背景
最近一直在研究AI大模型。主要是应用方向，不是对AI大模型本身的研究。主要是因为大模型本身涉及到训练等，需要大量的算力。而一穷二白的我，只能从应用方向入手。
最近各大平台相继推出了自己的AI大模型和智能体，比如百度、腾讯、阿里等。其中Ragged Auto-Encoder（RAG）技术，是AI大模型中比较有代表性的技术，也是各家智能体中都涉及到的一个技术。
智能体
什么是智能体？看了很多百科，也问了很多大模型，感觉还是太抽象了。不过看了腾讯元器的智能体，感觉还是有点意思。这里就来说一下我的理解。
知识库：知识库就是一个RAG，他将知识库中的内容，通过嵌入模型转化为向量，然后存储到向量数据库，使用的时候把问题通过向量模型转化为向量，然后通过向量数据库进行检索，最后返回结果。
插件：定义一系列功能，当提问的时候，将问题和功能一起提交给大模型，通过大模型的功能调用（function-calling）功能，来决定调用哪个功能。注意这里的大模型不负责调用，他只决定调哪个功能，具体调用不是他要负责的，而是有用户代码来负责的。
工作流：一直觉得腾讯元器这个东西比较有意思，他将大模型、知识库、插件、分支、代码做成功能模块，用户可以自己定义模块的输入输出和流程，形成一个完整的工作流。
智能体：其实智能体就是一个带有预置提示词、知识库、插件、工作流的大模型，他可以根据用户输入的提示词，调用知识库、插件、工作流等模块，最终完成用户需求。
结束语
大模型的应用方向还是很多的。技术方面主要是几个方面：
提示词优化：提示词优化，主要是为了提高智能体对问题的理解能力。
function-calling：function-calling，主要是为了提高智能体对问题的处理能力。
RAG技术：Ragged Auto-Encoder（RAG）技术，是AI大模型中比较有代表性的技术。成本低，见效快，效果好。
训练调优：AI大模型需要大量的算力，所以需要训练调优。成本较高。
私有化训练：私有化训练，需要自己搭建算力。成本较高。