大模型技术栈全解析：从LLM到Agent，一篇搞定，建议收藏

原创于 2025-12-03 11:47:30 发布 · 434 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #语言模型 #ai #程序员 #转行 #产品经理 #大模型

写在前面

大模型在今年的热度可以说是现象级的。从年初Deepseek ，Manus的爆火出圈到日常app中都能看到大模型的身影。

这篇文章我们就来梳理一些关于大模型的术语，包括 LLM、MCP、RAG、Agent、LangChain、vLLM、蒸馏 等等。

LLM

Large Language Model 大模型，模型多大才被称为大模型并没有统一硬性标准，但行业通常以 参数规模和训练数据/算力来衡量 ，语言模型常在 ≥1B 参数开始被称为“大模型”。比如：

GPT-2 有 1.5B，早期较大的语言模型
GPT-3 有 175B

这里1B的B是Billion的意思，也就是参数的个数，1B=10亿，一共有10亿个参数的模型就会被称为大模型。

prompt

prompt 提示词，也就是我们输入给大模型的语句。

MCP

Model Context Protocol（模型上下文协议）：是一个开放协议，目的是为 LLM应用提供一个标准化接口，使其 能够连接外部数据源和各种工具进行交互。

在这里插入图片描述
核心在于建立一个 标准化的通信层，使得 LLM 能够在处理用户请求或执行任务时，如果需要访问外部信息或功能，可以通过 MCP Client 向 MCP Server 发送请求。

MCP Server 则 负责与相应的外部数据源或工具进行交互 ，获取数据并按照MCP协议规范进行格式化，最后将格式化后的数据返回给大型语言模型。

但我们注意一点，大模型是不会自己去调用外部数据源或者工具的，大模型只会告诉我们需要调用哪些工具，而我们需要自己去实现工具的调用。

我们把大模型和MCP融合之后就会出现一个新名字叫智能体 Agent。

Agent

Agent智能体，我们上面说了大模型只会给我们一个步骤方法 ，不会真正去执行步骤。比如发邮件，大模型只会给出如何发邮件，第一步xxx，第二步xxx。并不会实际帮我们去发邮件，而我们需要把 LLM 整合上 MCP 工具才会真正实现发邮件。

具体流程：

给大模型输入提示词：“请帮我给xxx发送一封邮件，告诉他快点更新视频”，并将发邮件的工具 Tool 告诉大模型。
大模型会根据工具 Tool 给出一系列的步骤，包括调用什么工具 ToolName，以及调用工具的参数 Args。eg: ToolName = ‘email_sender’、Args = ‘email:xxx, content:快更视频’。
我们会将这些参数给到 mcp server。
mcp server 再进行发送邮件。
将结果返回告知用户。

RAG

Retrieval-augmented generation (RAG) 检索增强生成。在用大模型的时候，大家会发现大模型总是一本正经的回答问题，但其实是在胡说八道，这种现象叫 hallucination 幻觉。大模型本质的就是不断的预测下一个生成的文字应该是什么，而选择预测概率中最大的一个。在这里插入图片描述
打个比方：LLM 在考试的时候面对陌生的领域，只会写一个解字（因为LLM复习也只是局限于特定的数据集），然后就准备放飞自我了，而此时RAG给了亿些提示，让LLM懂了开始往这个提示的方向做，最终考试的正确率从60%到了90%！

RAG的过程如下：之前的文章已经详细介绍RAG了，感兴趣可以翻一翻～

embedding

embedding 向量化，在大模型中，我们一个词表达意思可能会有区别，比如苹果既可以代表水果，也可以代表手机，所以某个词是什么意思取决于这个词所在的语境是什么。

我们怎么知道词与词之间有没有关联呢？我们可以词转化成一连串的浮点型数字，去计算词与词之间的距离。

embedding

举个例子：

我们可以看到单词向量化后就变成了浮点型，在坐标轴上画上这些坐标我们可以很直观的看到：一百和两百的距离近，而一百离一千远，所以一百相比于一千，更接近两百这个语意。

LangChain

LangChain 是一个快速实现 agent 的开发框架，提供了标准接口，用于将不同的LLM连接在一起，以及与其他工具和数据源的集成。

vLLM

vLLM 是虚拟大语言模型的简称，由 vLLM 社区维护的一个开源项目。为了让大语言模型（LLM）更高效地大规模执行计算，通过更好地利用 GPU 内存 来加快生成式 AI 应用的输出速度。 最主要是两个模块：KV Cache和连续批处理。

KV Cache：

这里的 K 和 V 是由每个 token 的向量化后通过线性变换得到的两类向量，用来做注意力计算。 KV Cache 把这些历史 K/V 保存下来，后续步不用重复计算。但 KV Cache 随上下文长度、层数、头数、维度线性增长，也变成推理中的最大显存开销之一。

vLLM 的做法：

分块： 用 PagedAttention 将每条序列的 KV Cache 切分为固定大小的 块（block） ，并用页表式映射管理它们，像操作系统的虚拟内存一样灵活调度。这样避免了按序列分配一大块连续内存导致的碎片化和 OOM，同时支持动态并发与复用。
复用与共享： 在多分支（如 beam search）和重复前缀场景下，可复用相同前缀产生的 KV 块，极大减少预填充（prefill）时间。

分block

连续批处理：

不是攒满一批再跑，而是在每个解码步骤（按 token 迭代）都把活跃请求组装成一个批，序列长度不同也能高效合批，GPU 基本满负载运转。减少 短任务被长任务阻塞 的头阻塞，提高并发与公平性；
基于PagedAttention 的块式内存 + 步进级调度器，无需等待整批结束即可把新的请求插入下一步的批次。