基本概念

智能体（Agent）

一个能够感知环境、进行推理、决策并采取行动以实现特定目标的智能系统。它通常以大语言模型（LLM）为核心大脑，具备自主性。

大语言模型（LLM）

Agent 的“大脑”。负责处理信息、逻辑推理、任务规划和生成响应。Agent 的智力水平很大程度上取决于其背后的 LLM 能力。

规划 (Planning)

智能体将复杂目标拆解为可管理的子任务或步骤的能力。包括任务分解和路径规划。

记忆 (Memory)

智能体存储和检索信息的能力。分为短期记忆（当前的上下文窗口）和长期记忆（通常存储在向量数据库中，用于持久化知识）。

工具使用 (Tool Use / Tooling)

智能体调用外部API、软件或硬件来执行操作的能力（如搜索网页、运行代码、查询数据库）。这是智能体区别于纯聊天机器人的关键。

行动 (Action)

智能体在规划后执行的具体操作，例如发送邮件、修改文件或调用一个函数。

推理与行动框架 (ReAct / Reason + Act)

一种经典的智能体提示框架，要求模型在执行动作前先生成推理轨迹（“先思考，再行动”），并在行动后观察结果，形成闭环。

思维链 (Chain of Thought - CoT)

一种提示技术，引导模型一步步展示其推理过程，有助于提高处理复杂逻辑任务的准确性，是智能体进行规划的基础。

函数调用 (Function Calling)

一种机制，允许LLM输出结构化的数据（如 JSON），以触发预定义的代码函数或 API。这是实现“工具使用”的技术手段。

检索增强生成 (Retrieval-Augmented Generation - RAG)

允许智能体在生成回答之前，先从外部知识库检索相关信息。这相当于给智能体配备了一个“图书馆”供随时查阅。

向量数据库 (Vector Database)

用于存储文本嵌入（Embedding）的数据库，是智能体实现长期记忆的核心组件，支持通过语义相似度快速检索信息。

嵌入 (Embedding)

将文本、图片等数据转化为数值向量的过程。智能体利用它来理解不同数据之间的语义关联，用于记忆检索。

感知 (Perception)

智能体接收外部信息的过程，可以是文本输入，也可以是多模态输入（如视觉、听觉），使其能理解当前环境状态。

反思/自修正 (Reflection / Self-Correction)

智能体在执行任务后，检查自己的输出或行为是否符合预期，并进行自我批评和修正的能力，以提高最终结果的质量。

多智能体系统 (Multi-Agent System - MAS)

由多个拥有不同角色、技能和权限的智能体组成的协作网络。它们像人类团队一样分工合作（如一个负责写代码，一个负责测试）。

编排者/调度器 (Orchestrator)

在多智能体系统中，负责理解用户意图、分发任务给子智能体、协调流程并汇总结果的“管理者”角色。

标准作业程序 (Standard Operating Procedure - SOP)

在智能体工作流中预定义的固定流程或规范。通过SOP，可以让智能体遵循人类的最佳实践来执行任务，提高稳定性。

人设/角色 (Persona / Role)

通过提示词赋予智能体的特定身份（如“资深 Python 工程师”），使其行为、语气和专业知识聚焦于特定领域。

人机协同 (Human-in-the-loop - HITL)

一种工作模式，智能体在关键决策点需要人类的确认或反馈才能继续执行。这用于确保高风险操作的安全性。

环境 (Environment)

智能体所处并与之交互的数字或物理空间（如操作系统、浏览器、游戏世界）。

零样本/少样本学习 (Zero-shot / Few-shot Learning)

指智能体在没有示例（Zero-shot）或仅有少量示例（Few-shot）的情况下完成任务的能力，常用于测试智能体的泛化能力。

幻觉 (Hallucination)

大模型（LLM）生成看似合理但实际上错误或不存在的信息的现象。在开发中需要通过 RAG 或工具验证来抑制幻觉。

上下文窗口 (Context Window)

