EP231：你需要了解的AI术语
内容提要
文章介绍AI关键术语：Agentic AI能理解目标、规划并调用工具，评估纠错直至达成目标；大型推理模型擅长多步逻辑推理；向量数据库以数字向量表示数据含义；RAG按需检索相关信息；MCP为AI应用提供连接外部工具的标准接口。文章还梳理GPT-2至GPT-6的演进：从预训练原型、规模扩展、RLHF与多模态，到内置推理、超长上下文与异步工具调用。
延伸解读
术语背后的系统协作逻辑
文章列出的五个术语并非孤立概念，而是构成一条从目标到执行的链条：Agentic AI负责理解目标并规划步骤，大型推理模型承担多步逻辑拆解，向量数据库存储语义表示，RAG按需检索相关信息，MCP则提供连接外部工具的标准接口。理解它们之间的配合关系，比单独记忆定义更有助于把握AI应用的整体运作方式。
GPT代际演进的关键转折
从GPT-2到GPT-6的梳理显示，演进并非单纯扩大参数：GPT-2仅验证解码器架构潜力，GPT-3靠规模展现上下文学习，GPT-4引入RLHF与多模态使其能回答问题，GPT-5首次内置推理并扩大上下文，GPT-6进一步支持异步工具调用与中途指令调整。每个阶段解决的核心问题不同，读者可据此判断各代模型的能力边界。
上下文与工具调用的实际意义
文章提到GPT-5上下文窗口达400K token，GPT-6增至1.05M并支持异步工具调用和中途转向。这些变化意味着模型能处理更长的输入、在思考过程中接受新指令，并与外部工具并行协作。对于需要多步骤任务或长文档处理的场景，这类能力直接影响可用性，但文章未给出具体性能对比，读者不宜过度外推。
Q&A
Agentic AI 和普通 AI 有什么区别？
Agentic AI 能理解目标、制定计划、调用工具和 API 获取结果，并评估结果、纠正错误，持续改进直到达成目标。
大型推理模型擅长解决什么样的问题？
大型推理模型擅长解决需要大量逻辑步骤的问题，它会把问题拆解成更小的子问题并逐步推理得出正确答案。
向量数据库是怎么表示数据的？
向量数据库用数字列表（向量）来存储数据，这些向量代表了文本、音频、视频等数据的含义和特征。
RAG 技术是如何工作的？
RAG 在需要时向模型提供相关信息，这些信息主要存储在向量数据库中，也可以通过 API、SQL 或混合搜索来检索。
MCP 在 AI 应用中起什么作用？
MCP 为 AI 应用提供标准接口，使其能连接和访问外部工具与 API。通信通过 AI 应用内的 MCP 客户端与 MCP 服务器进行。
从 GPT-2 到 GPT-6 主要有哪些变化？
GPT-2（2019）是 1.5B 参数的预训练原型，只能续写文本；GPT-3（2020）参数达 175B，展现上下文学习能力；GPT-4（2023）加入 RLHF 和多模态，支持 32K 上下文；GPT-5（2025）内置推理，上下文扩至 400K；GPT-6（2026）上下文达 1.05M，支持异步工具调用和 mid-turn steering，更安全。
