1. 纯Prompt问答

纯Prompt问答是指直接通过自然语言指令（Prompt）与大模型进行交互，利用其强大的推理和生成能力来完成特定任务。这是大模型最基础、最直接的应用方式，无需额外的工具调用或多步规划。

核心特点：

• 单次交互：用户输入一个问题或指令，模型一次性给出完整回答。
• 依赖模型知识：回答质量主要取决于模型预训练和微调阶段学习到的知识。
• 任务相对简单：适用于信息提取、内容生成、分类、翻译等逻辑清晰、步骤单一的任务。

典型应用场景：

• 文本摘要与分析：快速总结长篇文章、报告或会议记录的核心内容。
• 舆情分析：对大量用户评论、社交媒体帖子进行情感倾向（正面/负面/中性）分类和观点提炼。
• AI对话与客服：基于通用知识库进行问答，解答常见问题。
• 内容创作与改写：撰写邮件、广告文案、诗歌，或对现有文本进行润色、扩写、缩写。
• 代码解释与生成：解释一段代码的功能，或根据描述生成简单的代码片段。

局限性：

• 知识截止性：无法获取训练数据之外的最新信息或私有数据。
• 缺乏执行能力：只能“说”，不能“做”，无法调用外部API、查询数据库或执行计算。
• 复杂任务处理能力弱：对于需要多步骤推理、动态规划或依赖实时信息的复杂任务，效果有限。

与Agent、RAG的关系：纯Prompt问答是构建更复杂AI应用（如Agent、RAG）的基础。Agent在其“思考”环节会频繁使用Prompt与大模型交互；RAG则是在生成最终答案前，先通过检索为Prompt补充最新的外部知识。

2. Agent（智能体）

Agent（智能体）是一种能够感知环境、自主决策并执行任务以达成目标的智能系统。它通过将复杂任务拆解为可执行的子步骤，并利用工具（如搜索、计算、代码执行等）来逐步完成。你可以把它想象成一个拥有“思考-行动”循环的虚拟助手。

核心工作流程：

1. 任务理解与规划：Agent 首先理解用户指令，并规划出完成任务所需的步骤序列。
2. 工具调用与执行：根据规划，选择合适的工具（如搜索引擎、API、计算器）来执行具体操作。
3. 观察与迭代：执行后观察结果，判断是否达成目标。若未完成，则调整策略并继续执行，直至任务完成或无法继续。

通俗比喻：让 Agent “炒一盘番茄炒蛋”。它会先思考步骤：1. 准备食材；2. 打蛋；3. 切番茄；4. 开火炒制；5. 调味出锅。然后它依次调用“拿取工具”、“切菜工具”、“灶具控制工具”来执行每一步，并在过程中根据“菜是否熟了”、“味道如何”等反馈来调整火候或加盐。

典型应用场景：

• 旅行规划助手：根据用户预算、时间、偏好，自动查询航班、酒店、景点并生成详细行程。
• 数据提取与聚合分析：自动从多个网页或文档中抓取指定数据，并进行清洗、汇总与可视化。
• 智能课程顾问：分析学员水平与目标，推荐学习路径、练习题目并跟踪进度。
• 自动化运维与排错：监控系统日志，自动诊断常见问题并执行修复脚本。

与纯 Prompt 问答的区别：纯 Prompt 问答是一次性推理输出，而 Agent 具备多步执行与工具调用的能力，能处理更复杂、动态的任务。

3. RAG（检索增强生成）

RAG（检索增强生成）就像给大模型配了一个“外挂知识库”。当模型遇到不知道的问题时，它会先去这个知识库里查找相关资料，然后把查到的信息和自己已有的知识结合起来，给出更准确、更可靠的答案。

通俗比喻：你是一个知识渊博但记性不太好的专家（大模型）。当有人问你一个专业问题时，你允许他先去你的书房（知识库）里翻书查资料，然后把查到的内容告诉你，你再结合自己的理解给出最终回答。这样，你的回答就不会因为“记不清”而出错。

核心应用：个人知识库问答、AI客服助手、企业文档智能查询等需要基于特定、最新或私有信息回答的场景。

4. Fine-tuning（模型微调）

Fine-tuning（模型微调）是指在一个已经预训练好的大模型基础上，使用特定领域或任务的数据集进行额外的训练，使模型能够更好地适应特定任务或领域。你可以把它理解为“给一个通才专家进行专项培训”，让它在某个细分领域变得更专业。

核心原理：

• 预训练模型作为起点：模型已经通过海量通用数据（如互联网文本）学习了通用的语言规律和世界知识。
• 特定数据驱动调整：使用规模较小但高度相关的数据集（如医疗问答、法律文书、客服对话）继续训练模型。
• 参数微调：在训练过程中，调整模型的部分或全部参数，使其输出更符合目标任务的风格、格式和知识要求。

通俗比喻：想象你是一位精通多国语言的翻译（预训练模型）。现在公司需要你专门负责翻译医疗文献。Fine-tuning 的过程就是让你集中阅读大量的医学词典、论文和病例报告（特定领域数据），在这个过程中，你调整了自己对医学术语、句式和逻辑的理解，最终成为了一个更专业的医学翻译。

主要方法：

• 全参数微调：更新模型的所有参数，效果通常最好，但计算成本和数据需求高。
• 参数高效微调：如 LoRA、Adapter，只训练模型中的一小部分新增参数，大部分原始参数冻结，在效果和效率间取得平衡。
• 指令微调：使用指令-回答对数据训练，让模型学会更好地理解和遵循人类指令。

典型应用场景：

• 领域知识问答：打造一个精通金融、法律或医疗的专业问答助手。
• 风格化内容生成：让模型学会生成符合公司品牌调性的营销文案或技术文档。
• 代码生成与补全：针对特定编程语言或框架（如 React、Spring Boot）进行优化，生成更准确、更符合规范的代码。
• 客服机器人定制：使用历史客服对话数据微调，让机器人更懂自家产品和服务，回答更精准。

与Prompt、Agent、RAG的关系：

• Fine-tuning 是“改变模型本身”，让模型内化特定知识或技能。
• Prompt 是“引导模型”，不改变模型参数，依赖其已有能力。
• Agent 可以利用微调后的模型作为其“大脑”，进行更专业的思考和规划。
• RAG 可以为微调模型提供最新的外部知识，弥补其训练数据截止性的不足。

优势与挑战：

• 优势：模型性能在特定任务上显著提升；输出风格和格式更可控；可处理私有或敏感数据。
• 挑战：需要高质量的标注数据；存在“灾难性遗忘”风险（忘记原有通用知识）；训练过程有计算成本。