常见概念别混表
本节定位
这一页不是正式知识点教程，而是一张“概念地图”。当你在课程里看到 API、SDK、模型、训练、推理、Prompt、RAG、Agent、Token、Embedding 等词时，可以先来这里快速对照，避免把相近概念混在一起。
怎么使用这张表
新人第一次阅读时，不需要记住所有术语，只要先建立大概边界：哪个是工具，哪个是模型，哪个是流程，哪个是应用架构。有经验的学习者可以把它当作术语校准表，后面做项目说明、技术文档或面试表达时，尽量用更准确的词。
开发与调用相关
| 容易混淆的概念 | 简单理解 | 关键区别 |
|---|---|---|
| API | 程序对外提供的调用入口 | 你按约定发送请求，它返回结果 |
| SDK | 封装好的开发工具包 | SDK 通常帮你更方便地调用 API |
| Library（库） | 可复用代码集合 | 你在自己的程序里主动调用它 |
| Framework（框架） | 帮你组织应用结构的骨架 | 你通常要按框架规则写代码 |
| CLI | 命令行工具 | 通过终端输入命令使用 |
| Web API | 通过 HTTP 暴露的 API | 常用于前后端、模型服务和外部系统连接 |
举例来说，OpenAI 或 Anthropic 的模型能力通常通过 Web API 暴露；Python SDK 则把 HTTP 请求细节封装起来，让你用几行 Python 代码完成调用。
模型与服务相关
| 容易混淆的概念 | 简单理解 | 关键区别 |
|---|---|---|
| 模型 | 学到参数的 AI 系统核心 | 模型本身负责推理或生成 |
| 模型服务 | 把模型包装成可调用服务 | 负责接口、并发、鉴权、日志和部署 |
| 推理 | 使用模型得到输出 | 不改变模型参数 |
| 训练 | 用数据更新模型参数 | 需要数据、算力、损失函数和优化 |
| 微调 | 在已有模型基础上继续训练 | 通常用于适配领域、格式或任务 |
| 部署 | 让服务能稳定被别人访问 | 包含运行环境、监控、扩缩容和安全 |
很多初学者会把“调用模型”和“训练模型”混在一起。调用模型像使用一个已经做好的工具，训练模型则是重新塑造工具本身。
大模型应用相关
| 容易混淆的概念 | 简单理解 | 关键区别 |
|---|---|---|
| Prompt | 给模型的输入和任务说明 | 影响模型当前这次怎么回答 |
| System Prompt | 更高优先级的行为设定 | 常用于设定角色、边界和输出风格 |
| Few-shot | 在提示里给少量示例 | 通过示例教模型模仿格式或思路 |
| Structured Output | 要求模型输出固定结构 | 常用于 JSON、表格、字段抽取 |
| Function Calling | 让模型选择并填写工具参数 | 模型不直接执行工具，系统负责执行 |
| Tool Use | 模型通过外部工具完成任务 | 包含搜索、代码、数据库、文件等工具 |
Prompt 更像“这次怎么问”，工具调用更像“模型决定下一步要用哪个外部能力”。两者可以一起使用，但解决的问题不同。
RAG、微调和 Agent
| 容易混淆的概念 | 适合解决的问题 | 不适合解决的问题 |
|---|---|---|
| Prompt | 任务定义不清、输出格式不稳、需要更好表达需求 | 让模型凭空知道私有知识 |
| RAG | 需要基于外部文档、私有知识或最新资料回答 | 改变模型本身能力或风格 |
| 微调 | 需要模型稳定掌握特定格式、风格或领域任务 | 动态读取大量最新资料 |
| Agent | 多步骤、需要工具、需要根据中间结果调整路线的任务 | 固定、简单、高风险且必须完全可控的流程 |
| Workflow | 步骤固定、规则清晰的自动化流程 | 开放探索、路径不确定的任务 |
一个实用判断是：如果问题只是问法不好，先改 Prompt；如果缺知识，优先 RAG；如果格式和风格长期不稳定，再考虑微调；如果任务需要多步行动和工具选择，再考虑 Agent。
数据与向量相关
| 容易混淆的概念 | 简单理解 | 关键区别 |
|---|---|---|
| Token | 模型处理文本的基本片段 | 可能是字、词、子词或符号片段 |
| Embedding | 把文本、图片等表示成向量 | 方便计算相似度和检索 |
| 向量数据库 | 存储并检索向量的系统 | 常用于 RAG 的相似内容召回 |
| 上下文窗口 | 模型一次能看到的输入范围 | 放不进去的内容模型无法直接使用 |
| Chunk | 文档切分后的片段 | RAG 通常按片段检索，而不是整篇文档 |
| Metadata | 附加信息 | 如来源、标题、页码、权限、时间等 |
RAG 里常见链路是：文档先切成 Chunk，再转成 Embedding，写入向量数据库；用户提问时也转成向量，检索相似 Chunk，再放进上下文窗口让模型回答。
学习建议
如果你是新人，先不要追求一次记住所有术语。每遇到一个新项目，就回到这张表问三个问题：我现在是在调用服务，还 是训练模型；我是在补知识，还是改模型行为；我需要固定流程，还是需要 Agent 自己规划。
如果你已经有经验，可以进一步训练自己的技术表达：写项目 README 时尽量明确说明“我用了哪个模型服务、通过哪个 API 调用、是否使用 RAG、是否使用工具调用、评估指标是什么、失败边界在哪里”。这会让你的项目更像真实工程交付，而不是只跑通 Demo。