不用技术术语理解 AI

"那个 AI 到底在做什么？" 能不用技术术语回答这个问题，才算真正理解了。

不懂技术也得做判断

AI 项目的决策者——老板、高管、部门负责人——都有一个最不舒服的时刻：技术团队在解释，你听得到每个词，但不知道在说什么。

"我们基于 LLM 应用 RAG，必要时做微调。"

你点了点头，但脑子一片空白。然后就在这种状态下批预算、选供应商、定项目方向。

这很危险。你不需要自己造技术，但必须理解它在做什么。这样才能问对问题，筛掉不靠谱的方案。

这篇文章用零技术术语，解释 AI 项目中出现频率最高的几个概念。

大语言模型——读了海量资料的新员工

ChatGPT、Claude 这类 AI 的核心——大语言模型（LLM），打个比方就是一个读完了互联网上几乎所有文章的新员工。

这个新人能力惊人。什么话题都能聊得有模有样，能写摘要、做翻译，甚至写代码。毕竟读了几千本书和数亿份文档。

但有几个致命短板。

没读过你公司的内部文件。 公开的通用知识很丰富，但你们的产品规格、客户档案、团队流程，它一概不知。

读过不等于知道。 读得多，但分不清哪些对哪些错。所以偶尔会用非常自信的语气给出错误答案。这叫"幻觉（hallucination）"。

不知道昨天发生了什么。 训练只到某个时间点为止，对最新信息反应迟钝。

所以直接把这个新人投入实际工作会出问题，需要额外的辅助机制。

RAG——给新员工塞参考资料

RAG（检索增强生成）看起来复杂，本质很简单。

让新员工回答之前先去查相关文档。

你问"我们公司的退款政策是什么？"，AI 不直接从记忆回答，而是先在公司内部文档里搜索退款政策的内容，然后根据搜到的文档来组织答案。

这样有两个好处。

准确率提高了。 因为答案基于实际文档，而不是脑子里的通用知识。

可以核实来源。 它能告诉你"这个回答基于退款政策文档第 3 页"，方便人工验证。

但也有局限。文档本身乱七八糟的话，搜出来的东西也乱七八糟，答案自然也不行。它能提升 AI 的表现，但不能替你提升文档质量。

决策者应该问的问题："给 AI 参考的文档，我们整理到位了吗？"

微调——按公司的方式重新培训新员工

微调就是把通用 AI 按你的需求额外训练一遍。

继续用新员工的比喻：这个新人通用商业知识丰富，但写不出符合你们行业术语和公司风格的内容。微调就是反复教他"在我们公司是这样做事的"。

比如，做客服 AI 的话，把公司历史上几千条客服对话拿来训练，让它用你们的语气回复。

但微调费钱费时间，而且数据量不够的话效果不好。所以现实的顺序是：

第一步：直接用通用 AI 试试（成本：接近零）

第二步：用 RAG 让它参考公司文档（成本：低到中）

第三步：还不够的话再考虑微调（成本：高）

大多数企业在第二步就能获得足够的效果。需要第三步的情况比想象中少。

决策者应该问的问题："真的需要微调，还是 RAG 就够了？"

AI Agent——给新员工办事权限

最近听到最多的概念。AI Agent 不只是回答问题，而是自己判断并采取行动的 AI。

之前的 AI 是"问了才答的顾问"，Agent 更像"交代任务就自己搞定的执行者"。

比如你说"帮我安排下周的会议"，Agent 会查参会者的日历、找空闲时段、发会议邀请、附上需要的材料。不需要你一步步指挥，整个流程自主完成。

很强，但风险也大。判断错了，行动也跟着错。 可能发错邮件、下错单、把敏感数据传到外面。

所以引入 Agent 的关键不是技术，是权限设计。必须明确划定哪些事它可以自主做，哪些必须经过人的审批。

决策者应该问的问题："这个 Agent 能自主决定的边界在哪？"

四个概念的关系

总结一下。

LLM（大语言模型）：读了海量资料的通才。基础引擎。

RAG（检索增强生成）：让这个通才参考你的资料。最常见、最实用的定制方式。

微调：按你公司的方式重新训练这个通才。需要时才用，谨慎为上。

Agent：给这个通才执行权限。最强大，也最需要小心。

大多数 AI 项目从 LLM + RAG 组合起步。在这里验证了足够的价值之后，再根据需要扩展到微调或 Agent，这是最现实的路径。

不是懂术语，而是懂得问什么

读完这篇文章，你不需要能从技术角度解释 LLM 是什么、RAG 怎么运作。你需要的是，当技术团队或供应商抛出这些术语时，能问出正确的问题。

"我们要用 LLM" → "用哪个模型？幻觉问题怎么管控？" "我们要上 RAG" → "我们的文档状态能支撑这个吗？" "需要微调" → "RAG 搞不定吗？数据够吗？" "要做 Agent" → "自主执行和人工审批的边界怎么划？"

不是理解技术，而是对技术做出判断。这才是决策者的 AI 素养。