# 基本概念
#### Agent核心概念
| 术语概念                                        | 解释                                                                                                              |
|:---|:---|
| 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。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）                                  | 智能体的"大脑"。负责处理信息、逻辑推理、任务规划和生成响应。智能体的智力水平很大程度上取决于其背后的大语言模型能力。                                                     |
| Harness / Harness Engineering               | Harness是智能体中除大模型本身之外的基础设施，即Agent = Model + Harness。它决定了模型能"看到什么"、"能做什么"、"何时停止"以及"出错时如何处理"，是让智能体从演示可用走向生产的关键工程层。 |
| 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）。                                                                     |
| 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)              | 智能体提示框架，要求模型在执行动作前先生成推理轨迹（即"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)                | 思维链是一种提示词技术，可以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)                     | 函数调用是智能体的一种运行机制，允许大模型输出结构化的数据（如JSON），以触发预定义的代码函数或API。通过函数调用实现"工具使用"。                                            |
| 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)                              | 嵌入是将文本、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)                             | 感知是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)           | 多智能体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)             | 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，这种运作形式可以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)                      | 大模型一次能处理的最大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"）。                                                |
   
#### 工作流核心概念
| 术语概念                                     | 解释                                                                                                                                   |
|:---|:---|
| 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、连线来定义业务流程。                                                                                                      |
| 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)                            | 变量用于在工作流的节点之间进行信息存储和传递数据。 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。循环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/MCP核心概念
| 术语概念                                      | 解释                                                                                                                                                   |
|:---|:---|
| 插件 (Plugin)                               | 一种软件组件，允许智能体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，旨在标准化大模型与外部数据/工具之间的连接。解决了不同大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。                                                       |
| 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                                        | uv是一个极速的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。                                                                                                    |
| PyPI/NPM                                  | MCP服务器的分发仓库。 MCP协议本身不提供"应用商店"。开发者将写好的服务发布到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。                    |
   
#### 知识库核心概念
| 术语概念                                          | 解释                                                                                              |
|:---|:---|
| 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。                                       |
| 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。             |
| 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。                        |