LLM 一次能处理的最大Token数量。限制了智能体的短期记忆容量（即它能同时“看到”多少信息）。

任务分解 (Task Decomposition)

将一个模糊的高层指令（如“写一个贪吃蛇游戏”）拆解为一系列具体的、可执行的小步骤（如“生成界面”、“编写逻辑”、“调试代码”）。

画布/工作流编排页面 (Canvas)

可视化编排工作流的界面。用户通过拖拽节点、连线来定义流程，所见即所得。这是低代码/无代码平台的标志性功能。

节点 (Node / Step / Block)

工作流中的基本执行单元。一个节点代表一个动作，例如“发送邮件”、“调用大模型”、“运行 Python 代码”。

连线 (Edge / Connector)

连接两个节点的线，代表执行的顺序（从 A 到 B）。也代表数据流动的方向。

结束/终点 (End / Terminate)

工作流运行结束的节点。通常用于输出最终结果（如返回给用户的回答）或标记流程状态为“完成”。

变量 (Variable)

工作流的“血液”。用于在节点之间存储和传递数据。

输入变量：用户填写的表单信息。

输出变量：某个节点处理完产生的结果。

全局变量 / 上下文 (Global Variable / Context)

在整个工作流的生命周期内都有效的变量。任何节点都可以读取或修改它（例如：USER_ID，CONVERSATION_HISTORY）。

参数映射 / 引用 (Reference / Mapping)

将上一个节点的输出（Output）填入下一个节点的输入（Input）的过程。例如：将“搜索节点”的结果，引用填入“大模型节点”的提示词中。

硬编码 (Hardcoding)

在节点参数中直接使用固定的值，而不是引用变量。

分支 / 条件 (Branch / Conditional / If-Else)

逻辑判断节点。根据变量的值决定走哪条路。

例如：如果 分数 > 60，则 走“及格”路径；否则 走“不及格”路径。

迭代 / 循环 (Iterator / Loop / For-Each)

用于处理列表（List）数据的节点。它会遍历列表中的每一项，重复执行相同的操作。

例如：输入一个包含 10 个网址的列表，循环节点会运行 10 次“爬取网页”的操作。

并行分支 (Parallel Branch)

同时执行多条路径，互不等待。常用于提高效率，最后通常接一个“聚合”节点。

聚合 / 汇聚 (Merge / Join)

等待多个并行分支全部执行完毕后，将结果汇总，再继续执行后续步骤。

插件 (Plugin)

一种软件组件，允许智能体 (Agent) 连接外部应用程序或数据源。它通常由API接口或函数代码构成，使模型能够理解并调用外部API能力（如查询天气、预订机票），或者执行预设好的代码功能。

工具 (Tool)

在插件中，指模型可以调用的具体功能。与被动的数据资源不同，工具可以执行操作（如“运行代码”、“发送消息”）。模型经过推理后决定是否调用工具以及使用什么参数。

MCP 模型上下文协议 (Model Context Protocol - MCP)

一个开放标准协议，旨在标准化 AI 模型与外部数据/工具之间的连接。它解决了不同 AI 模型连接不同数据源时需要重复开发“适配器”的问题，被比作 "AI 时代的 USB 接口"。

清单文件 (Manifest)

插件的“身份证”。通常是一个 JSON 文件（如 ai-plugin.json），包含插件的元数据（名称、描述、Logo）、鉴权方式以及 API 定义文件的位置。模型通过阅读它来了解插件是干什么的。

函数调用 (Function Calling)

许多插件和MCP工具背后的底层机制。指大模型输出特定格式的 JSON（而非自然语言），以触发编程函数或 API 请求的能力。

OpenAPI 规范 (OpenAPI Specification)

用于描述RESTful API的标准格式（通常是 YAML 或 JSON）。在插件开发中，它告诉模型这个 API 有哪些域名、需要什么参数、返回什么数据结构。

描述模式 (Schema)

