AI 热门概念手册

外观

什么是 AI 热门概念

本页速览 AI 热门概念是当前驱动产业与公众讨论的 AI 技术集群——LLM、Transformer、Prompt、RAG、Agent、多模态、扩散模型等。本文用一张城市地图建立全景，梳理四层概念体系、核心关系链与时代背景，并说明本手册如何用。

本页含时效性内容，数据截止于 2025-06；JD、榜单、产品功能等信息可能已变化，引用前请核对原始出处。

什么是 AI 热门概念 ​

一句话定义：AI 热门概念是当前驱动产业与公众讨论的 AI 技术集群——大语言模型（Large Language Model, LLM）、Transformer、提示词（Prompt）、检索增强生成（Retrieval-Augmented Generation, RAG）、智能体（Agent）、多模态（Multimodal）、扩散模型（Diffusion Model）等，它们共享同一套技术底座，又各司其职。

过去几年里，你大概率见过这些词在新闻头条、招聘 JD、技术博客里反复出现。它们不是互不相干的炒作词汇，而是一张环环相扣的技术网络：有人负责"理解"，有人负责"生成"，有人负责"记忆"，有人负责"行动"。看懂这张网络，就读懂了 2020 年代人工智能的几乎所有重要故事。

这篇文章是《AI 热门概念手册》的全景总览页，也是全站 7 大栏目、50 多个页面的入口。我们会先用一张"城市地图"把概念之间的关系立起来，再回答"为什么是现在"、建立四层概念体系、厘清核心关系链，最后告诉你如何用这套手册系统入门。如果你想要更快的三档学习路线，直接看学习路径。

一、一张城市地图：先记住七个角色 ​

抽象概念最难的地方在于它们彼此纠缠。让我们换一个视角：把今天的 AI 技术栈想象成一座正在运转的城市。这张地图里的每个地标，都对应一个热门概念：

城市地标对应概念它在干什么
地基路网Transformer 与注意力机制决定信息如何在城市中流动，是几乎所有现代模型的底座
主干道大语言模型（LLM）承载主要的文字"交通流"，是城市的主动脉
交通规则提示词工程告诉车辆怎么开、往哪开，与模型沟通的语言
港口检索增强生成（RAG）连接外部世界，让城市从"记忆里"的信息扩展到"实时"的信息
自动驾驶车辆AI 智能体（Agent）不仅能跑，还能自己规划路线、调用工具、完成任务
综合枢纽多模态模型同时吞吐文字、图像、声音，让城市各交通方式联网
工厂扩散模型与生成式 AI把原材料"加工"成图片、视频、语音等新内容

用一句话记住这张地图

Transformer 铺路，LLM 通车，Prompt 定规则，RAG 连外港，Agent 自主跑，多模态换乘，扩散模型造货。

这张地图的价值在于：它指出了概念之间的依赖关系。没有路网就没有主干道；没有主干道，港口和车辆都无从谈起；而交通规则决定了城市体验的好坏。换句话说，这些概念不是并列的七件事，而是一条技术链条上的七个环节。链条的完整形态我们会在第四节画出来。

城市不是一天建成的，这张地图也不是。它从 2017 年铺第一块路网（Transformer 论文发表），到 2022 年主干道通车（ChatGPT 发布），再到今天多模态枢纽与自动驾驶车辆（Agent）密集上线。这段历史值得单独展开，见演进简史。

二、为什么是现在：算力、数据、算法三要素齐备 ​

"AI 概念"本身不新——Transformer 的关键论文发表于 2017 年，神经网络的历史甚至可以追溯到 1950 年代。真正的问题是：为什么是最近这几年，这些概念集体爆发？

答案是一次罕见的"天时"：三大要素在同一条时间线上成熟并汇合。

要素内容2000 年代2020 年代
算力GPU 并行计算、分布式训练集群学术界用几十张卡训练万卡级集群训练千亿参数模型
数据互联网语料、开源数据集手工标注为主，规模有限数十 TB 级网页/书籍/代码语料可直接预训练
算法架构与训练方法RNN/LSTM 并行性差、难以缩放Transformer + 缩放定律（Scaling Laws）让"更大即更强"成为工程路线图

缩放定律（Scaling Laws）是理解这一轮爆发的钥匙：当模型参数、训练数据、计算量同步增长时，模型的语言能力近乎可预测地持续提升（相关论文见参考资料）。这意味着，只要算力和数据到位，就存在一条清晰的"变强路线"——投资界和产业界因此敢于大规模投入，算法界因此敢于押注"更大"。

