大模型生态图谱：从 LLM 到 Agent，从 RAG 到 MCP

🗺️ 本文配套了一个可交互的大模型生态图谱网页，建议结合阅读。
👉 点击打开：大模型生态图谱（交互版）

---

什么是大语言模型（LLM）？

大语言模型（Large Language Model）是基于 Transformer 架构、以海量文本数据训练的神经网络，具备理解、生成、推理自然语言的能力。GPT、Claude、Gemini、Llama 等是代表性产品。

LLM 本身只是”大脑”，围绕它的一整套技术与工程体系，构成了当今 AI 生态的核心基础设施。

---

🤖 Agent 智能体

Agent = LLM + 感知 + 规划 + 记忆 + 行动

传统 LLM 只能单轮问答。Agent 为其添加了感知外部环境、制定行动计划、调用工具执行、维护长期记忆的能力，使 AI 能够自主完成编写代码、搜索信息、操作电脑等复杂任务链。

Agent 运行循环：

感知（Perceive）→ 思考（Think）→ 行动（Act）→ 观察（Observe）→ 循环

核心框架：

• ReAct：Reasoning + Acting，交替进行思维链推理与工具调用
• Multi-Agent：多智能体分工协作，Orchestrator 调度，Worker 执行
• Memory 体系：短期（上下文）+ 长期（向量库）+ 工作记忆

代表产品： AutoGPT、Devin、Claude Code、OpenAI o3

---

🔌 MCP 模型上下文协议

MCP（Model Context Protocol）是 Anthropic 于 2024 年 11 月开源的通信协议，被称为 AI 世界的 USB-C 接口——让任何 LLM 以一致的标准方式接入外部工具与数据源。

三大原语：

原语	说明
Tools	模型可调用的函数/操作（读文件、执行命令等）
Resources	模型可访问的数据资源（文件内容、数据库记录等）
Prompts	预定义的提示模板，供复用

MCP vs Function Calling：

Function Calling 是模型厂商私有实现；MCP 是开放标准，支持双向通信、跨模型复用，社区已有 1000+ 开源 Server。

---

📚 RAG 检索增强生成

RAG（Retrieval-Augmented Generation）将外部知识库与 LLM 结合，解决知识截止与幻觉问题。

核心流程：

1. Indexing（索引）：文档切片 → 嵌入模型生成向量 → 存入向量数据库
2. Retrieval（检索）：查询向量化 → 相似度搜索 → 返回 Top-K 片段
3. Generation（生成）：片段注入提示词 → LLM 基于上下文生成答案

进阶技术： 混合检索（向量 + BM25）、HyDE、Reranker 重排序、GraphRAG

主流向量数据库： Pinecone、Weaviate、Chroma、Qdrant、pgvector

---

⚙️ 微调与对齐技术

技术	全称	资源消耗	适用场景
SFT	监督微调	高	通用指令遵循
RLHF	人类反馈强化学习	极高	安全性、有用性对齐
DPO	直接偏好优化	中	替代 RLHF 的主流方案
LoRA	低秩适配	低	消费级 GPU 微调
QLoRA	量化 LoRA	极低	单卡微调 65B 模型

---

🏗️ 基础设施层

• 推理加速：vLLM（PagedAttention）、TensorRT-LLM、Ollama、llama.cpp
• 编排框架：LangChain（Chain/Agent/Memory）、LlamaIndex（RAG 专注）、LangGraph（图式工作流）
• 提示工程：CoT、Few-Shot、Tree of Thought、Self-Consistency
• LLMOps：LangSmith、LangFuse、Weights & Biases

---

🏢 主流模型对比（2025）

模型	厂商	开放性	最强能力
GPT-4o / o3	OpenAI	闭源 API	推理 / 代码
Claude 3.5 / 4	Anthropic	闭源 API	代码 / 写作
Gemini 2.0	Google	闭源 API	多模态
Llama 3.3	Meta	开源权重	开源生态
DeepSeek V3 / R1	深度求索	开源 / API	推理 / 性价比
Qwen2.5	阿里云	开源权重	中文 / 推理

---

💡 以上内容配有可交互图谱，支持分板块浏览，体验更佳：
👉 大模型生态图谱（交互版）