用于定义数据结构的规范（如 JSON Schema）。在插件中，它用来告诉模型工具需要的输入参数必须是“数字”还是“字符串”，以及是否“必填”。

MCP 主机 (MCP Host)

运行AI模型的应用程序。它是发起请求的一方，负责管理与各种MCP服务器的连接。

MCP 客户端 (MCP Client)

负责与MCP服务器建立连接。它将请求转换为MCP协议消息发送给服务器。

MCP 服务器 (MCP Server)

提供数据或能力的独立服务程序。它通过MCP协议向 Host 暴露自己的资源、工具和提示词。

传输层 (Transport)

MCP 用于在客户端和服务器之间发送消息的通信机制。主要有两种标准：Stdio（标准输入输出，用于本地进程通信）和 SSE（Server-Sent Events，用于远程 HTTP 通信）。

NPX (Node Package Execute)

Node.js生态的MCP服务器运行工具。

它是Node.js的包执行器。MCP中，许多官方或社区的MCP服务是用 TypeScript/JavaScript 写的。

UVX (uv Execute)

Python生态的MCP服务器运行工具。

它是高性能Python包管理器 uv 的一部分。MCP中，大量MCP服务是用 Python 写的。

Stdio (Standard Input/Output)

标准输入输出，是 NPX/UVX 运行MCP服务时的默认通信管道。

当通过 npx 或 uvx 启动MCP服务时，它们并不通过网络端口通信，而是直接通过命令行窗口的“输入”和“输出”文本流来交换 JSON 消息。这是本地MCP最常见的连接方式。

uv

一个极速的Python包管理器。MCP官方推荐使用它来管理Python环境和运行uvx命令。它是 Python 届的“新宠”，对MCP的Python生态支持非常好。

PyPI / NPM

MCP服务器的分发仓库。

MCP协议本身不提供“应用商店”。开发者将写好的 Server 发布到 NPM（JS/TS版）或 PyPI（Python版）。用户通过npx或uvx来拉取这些资源。

Environment Variables (env)

环境变量。

在使用npx或uvx运行MCP服务时，通常需要传递敏感信息（如 API Key）。在MCP客户端配置中，通常有一个env字段，用于将这些密钥安全地传递给由 NPX/UVX 启动的进程。

检索增强生成 (RAG - Retrieval-Augmented Generation)

指在大模型生成回答之前，先从外部数据库检索相关信息，并将其作为上下文输入给模型。这解决了大模型知识滞后和幻觉问题。

向量数据库 (Vector Database)

知识库的“物理载体”。一种专门存储高维向量数据的数据库。它不存文本本身（或仅存副本），核心存的是文本的“语义坐标”，支持通过语义相似度快速找回信息。

倒排索引 (Inverted Index)

传统搜索引擎（如 Elasticsearch）的核心技术。通过关键词（Keyword）映射文档位置。在 Agent 中，常与向量检索结合使用，以弥补语义检索对专有名词（如产品型号）匹配不准的问题。

混合搜索 (Hybrid Search)

同时使用关键词搜索（精确匹配）和向量搜索（语义匹配），并通过算法合并结果。这是目前企业级知识库的标准配置。

多路召回 (Multi-stage Retrieval)

指通过多种策略（如向量、关键词）分别检索信息，汇聚成一个候选池，再进行筛选的过程。

切片 / 分块 (Chunking)

将长文档（如 PDF、Wiki）切分成小的文本块（Chunk）的过程。切片策略（按字符数、按段落、按语义）直接决定了检索的精准度。切得太碎丢失上下文，切得太大包含噪音。

嵌入 (Embedding)

知识库的核心“翻译”过程。将文本块转化为一串数字向量（Vector），使其能被计算机进行数学计算。意思相近的句子，在向量空间距离更近。

重排序 (Re-ranking)

检索优化的“精修”环节。在向量数据库粗排召回多个结果后，使用一个更精准的重排序模型对这些结果进行打分，最终只选出质量最高的搜索结果传递给大模型。