、RAG vs 大模型微调（Fine-tuning）

这是企业定制AI的两种主流技术路线：

选型建议 ：

• 客服问答、企业文档查询 → RAG（知识更新快）
• 实时交易、自动驾驶 → 微调（延迟要求极低）

五、RAG在AI技术栈中的位置

根据技术层级划分 ：

┌─────────────────────────────────────┐ │ L5 应用层：智能客服、企业助手、搜索增强 │ ├─────────────────────────────────────┤ │ L4 Agent层：目标规划、工具调用、多轮协作 │ ├─────────────────────────────────────┤ │ L3 技能层：RAG（检索增强）、Function Calling │ ├─────────────────────────────────────┤ │ L2 模型层：GPT-4、Claude、DeepSeek（大脑）│ ├─────────────────────────────────────┤ │ L1 数据层：向量数据库、知识图谱、文档库 │ └─────────────────────────────────────┘ 

关键洞察 ：

• RAG 是L3"技能层"的核心组件，给大模型装上"外接大脑"
• Function Calling 给大模型装上"手"（调用工具）
• Agent 是完整的人（大脑+手+目标+记忆）

六、RAG与AI Agent的关系

协作模式（以企业智能客服为例）

用户提问 ↓ Agent（智能体）接收任务，开始规划 ↓ 发现需要查公司内部政策 → 调用RAG技能 ↓ RAG去向量数据库检索相关文档片段 ↓ Agent将检索结果喂给LLM（大脑） ↓ LLM组织语言生成回答 ↓ 如果用户要求"重置密码" → Agent调用Function Calling操作数据库 

关系本质

进阶形态：Agentic RAG（智能体化RAG）

传统RAG是"一次检索，一次生成"，Agentic RAG是"多次检索，动态决策"：

• 传统RAG：用户问→检索→生成→结束
• Agentic RAG：用户问→检索→发现信息不足→改写查询→再次检索→验证冲突→综合生成

七、RAG的典型应用场景

八、RAG的技术演进（2025年最新）

九、一句话总结

RAG是给大模型"开卷考试"的能力，让它从"闭卷瞎编"变成"查资料作答"。在AI Agent架构中，RAG是Agent的"知识技能模块"，让Agent能回答专业、实时、可溯源的问题。

核心公式：

有效AI回答 = LLM（大脑） + RAG（查资料） + Function Calling（动手） + Agent（规划协调） 

AI Agnet的基本概念

一、AI Agent(智能体)发展现状

Gartner将2025年称为"AI智能体元年"，标志着AI从对话交互（L1）迈向能自主思考与行动的智能体阶段（L3）。

核心特征演进

技术架构关键升级

从Function Calling到Tool Calling ：

Function Calling：模型调用单个函数，适合简单、静态、无状态场景（如查天气）

Tool Calling：模型调用复杂工具实体（可包含数据库、Agent、文件系统），支持状态保持、嵌套调用、异步处理，是构建Agent的核心机制

二、主流AI Agent分类定位

首先，我们需要理解当前AI Agent的五层架构 ：

关键洞察：OpenClaw和Manus同属L4执行层，但设计理念完全相反；扣子(Coze)属于L5平台层，侧重生态构建而非直接执行。

三、OpenClaw vs 核心竞品对比

1. OpenClaw vs Manus AI（最直接的竞品）

两者是2026年最常被比较的Agent，但代表了开源本地 vs 商业云端两种路线 ：

一句话差异 ：

• OpenClaw = “给你工具，你自己造AI员工”（控制力强，需技术）
• Manus = “租用一个现成AI员工”（方便，但受限）

成本对比（月度）：

• 轻度使用：OpenClaw约$ 30-60 vs Manus $39
• 重度使用：OpenClaw约$ 300-750 vs Manus $199（但易超额）
• 关键差异：OpenClaw可通过免费API额度实现$0成本，Manus订阅费不可免

2. OpenClaw vs AutoGPT（早期Agent代表）

AutoGPT是2023年引爆Agent概念的项目，但两者定位截然不同 ：

关键差异 ：

“AutoGPT是开发者工具包，OpenClaw是日常驾驶工具。我花了一个周末搭建AutoGPT，花30分钟搭建OpenClaw，现在OpenClaw还在运行。”