三次公众引爆点 ​

  1. 2022 年 11 月：ChatGPT 发布。五天注册用户破百万，两个月破亿——史上增长最快的消费级应用。对话式大模型第一次走出实验室，进入亿万人的日常。完整故事见ChatGPT 与对话式 AI。
  2. 2023 年：多模态与图像生成接棒。GPT-4 原生支持图像输入，Midjourney 让"一句话生成图片"成为大众创作方式，随后 Sora 展示了分钟级视频生成的可行性。见图像生成与视频生成。
  3. 2024–2025 年：Agent 与推理模型登场。从 AutoGPT 式的早期尝试，到 Manus 式的通用 Agent 应用，再到 DeepSeek-R1 掀起的推理模型热潮，"AI 从聊天走向干活"成为新的主叙事。见Manus 与 Agent 应用与DeepSeek-R1 与推理模型。

一个容易误读的点

"现在是 AI 元年"的说法每年都在出现，但更准确的判断是：技术本身是逐年累积的，引爆的只是公众认知与工程形态。Transformer 的论文今天读来依然成立，只是从学术成果变成了产业基座。用时间线把"技术发明"与"公众引爆"分开看，你才不会在舆论的潮起潮落里迷失。完整脉络见演进简史。

三、热门概念的四个层次 ​

城市的比喻帮助我们建立了直觉，但真正用来学习，还需要一套分类骨架。我们把全部热门概念分成四层，从下往上依次是：模型底座 → 交互与增强 → 自主与智能 → 工程与信任。

第一层：模型底座（能不能生成） ​

这一层回答"智能从哪来"，是整套技术的物质基础：

概念一句话角色对应地图角色
Transformer 与注意力机制让模型学会"看上下文、抓重点"的架构革命地基路网
大语言模型（LLM）用海量文本预训练出来的通用语言能力主干道
多模态模型让模型同时理解文字、图像、音频、视频综合枢纽
扩散模型与生成式 AI从噪声中一步步"雕"出图像、视频的生成引擎工厂

第二层：交互与增强（用得顺不顺） ​

这一层回答"怎么让底座更好用"，是工程上产出价值最快的部分：

概念一句话角色典型场景
提示词工程用输入把模型能力"引导"出来提示模板、Few-shot、Chain-of-Thought
检索增强生成（RAG）先查资料再回答，补上知识的时效与私有性企业知识库问答、AI 搜索
向量数据库与语义检索用向量相似度做"语义级"查找RAG 的检索环节、去重、推荐
知识图谱与知识注入用结构化关系补上模型的"事实骨架"医疗/金融等强事实领域问答

RAG 为什么这么热？

LLM 的训练知识有截止日期，无法覆盖企业内部私有文档。RAG 的思路是"不重训，只查资料"：把文档切成块、向量化后存进向量数据库，每次提问先检索最相关的片段再交给模型作答。成本低、可解释、好回滚，因此成为企业落地 AI 的第一站。动手路线见从零搭建 RAG 应用，标杆产品见Perplexity 与 AI 搜索。

第三层：自主与智能（能不能干活） ​

这一层回答"AI 能不能自己把事办完"。它是 2024 年之后增长最快的领域：

概念一句话角色关键能力
AI 智能体（Agent）让 LLM 做"大脑"，规划任务、调用工具、迭代执行工具调用、记忆、规划、环境交互

Agent 与普通聊天机器人的本质区别在于闭环：聊天是"问一句答一句"，Agent 是"给定目标 → 拆解计划 → 调用工具/API → 观察结果 → 修正计划 → 交付结果"。它不是概念上的增量，而是交互范式的变化。入门动手路线见从零开发一个 Agent。

第四层：工程与信任（敢不敢上线） ​

这一层回答"模型很强，但能不能放心用"。它决定了一个技术能否从 Demo 走到生产：

概念一句话角色要解决的问题
微调与 PEFT（LoRA）用少量数据把底座调成"行业专精"领域风格、私有知识注入
对齐：RLHF 与 DPO把模型的"能力"调成"符合人类价值观"有害内容、说谎、偏见
推理优化与量化让模型跑得更快、更便宜延迟、显存、成本
LLM 评估与基准科学度量"好不好"，避免拍脑袋基准、人工评估、自动化评估
AI 安全与治理应对滥用、幻觉、失控等系统性风险红队测试、监管、部署边界

一句话判断

越往上层，问题越像工程问题；越往下层，问题越像科学问题。 入门者往往从第二层（Prompt、RAG）入手最快，因为它们见效直接、不需要训练模型；而四层都了解的人，才能在面试和生产里说清楚"一个 AI 产品从底座到上线的完整链路"。

四、概念之间的核心关系链 ​

四层体系是静态分类，而概念之间还有动态的生成关系。把它们画成链条，你就能回答"为什么学了 A 才能懂 B"。

第一链 · 语言智能主线（当前产业的核心）

Transformer ──→ LLM ──┬──→ Prompt（调用方式）
(地基路网)    (主干道) ├──→ RAG（外部知识接入，依赖向量数据库）
                       ├──→ 微调（垂直化改造）
                       └──→ Agent（加上规划与工具调用，行动化）
                                 │
                                 └──→ 安全/对齐/评估/推理优化（保障层）

