ai_map零基础约 45 分钟
第 0-1 课
AI、机器学习、生成式 AI 与 LLM：先把名字放对位置
学完你能做到
- 不再把 AI、ChatGPT、LLM、Agent 当成同一个东西
- 能说出“模型”和“应用”分别是什么
- 知道 Agent 是应用的一种设计方式，不是一种新模型
AI 是一个总称，不是一台具体机器
先建立直觉
“交通工具”不是一辆车。自行车、公交、飞机都属于交通工具；同样，AI 是许多不同技术的总称。
| 名称 | 它解决什么问题 | 不要误解成 |
|---|---|---|
| AI | 总称：让机器识别、预测、生成或决策 | 某一个聊天机器人 |
| 机器学习 | 从大量例子中学习规律 | 所有 AI 的唯一做法 |
| 生成式 AI | 生成新的文字、图片、声音、代码 | 保证内容真实 |
| LLM 大语言模型 | 理解和生成语言 | 一个完整产品 |
| AI 应用 | 把模型、界面、数据和业务规则做成产品 | 模型本身 |
| Agent | 让模型在边界内决定下一步并使用工具的应用架构 | 比 LLM 更大的模型 |
包含关系要记住：AI 的范围最大；Agent 是 AI 应用的一种组织方式。
常见误解
“我在用 AI”就等于“模型知道一切、会自己完成任务”。
实际上
你实际使用的是一个 AI 应用。它可能给模型接了搜索、文件、数据库和记忆，也可能什么都没接。先问“这个产品给模型什么上下文、什么工具、什么权限”，比只问它用了哪个模型更重要。
案例推演：把“校园问答机器人”拆成正确层级
学校想做一个能回答校历、查空教室并代学生预约的产品。团队把模型、知识库、网页和 Agent 混称为“AI”，结果责任边界完全说不清。
本节追问：这个产品里，哪些是模型能力，哪些是应用能力，哪些才属于 Agent 行为？ 先不要急着看结论。沿着下面四步，逐项区分输入、决策、证据和失败信号。
| 阶段 | 本步要做的决定 | 什么算证据 | 最常见的失败 |
|---|---|---|---|
| 识别模型 | 用 LLM 理解自然语言并生成解释 | 同一输入只依赖本轮上下文即可回答 | 误以为模型天然知道最新校历 |
| 识别数据 | 由数据库和 RAG 提供校历、教室状态 | 答案能对应到校方记录与更新时间 | 把检索到资料等同于资料一定正确 |
| 识别应用 | 界面、账号、权限和业务规则组合能力 | 未登录用户不能看到或修改个人预约 | 把登录和权限说成模型能力 |
| 识别 Agent | 模型根据结果选择继续查询、澄清或预约 | 下一步由目标、状态和工具观察共同决定 | 只要接了 LLM 就自称 Agent |
阅读方式：先遮住后两列自己回答，再用“证据”和“失败”两列检查理解。
常见误解
把全部组件都叫“AI”
实际上
可观察症状：发生错误时不知道该查模型、数据、权限还是流程。
更可靠的修复：用“模型—数据—应用—Agent 行为”四层图标明责任与测试方法。
案例工作坊 · 建议真正动手完成
25 分钟- 给产品画四层结构，并把每项功能放进唯一的主责任层。
- 为“教室已被占用”分别写出数据错误和 Agent 决策错误的例子。
- 用一句话向非技术同事解释 LLM 与 Agent 的区别。
查看参考答案
LLM 是语言模型；校历和教室状态来自外部数据；登录、界面和规则属于应用；只有“观察结果后选择下一步并行动”的部分才是 Agent 行为。
迁移检查：换一个场景还会不会
预约接口拒绝了未登录用户，这主要是哪一层在起作用？
这一课只检查一个边界
一个聊天网页能读取 PDF、联网搜索并记住上次对话。最准确的说法是？