3. OpenClaw vs 智谱AutoGLM（移动端Agent）

AutoGLM是全球首个具备"Phone Use"能力的手机Agent，与OpenClaw形成移动端 vs 桌面端的互补 ：

技术差异 ：

• OpenClaw：通过系统级API和工具调用实现自动化，适合复杂数据处理
• AutoGLM：通过"视觉+ADB"模拟真人操作，无需App开放接口，应用无法区分是人类还是AI在操作

性能对比 ：

• AutoGLM完成美团外卖点单仅需92秒，较真人操作效率提升70%
• 跨3平台完成32K显示器比价耗时1分44秒，精准度达89.7%

4. OpenClaw vs 字节扣子(Coze)（平台级Agent）

扣子属于L5平台层，与OpenClaw的L4执行层是生态位差异 ：

扣子2.0新特性（2026年1月）：

• Agent Skills：将场景最佳实践封装（如营销文案调用AIDA模型）
• Agent Plan：长期任务执行（如"运营自媒体账号"可持续数月）
• Agent Office：深度办公场景（Word报告、PPT、Excel处理）
• 扣子编程：自然语言开发环境（Vibe Coding）

关键差异 ：

OpenClaw是"Agent本身"，扣子是"制造Agent的工厂"。

四、综合对比矩阵

五、选型决策指南

选择OpenClaw如果你 ：

✅ 重视数据隐私（金融、医疗、法律行业）

✅ 需要深度定制（连接内部系统、自定义工作流）

✅ 希望控制长期成本（避免SaaS订阅费）

✅ 团队有技术能力（能接受CLI操作）

✅ 需要7×24小时持续运行（本地Daemon模式）

✅ 想通过聊天软件指挥AI（WhatsApp、飞书等）

选择Manus如果你：

✅ 不想碰技术（零配置开箱即用）

✅ 需要快速完成研究/分析任务（偶尔使用）

✅ 追求云端的便利性（不占用本地资源）

✅ 能接受Meta处理你的数据

选择AutoGLM如果你：

✅ 主要场景在移动端（手机App操作）

✅ 需要操作微信、淘宝等封闭生态App

✅ 希望不占用手机性能（云端执行）

选择扣子(Coze)如果你：

✅ 需要构建企业级Agent应用（而非直接使用）

✅ 重视可视化开发（低代码/无代码）

✅ 需要多Agent协作生态

六、未来趋势判断

1. OpenClaw模式将主导企业市场 ：受监管行业（金融、医疗）必须本地部署，开源+私有化的OpenClaw路线更符合合规要求
2. 移动端Agent爆发：AutoGLM代表的"视觉+模拟操作"路线，解决了App不开放API的痛点，将成为手机标配
3. 平台与执行分离：扣子(Coze)等L5平台负责生态构建，OpenClaw等L4框架负责执行，形成分工
4. 成本结构重构：OpenClaw的"免费软件+按量API"模式，正在冲击Manus的"订阅+信用点"模式

** 结论**：OpenClaw的核心竞争力在于"极端的透明度和控制力"——代码开源、数据本地、模型自选、成本可控。这使其成为对隐私敏感、需要深度定制的用户和企业的首选，但也要求更高的技术投入。相比之下，其他Agent在便利性、特定场景（移动端）或平台生态上各有优势，形成差异化竞争格局。

LLM与AI Agent的关系

一、本质关系

大模型是"大脑"，智能体是"完整的人"

二、技术架构：从"单一模块"到"系统工程"

大模型：智能体的"认知基座"

大模型（如GPT-4、Claude、DeepSeek）是基于Transformer架构的预训练模型，通过海量数据获得：

• 语言理解与生成能力
• 逻辑推理与知识整合
• 多模态内容处理

关键局限：它只是一个"高智商的顾问"——能告诉你"怎么做"，但无法"帮你做" 。

智能体：大模型的"能力放大器"

智能体通过架构设计，将大模型从"文本生成器"转变为"任务执行者"：

┌─────────────────────────────────────────┐ │ AI Agent 架构 │ ├─────────────────────────────────────────┤ │ 感知层 → 接收环境信息（用户输入、传感器数据）│ ├─────────────────────────────────────────┤ │ 决策层 → 大模型（大脑）负责理解、推理、规划 │ ├─────────────────────────────────────────┤ │ 执行层 → 工具调用（API、数据库、软件控制） │ ├─────────────────────────────────────────┤ │ 记忆层 → 长期记忆存储（向量数据库、知识图谱）│ ├─────────────────────────────────────────┤ │ 反馈环 → 执行结果观察→动态调整策略 │ └─────────────────────────────────────────┘ 

