AI 101 for Frontend Devs: LLMs, Transformers, RAG Explained Simply
近期AI技术引发巨大热潮，但众多专业术语令人困惑。LLM（大语言模型）、基础模型、RAG、Transformer、MCP、RLHF等概念随处可见，却难以理解。本文通过简明解释和可视化说明，帮助技术人员和非技术人员共同掌握这些核心概念。
1. AI生态系统层级
1.1 硬件层
英伟达、AMD、英特尔、华为等公司生产AI计算处理器芯片，这些芯片是AI的"脑细胞"，支撑模型运行和训练。
1.2 云服务提供商
由于硬件成本高昂，AWS、谷歌云、阿里云、微软Azure等云厂商提供芯片租赁服务，相当于为产品构建提供工具资源的工厂。
1.3 模型构建层
OpenAI、Anthropic、Hugging Face、Meta、谷歌等公司利用云计算资源创建AI系统的"大脑"——模型。
1.4 应用层
ChatGPT、Claude、Midjourney、Canva AI等应用直接面向用户，由底层模型驱动。
开发者专注于基础模型开发，用户则直接与应用交互。
2. 核心概念解析
2.1 人工智能（AI）
计算机科学领域，致力于创建能达到人类智能水平的系统，具备思考、模式识别、预测和语言理解能力。
- 术语"人工智能"于1956年提出
- 艾伦·图灵1950年论文提出"模仿游戏"（现称图灵测试）
2.2 机器学习（ML）
AI的子领域，机器从数据中学习模式并做出预测。
示例：给定序列2,4,6,8,10，模型学习模式后预测下一个数字为12 实际应用：Netflix电影推荐、邮件垃圾过滤
2.3 神经网络
模仿脑细胞的流行ML方法，由多层"神经元"共同进行二元决策。
图像识别示例（猫vs狗）：
- 输入层：接收图像数据
- 隐藏层：处理毛发、腿部、面部特征等
- 输出层：预测结果（如85%猫，15%狗）
2.4 深度学习
使用多层神经网络的机器学习方法，隐藏层越多网络越"深"，支撑现代语音识别、图像识别和自然语言处理系统。
3. AI术语简化说明
3.1 模型
AI系统的"大脑"，基于数据训练完成预测、生成内容或特定任务。
示例：GPT-4基于海量文本训练，能理解和生成人类语言 类比：训练有素能执行任务的狗
3.2 基础模型
基于万亿级数据训练的强大模型，优势在于适应性——可直接使用或微调用于专业领域（如医疗、客服）。
示例：GPT-4（OpenAI）、Claude（Anthropic） 类比：掌握多种技巧的导盲犬
3.3 大语言模型（LLM）
专门训练于海量文本数据的模型，擅长理解和生成人类语言。
能力：预测下一个词、生成脚本、文本摘要、问答 类比：能理解多种人类语言指令的狗 示例：ChatGPT
3.4 生成式AI
能基于输入提示创建全新内容（文本、图像、音乐）的模型。
示例：输入"山顶骑骆驼吃蛋糕的女子"，生成前所未有的独特图像 特点：不仅分析数据，更能创造新想法、代码、文本和媒体
3.5 Transformer
支撑现代语言模型的架构，通过"注意力机制"理解整句上下文而非单个词汇。
示例：在"奖杯放不进手提箱因为太大"中，Transformer帮助AI理解"它"指代奖杯 首次提出：2017年《Attention Is All You Need》论文
3.6 GPT（生成式预训练Transformer）
ChatGPT背后的技术：
- 生成式：从输入创建新内容
- 预训练：基于大数据集预先训练
- Transformer：使用Transformer架构理解上下文
3.7 提示词（Prompts）
向AI模型（特别是LLM）提供的输入或问题，提示质量决定输出质量。
提示工程：编写清晰、信息丰富的提示以获得最佳结果
提示类型：
- 零样本：无示例，直接提问
- 少样本：提供少量示例帮助理解上下文
- 思维链：鼓励模型逐步推理
CRISPR提示方法： 上下文、角色、意图、特异性、参数、优化
3.8 词元（Token）
AI处理的文本块（单词或词段），提示中词元越多计算成本越高。
示例：“A cat and a dog"可能包含4个词元
3.9 幻觉（Hallucinations）
AI模型自信地产生错误或虚构答案的现象，需要始终验证AI生成信息。
示例：询问MCP定义可能得到错误答案
4. 训练方法
4.1 监督学习
AI从已有正确答案的示例中学习，通过标注数据（如标有"猫/狗"的图片）训练，使AI能对新数据做出判断。
4.2 无监督学习
AI在无标注数据中自行寻找模式和分组，能发现数据中的聚类、趋势或共同特征（如按购物习惯分组客户）。
4.3 人类反馈强化学习（RLHF）
通过人类反馈学习，模型做出预测或执行任务后获得正面/负面反馈，据此改进表现。
4.4 微调
使已训练模型针对特定任务更专业，在通用模型（如GPT-4）基础上用专业数据（如医学文本、法律文档）进一步训练，无需从零开始学习。
5. AI工具
5.1 RAG（检索增强生成）
通过提供额外信息帮助AI模型更准确回答问题的方法，允许AI在回答时检索特定数据（如数据库或文档），使用最新或公司特定信息提供更相关答案。
与微调的区别：RAG不训练新数据，仅在响应时提供额外参考信息。
5.2 AI智能体
能自主或半自主使用多种工具执行任务的软件系统。
示例：
- 代码审查智能体：检查工作并提出改进建议
- 旅行预订智能体：创建行程并推荐酒店
自主性：当前多数智能体通过收集信息或提供建议来协助用户，尚未完全自动化，未来自主性将增强。
5.3 MCP（模型上下文协议）
AI系统与智能设备通信的标准方式，使用约定规则让不同系统相互通信，简化集成过程。
重要性：帮助开发者将工具连接到多个AI系统而无需额外工作，加速创新和兼容性。
视频中还详解：
- 机器学习与深度学习区别
- 神经网络
- 提示工程
- 词元与成本影响
- 幻觉现象
- RLHF（人类反馈强化学习）
- 智能体与MCP等
作者联系方式
- YouTube: https://www.youtube.com/@shrutikapoor08
- 技术双周通讯: https://substack.com/@shrutikapoor
- Discord: bit.ly/shruti-discord