一篇文理解AI核心基本概念：LLM、Function Call、Agent…

最新推荐文章于 2025-11-25 12:11:01 发布

原创最新推荐文章于 2025-11-25 12:11:01 发布 · 331 阅读

CC 4.0 BY-SA版权

文章标签：

#人工智能 #langchain #llama #prompt #embedding #LLM #Agent

本文尽量用最简单的方式, 帮读者理解 LLM, Transformer, Prompt, Function calling, MCP, Agent, A2A 等这些基本概念。表述时不追求绝对准确, 尽量通俗易懂。部分内容有个人理解的成份, 内容难免疏漏, 欢迎指正。注意: 本文需要你有基本的代码阅读能力。当然非开发阅读也不会很困难。

关注腾讯云开发者，一手技术干货提前解锁👇

鹅厂程序员面对面直播继续，这次将邀请鹅厂大佬讲讲自己从大专到腾讯的心路历程。更有蛇年公仔等精美周边等你来拿，记得提前预约直播～👇

01

LLM (大语言模型)

本质就是文字接龙。

把问题当成输入，把大模型当成函数，把回答当成输出。

大模型回答问题的过程，就是一个循环执行函数的过程。

另外有必要了解一下，AI技术爆发于2023年，ChatGPT经过了几次迭代才崭露头角。

Transformer架构。
参数爆发增长。
人工干预奖励模型。

思考题: 语言能代表智能吗?

02

Transformer (自注意力机制)

自注意力机制就是动态关联上下文的能力。如何实现的呢？

每个分词就是一个 token
每个token 都有一个 Q, K, V 向量 (参数)

Q 是查询向量
K 是线索向量
V 是答案向量

推理的过程:

当前token 的Q 与前面所有的 K 计算权重
每个 token 的V加权相加得到一个 token预测值
选择 N 个与预测值最接近的 token, 掷骰子选择

最简化示例: 小明吃完冰淇淋，结果 => 肚子疼。

首先分词及每个token的 Q, K, V向量。


token	Q（查询）	K（键）	V（值）	语义解释
小明	[0.2, 0.3]	[0.5, -0.1]	[0.1, 0.4]	人物主体
吃完	[-0.4, 0.6]	[0.3, 0.8]	[-0.2, 0.5]	动作（吃完）
冰淇淋	[0.7, -0.5]	[-0.6, 0.9]	[0.9, -0.3]	食物（冷饮，可能致腹泻）
结果	[0.8, 0.2]	[0.2, -0.7]	[0.4, 0.1]	结果（需关联原因）

接着开始推理:

1. 使用最后一个 token 的 Q（“结果”的 Q 向量）

Q_current = [0.8, 0.2]

2. 计算 Q_current 与所有 K 的点积（相似度）

点积公式：Q·K = q₁*k₁ + q₂*k₂


Token	K向量	点积计算	结果
小明	[0.5, -0.1]	0.8 * 0.5 + 0.2*(-0.1) = 0.4 - 0.02	0.38
吃完	[0.3, 0.8]	0.8 * 0.3 + 0.2 * 0.8 = 0.24 + 0.16	0.4
冰淇淋	[-0.6, 0.9]	0.8(-0.6) + 0.2 0.9 = -0.48 + 0.18	-0.3
结果	[0.2, -0.7]	0.8 * 0.2 + 0.2*(-0.7) = 0.16 - 0.14	0.02

3. Softmax 归一化得到注意力权重

将点积结果输入 Softmax 函数


Token	点积	指数值（e^x）	权重
小明	0.38	e^0.38 ≈ 1.46	1.46 / 2.74 ≈ 0.53
吃完	0.4	e^0.40 ≈ 1.49	1.49 / 2.74 ≈ 0.54
冰淇淋	-0.3	e^-0.30 ≈ 0.74	0.74 / 2.74 ≈ 0.27
结果	0.02	e^0.02 ≈ 1.02	1.02 / 2.74 ≈ 0.37

加权求和 V 向量生成上下文向量

将权重与对应 V 向量相乘后相加：


Token	权重	V向量	加权 V 向量
小明	0.53	[0.1, 0.4]	0.53*[0.1, 0.4] ≈ [0.053, 0.212]
吃完	0.54	[-0.2, 0.5]	0.54*[-0.2, 0.5] ≈ [-0.108, 0.27]
冰淇淋	0.27	[0.9, -0.3]	0.27*[0.9, -0.3] ≈ [0.243, -0.081]
结果	0.37	[0.4, 0.1]	0.37*[0.4, 0.1] ≈ [0.148, 0.037]

最终上下文向量：

[0.053−0.108+0.243+0.148,0.212+0.27−0.081+0.037]=[0.336,0.438]