核心公式：Agent = LLM（大脑） + 工具（手脚） + 记忆 + 规划能力

三、技术生态中的位置

┌────────────────────────────────────────┐ │ 应用层 (Applications) │ │ 智能客服 │ 代码助手 │ 自动驾驶 │ RPA │ ├────────────────────────────────────────┤ │ 智能体层 (Agent Layer) │ │ 规划模块 │ 记忆系统 │ 工具调用 │ 反馈环 │ ├────────────────────────────────────────┤ │ 大模型层 (LLM Layer) │ │ GPT-5 │ Claude 4 │ DeepSeek │ Gemini │ ├────────────────────────────────────────┤ │ 基础设施层 (Infrastructure) │ │ 算力集群 │ 向量数据库 │ API网关 │ 云平台 │ └────────────────────────────────────────┘ 

关键协议：MCP（Model Context Protocol）正在成为Agent调用工具的标准"USB-C接口"，让大模型与外部工具的连接标准化 。

四、三代技术演进：从"能说"到"能做"

AI应用架构经历了清晰的演进路径 ：

关键差异：

• Workflow：人类设计流程图，大模型是流程中的"文本处理节点"
• Agent：大模型自己决定流程，动态选择工具，应对未知情况

五、共生关系：相互成就的双螺旋

1. 大模型赋能智能体的三大路径

2. 智能体反哺大模型

价值实现：将大模型的知识转化为实际业务价值

数据飞轮：智能体执行过程中产生的新数据，可用于优化大模型

场景验证：通过实际任务反馈，检验大模型能力的边界

六、典型对比：同一任务的不同处理方式

以"分析上月销售数据并生成报告"为例 ：

AI智能体的发展

一、主要应用场景

1. 企业级办公与业务流程自动化

2. 金融行业（应用成熟度最高）

• 智能风控：自动化建模、实时风险监测与预警、动态策略调整
• 智能投顾：分析海量金融数据，提供个性化投资建议
• 信贷审批：从资料收集到审批建议生成的全流程自动化
• 反欺诈：实时分析交易行为，识别异常模式

案例：天弘基金已开发基于大模型的金融AI Agent，解决传统大模型训练时缺乏时效性的问题

3. 零售与电商

4. 软件开发与编程辅助

Claude 4在代码生成领域确立绝对优势：

• 构建完整Tetris游戏（含游戏逻辑、界面、控制）
• 创建2D马里奥游戏（含关卡、怪物、道具系统）
• 多文件代码重构与优化能力

适用工具：GitHub Copilot（基于Claude）、Cursor、Windsurf等

5. 内容创作与媒体

• 文本生成：爆款标题创作、长文撰写、多语言翻译
• 图像生成：即梦、可灵、豆包等文生图工具，支持水墨画、赛博朋克、吉卜力等风格
• 视频生成：可灵、Runway等实现文本/图像生成视频

6. 游戏与娱乐

• 个性化NPC：英伟达ACE for Games使NPC能实时自然语言对话（已集成至《绝地求生》）
• 动态难度调整：根据玩家行为实时调整游戏策略和强度
• 千人千面体验：基于玩家画像提供个性化内容

7. 政务与公共服务

• 智能问政：一站式智能服务平台，自动解答政策咨询
• 智能助民：办事流程引导、材料预审、进度跟踪
• 多智能体协同：复杂民生问题自动分派至对应部门Agent处理

二、选型建议

三、未来趋势

1. 从单Agent到多Agent协同：复杂任务解耦为可并行处理的子模块，实现"1+1>2"的涌现效应
2. 云端智能体普及：依托云计算弹性资源，加速在政务、金融、教育等行业落地
3. 成本持续下降：Gemini 2.5已将成本压至极低水平，推动AI应用普惠化
4. 垂直领域深度适配：医疗、法律、制造等专业领域Agent将更加成熟

2025年，AI Agent已从概念验证走向产业落地，企业级市场正从"助手"向"自动化引擎"升级，个人用户也能通过低代码平台快速创建专属智能体。

OpenClaw（近期爆火的开源AI Agent）

OpenClaw 是2026年初GitHub上增长最快的开源项目之一，3周内Star数从0飙升至18万+（相比之下，React用了8年才达到10万Star）。这是一个真正能"动手干活"的AI智能体，而非仅仅对话的聊天机器人。