第二链 · 生成式多模态主线

LLM（文本能力） ──┐
                 ├──→ 多模态生成模型（文生图 / 文生视频 / 语音）
扩散模型（视觉生成）┘

两条主线各配一张"环节→入口"表：

关系链环节说明对应页面
Transformer → LLM没有注意力机制就没有现代大模型Transformer → LLM
LLM → Prompt用提示词把通用能力定向"激活"提示词工程
LLM → RAG检索外部资料再回答，补足知识RAG 与向量数据库
LLM → 微调调整权重适配专属场景微调与 PEFT
LLM → Agent加上规划、记忆、工具调用AI 智能体
Agent → 保障能干活的系统更需要对齐与安全对齐、AI 安全与治理
LLM + 扩散 → 多模态生成文本与视觉能力融合，生成图像/视频多模态模型、扩散模型

用链条反推学习顺序

顺着第一链从 Transformer 读到 Agent，就是一套天然的主线学习路径；第二链适合对图像/视频生成感兴趣的人并行跟进。链条的整体架构图（含数据流、训练流、推理流）见总体架构解剖。

五、辨析：热门 ≠ 全部 ​

热度越高，越要冷静。两个容易踩的误区：

误区一：把"热门"当成"全部 AI" ​

AI 热门概念聚焦的是生成式、大规模、以深度学习为主的技术路线，但它远不是人工智能的全部：

  • 传统机器学习仍在表格数据称王。企业里的风控评分、流失预测、库存优化，大量仍然是 XGBoost、LightGBM 这类树模型的天下——表格数据上它们往往比大模型更稳定、更便宜、更可解释。
  • 符号推理、知识图谱、机器人控制、因果推断等路线同样属于 AI 的版图，只是热度不同。
  • 大模型也依赖传统技术：RAG 的召回环节要用向量检索，向量检索背后是经典近邻算法；很多生产系统的兜底规则依然是硬编码的。

"AI"与"ML"、"深度学习"、"生成式 AI"、"Agent"之间的精确边界，见AI vs ML vs DL vs GenAI vs Agent。

误区二：把热门概念当成永恒概念 ​

热门概念有自己的生命周期。大致规律是：

阶段特征例子
技术萌芽论文/实验室成果，专业圈讨论Transformer（2017）
概念引爆公众认知爆发，资本涌入ChatGPT（2022）、Agent（2024）
工程沉淀从 Demo 走向生产，工具链成熟RAG 工具链、评估体系
形态迁移旧概念被吸收进新形态，热度让位精细 Prompt 工程部分被"模型变聪明"取代

一句话判断

追逐热点的正确姿势是"理解底座，跟踪形态"：Transformer、注意力、自注意力这些底层机制几十年内不会失效，值得投入时间彻底搞懂；Prompt 技巧、Agent 框架这类上层形态半年就可能换代，保持跟踪即可，不必焦虑"学不会最新的"。这是本站把经典论文精读与前沿进展分开组织的同一逻辑。

六、本手册怎么用：七步阅读路线 ​

本手册按"概念 → 案例 → 论文 → 实践 → 求职 → 资源"组织，每一条都配好了入口。建议按下面顺序走一遍（也可以按学习路径选速成/深度路线）：

步骤栏目做什么从这里开始
① 导读/guide/建立全景、边界、历史、架构本页 → 概念边界 → 演进简史 → 总体架构解剖
② 核心知识/concepts/逐个吃透 14 个热门概念按第三、四节链条顺序阅读
③ 案例拆解/case-studies/看真实产品怎么落地ChatGPT、Perplexity、Copilot
④ 论文精读/papers/回到源头读原理解先看论文地图和阅读路径
⑤ 动手实践/practice/亲手搭一个能跑的系统RAG 应用 → Agent → 评估
⑥ 求职对标/career/把知识转成面试/工作能力JD 清单 → 知识点拆解 → 面试题库
⑦ 随时查/resources/术语、清单、数据、榜单术语表 → 精选资源清单 → 模型与榜单速查

给读者的三条行动建议

  1. 先总览，再深挖：读完本页后，花半天把导读和概念边界读完，建立地图再进城。
  2. 概念 + 案例成对读：读一个概念页（如 RAG），立刻配一个案例页（如 AI 搜索），理解"机制"与"落地"的差距。
  3. 每周动手一次：从提示词实战手册开始，两周内完成一个 RAG Demo，把常见陷阱踩一遍，比读十页书更有用。

延伸阅读 ​

本站相关页面，建议按顺序浏览：

参考资料 ​