预测下一个 token

模型将上下文向量 [0.336, 0.438] 与候选 token 的嵌入向量对比：

嵌入向量不作过多解释, 只要知道QKV三个向量可从嵌入向量计算得到即可


候选词	嵌入向量	相似度（点积）	概率
肚子疼	[0.3, 0.5]	0.336 * 0.3 + 0.438 * 0.5 ≈ 0.101 + 0.219 = 0.320	最大概率（例如 65%）
头疼	[0.2, 0.1]	0.336 * 0.2 + 0.438 * 0.1 ≈ 0.067 + 0.044 = 0.111	次之（例如 20%）
开心	[-0.5, 0.8]	0.336(-0.5) + 0.438 0.8 ≈ -0.168 + 0.350 = 0.182	较低（例如 15%）

最终模型选择最高概率的 “肚子疼” 作为下一个 token。

注意在实际场景中，预测的下一个token是不确定的，是因为有一个掷骰子的操作，大模型会在概率最大的几个token中随机挑选一个作为最终输出。

03

Prompt (提示词)

对于这个词大家并不陌生。我们用chatGPT时经常会用到， “你是一个…”

但你真的理解它吗？

与ai对话时的这种预设角色，其实并不是严格意义上的 prompt。

为什么这么说呢？先看一下API。

04

理解API

我们前面提到过大语言模型的本质就是文字接龙，相对应的使用大模型也比较简单。可以参见deepseek的文字接龙 api 请求：

https://api-docs.deepseek.com/zh-cn/api/create-chat-completion

这里比较重要的几个部分，需要理解:

temperature 温度

Temperature（温度）是一个控制生成文本随机性和多样性的关键参数。它通过调整模型输出的概率分布，直接影响生成内容的“保守”或“冒险”程度。看几个典型场景:


场景	温度
代码生成/数学解题	0
数据抽取/分析	1
通用对话	1.3
翻译	1.3
创意类写作/诗歌创作	1.5

tools 工具支持

大模型对 function calling 的支持，后面再详细介绍。

角色和信息

这一部分是ai对话的主体。其中role 定义了四个角色。

system 系统设定。
user 用户回复。
assistant 模型回答。
tool 是配合function call工作的角色，可以调用外部工具。

回到前一章的问题，ai对话时其实是user部分输入的内容，所以system角色的设定内容才应该是严格意义上的Prompt。

这有啥区别呢? (user 与 system?)

个人一个合理的猜测: system的内容在Transformer推理中拥有较高的权重。所以拥有较高的响应优先级。

关于多轮对话

因为LLM是无状态的。我们要时刻记得文字接龙的游戏，因此在实际操作中也是这样的。

在第一轮请求时，传递给 API 的 messages 为。

大模型回答。

当用户发起第二轮问题时，请求变成了这样

05

Function Calling (函数调用)

仅仅一个可以回答问题的机器人，作用并不太大。

要完成复杂的任务，就需要大模型的输出是稳定的，而且是可编程的。

因此OpenAI 推出了 function calling的支持。也就是前面提到的 tools参数相关内容。

基本流程

工具声明及用户输入

模型检测到需要使用工具，返回相关工具参数

开发者根据方法名和参数，调用相关工具方法

将工具方法的返回值，附加到请求中，再次请求大模型

得出最终结果

"The current temperature in Paris is 14°C (57.2°F)."

总结一下

实现原理(猜测)

a. 实现方式一: prompt 遵循 (示例)

提前设置规则:

b. 实现方式二: 模型训练特定优化

对结构化输出有特定要求，可能需要特定训练吧。这个不太确定?

06

Agent (智能体)

包含: 大模型，任务规划，上下文记忆，工具调用。它是大模型能力的拓展。其实只要对API进行简单的封装，只要能完成特定任务，都可以称为智能体。比如下面的例子:

创建AI客服系统

这个智能体，主要包括:

配置了一个 prompt: “你是一个电商客服，可查询订单状态”
引入 query_order 工具
其它创建方式

服务商开放接口，供用户创建，比如腾讯元器：

https://yuanqi.tencent.com/my-creation/agent

一个简单的提示词都可以创建智能体：

07

MCP (模型上下文协议)

通过上面的智能体调用工具的示例我们可以看到，每接入一个工具，都需要编写相应的接入代码。经常写代码的我们都知道，这不是好的架构设计。好的设计应该把动态改变的部分 ( tools的声名和调用分离出来 )，做为一个独立的模块来拓展。这就有了大众追捧的 MCP: -----(哪有这么玄，都是程序员的常规操作啊…)

MCP是工具接入的标准化协议

https://modelcontextprotocol.io/introduction

遵循这套协议，可以实现工具与Agent的解耦。你的Agent 接入MCP协议的client sdk后。接入工具不再需要编写工具调用代码，只需要注册 MCP Server就可以了。而MCP Server可由各个服务商独立提供。