核心定位

技术架构

OpenClaw采用六阶段流水线设计：

用户消息 → Channel Adapter → Gateway Server → Lane Queue → Agent Runner → Agentic Loop → Tool Execution 

四大核心模块：

1. Gateway（网关）：统一接入WhatsApp、Telegram、Discord、飞书等10+通讯平台
2. Agent（大脑）：理解意图、制定计划、调用工具（支持Claude、GPT、DeepSeek等模型）
3. Skills（技能）：可扩展的能力插件，如邮件处理、浏览器控制、文件管理等
4. Memory（记忆）：跨会话的持久化记忆，让AI"越用越懂你"

核心能力

1. 真正的系统操作权限

• 读写本地文件系统
• 执行Shell命令
• 控制浏览器自动化（填写表单、抓取数据）
• 在安全沙箱中运行代码

2. 多平台接入
支持通过日常聊天软件随时指挥：

• 国外：WhatsApp、Telegram、Discord、Slack、iMessage、Signal
• 国内：飞书、钉钉（需配置）

3. 持久化记忆

• 记住你的偏好、工作习惯
• 三个月前的任务中断后可以继续
• 跨Agent共享记忆

4. 定时任务与主动执行

• 设置定时任务（如"每周一整理上周销售数据"）
• 主动监控和汇报（如"监控网站状态，宕机时通知我"）

典型应用场景

与类似工具对比

部署方式

本地部署（隐私优先）：

• 运行在Mac mini、Windows电脑或Linux服务器上
• 数据完全本地存储，不上传云端
• 适合对隐私要求高的用户

云端部署（7×24小时在线）：

• 部署在VPS或云服务器（如Zeabur、火山引擎）
• 不占用本地电脑资源，随时可用
• 通过Tailscale等私有网络保障安全

安全考量

由于OpenClaw拥有操作系统级权限，也带来安全风险：

• 敏感信息外泄：可能误发本地数据
• 高危操作：可能执行破坏性命令（如rm -rf）
• 远程控制：被恶意利用成为攻击入口

应对方案：

• 使用沙箱环境隔离执行
• 设置指令过滤和白名单
• 启用人工审批机制
• 火山引擎等云厂商已推出专门的安全防护方案

创始人与社区

• 创始人：Peter Steinberger（奥地利工程师，PSPDFKit创始人）
• 吉祥物：龙虾（🦞）
• 更名历程：Clawdbot → Moltbot → OpenClaw（因商标问题多次改名）
• 最新动态：2026年2月14日，创始人加入OpenAI，OpenClaw转向独立基金会运营

Seedance

Seedance 是字节跳动旗下 Seed团队 研发的 AI视频生成大模型，定位为"电影级全流程生成引擎" 。

核心定位

• 技术路线：基于扩散模型（Diffusion Model）的多模态视频生成
• 目标：实现"从0到1"的电影级视频生成，让"人人皆导演"
• 平台载体：集成于字节跳动的 即梦（Dreamina） AI创作平台

技术迭代历程

Seedance 2.0 的核心突破（2026年2月发布）

Seedance 2.0 被视为 “2026开年第一技术王炸”，标志着AI视频从"玩具级演示"迈入"工业生产力阶段" 。

七大核心能力

与Sora 2的对比

• 生成质量：被《黑神话：悟空》制作人冯骥称为"当前地表最强的视频生成模型，没有之一"
• 可用率：超过90%，远高于行业平均水平
• 成本重构：5人团队3天的工作 → 单人30分钟完成，60秒视频成本从近万元降至算力支出

Seedance vs 即梦 vs 可灵：三者关系

这是最容易混淆的部分，三者是**“模型-平台-竞品”**的三角关系：

关系图解

┌─────────────────────────────────────────┐ │ 字节跳动生态 │ ├─────────────────────────────────────────┤ │ Seedance（模型层） │ │ └── 即梦/Dreamina（平台层） │ │ └── 面向C端用户 │ ├─────────────────────────────────────────┤ │ 快手可灵（竞品模型+平台） │ │ └── 快手生态 │ └─────────────────────────────────────────┘ 

详细对比

一句话区分

• Seedance = “发动机”（核心技术）
• 即梦 = “整车”（用户接触的平台，可换不同发动机）
• 可灵 = “另一品牌的发动机+整车”（快手竞品）

关键洞察 ：

“Seedance更侧重于帮用户表达一个故事，可灵则更侧重专业级别的内容生产”