一次性讲清6个AI核心名词：LLM、Token、Prompt、Context、Memory、RAG

嗨，朋友们，大家上午好。「搞懂一个词」系列文章已经更新了 4 篇，我们知道了什么是提示词、什么是大模型，并且进行了实践操作，对这两个词的理解更加深刻。

文章分享出去后，我也收到一些好评，谢谢朋友们的支持和鼓励，后续更新会更加努力。

— 「搞懂一个词」已更新的系列文章

— 读者朋友们的好评与鼓励

然后我对这些进行了复盘，发现了一个问题：这样一个词一个词地写，其实在真实使用 AI 的场景里是很割裂的，知识点也是散的，不成体系。

提示词、大模型这两个词容易单独拎出来说，但像 agent（智能体）、token（词元）、skill（技能） 等，就不太好单独写，需要把它们串起来。

现在湖北的天气太热，我们想要去避暑，于是打开豆包的对话框，说了一句：湖北天气太热了，我要去避暑，你有什么推荐。豆包很快给了一段答复，这背后的核心就是 LLM（大语言模型）。

— 豆包对话框：湖北天气太热了，我要去避暑

LLM 将你的话拆解为 token（词元），它既不是一个字，也不完全等于一个词，而是大模型理解文字的最小单元。每个 token 对应着一个数字，叫 token id。

— 大模型如何把文字拆成 token

大模型通过计算，预测出一个 token 后面应该接哪一个，从而补齐出完整的回答。

在这个过程中，我们的提问就是 Prompt（提示词）——这正好引出下一个词。

我们随口一问，豆包其实回答得很浅显。换个问法试试：

PROMPT 预算 3000，不要去人多的地方，时间为一周，按天规划行程，要有具体的时间安排

— 换个问法后的具体行程需求

这样豆包给我们的回答就会更具体。这种把话说清楚的方法，就是 Prompt Engineering（提示词工程）。

— 豆包给出的详细一周行程

咱们做规划不可能一次性把话说完。我们补充规定了预算、说了要求，豆包很快就能调整整个推荐方向。

它是如何记住的？每次发消息时，系统都会把之前的对话一起打包发给大模型，这就是 context（上下文）。

一个常见的做法是，让模型把之前的对话做一次压缩总结，只保留关键信息。这个被压缩过的关键信息，就是 Memory（模型的记忆）。

接着问豆包：看看我之前收藏的避暑攻略，帮我重新规划行程。你看，模型并不知道我们收藏的攻略是什么。

— 豆包对话框：帮我用收藏的避暑攻略重新规划

这时候就需要 RAG（检索增强生成）——让模型能读取我们的私有资料，回答更真实可靠。

— RAG 工作流程示意

它先把资料切成小片段存在知识库；提问时，系统检索出最相关的片段，作为背景资料和问题合并。模型阅读这段增强后的上下文，生成准确回答。

我们平时用到的 AI 客服、AI 问答助手，背后都是 RAG 技术。不过 RAG 只是让模型回答得更好，无法真正干活。

今天我们一口气把 LLM、token、prompt、context、memory、RAG 这六个词捋了下来。它们单独拎出来，个个都挺唬人；可一旦放进「我想去避暑」这件具体的事里，就自动排成了队。

我们说的话被拆成 token，交给 LLM，配上 prompt 和 context，再加上 memory，最后用 RAG 补上私人攻略。

既然看到这里了，如果觉得有用，随手点个赞、在看、转发三连吧。

THANKS FOR READING