人工智能概览

人工智能不是一个单独产品，而是一组让机器完成感知、判断、生成和行动的技术。它可以识别图片里的物体，可以预测用户下一步可能购买什么，也可以根据文字上下文生成回答，还可以接入工具完成查询、写文件、跑测试等任务。

在工程视角里，AI 更像一套“把输入转成决策或内容”的系统：输入可能是文本、图像、语音、表格、日志；中间经过模型计算；输出可能是分类、预测、生成文本、调用工具或触发业务流程。

如何阅读本专题

模块	解决的问题	形象理解	详细说明
机器学习	从历史数据中学习规律，用于预测、分类、排序	从大量样本里总结判断规则	机器学习
大语言模型	根据上下文生成语言、代码和结构化内容	读取资料后逐步续写最可能的下一段	大语言模型 / 核心概念
SFT	让基础模型更会按指令和格式回答	给已经会说话的人做岗位培训	SFT
智能体	让模型能观察环境、计划步骤、调用工具并根据反馈继续	有工作台、工具箱和检查结果的助手	智能体
MCP	用标准协议把模型客户端接到外部工具和数据源	给 AI 工具接统一插座	MCP
Skill	把人的流程、约束和验收标准写成可复用规则	给 Agent 的作业指导书	Agent Skill
Vibe Coding	用自然语言驱动软件原型，再逐步走向工程化交付	从“描述想法”到“建立可验证生产线”	Vibe Coding

几个容易混淆的边界

AI 与机器学习

AI 是更大的目标，机器学习是实现 AI 的主要方法之一。传统规则系统也可以算 AI，例如固定规则的风控拦截；机器学习则强调从数据中学习规则，而不是完全由人手写规则。

可以这样区分：

• 规则系统：人写清楚“满足什么条件就做什么”。
• 机器学习：人提供样本和目标，让模型学出判断边界。
• 大语言模型：在大规模文本和多模态数据上训练后，能根据上下文生成内容和推理步骤。

大模型与搜索引擎

搜索引擎主要是“找已有资料”；大模型主要是“基于上下文生成结果”。大模型可以借助搜索或知识库，但它本身不是资料库。让模型回答事实问题时，如果信息可能变化，应接入检索或工具，而不是只依赖模型记忆。

智能体与聊天机器人

聊天机器人偏“回答问题”；智能体偏“完成任务”。智能体需要能观察状态、拆分步骤、调用工具、读取结果、修正计划。没有工具和反馈的智能体，本质上仍然只是会分步骤说话的模型。

MCP 与 Skill

MCP 解决“怎么连接工具和数据源”；Skill 解决“什么时候用、按什么流程用、怎样算完成”。一个负责插座，一个负责操作规程。两者经常一起出现，但不是同一层能力。

一条典型 AI 应用链路

以“客服质检助手”为例，链路可以拆成几层：

1. 数据层：工单、聊天记录、客户信息、业务规则。
2. 模型层：识别情绪、总结问题、判断是否违规。
3. 工具层：查询订单、读取知识库、写入质检结果。
4. 编排层：决定先查什么、何时让人工确认、失败后怎么处理。
5. 评估层：抽样复核准确率、误伤率、漏检率和处理耗时。

这类应用不是“接一个模型 API 就结束”。真正影响效果的是数据是否可靠、上下文是否准确、工具权限是否清晰、输出是否可验证。

常见场景怎么选

需求	更适合的技术	说明
判断贷款是否高风险	机器学习	输入结构化特征，输出风险评分
把长文档整理成摘要	大语言模型	需要语言理解和生成
让模型按企业客服口径回答	SFT 或提示词 + 知识库	先看是否需要稳定风格和格式
自动读代码、改文件、跑测试	智能体	需要工具调用和反馈闭环
让 AI 安全访问数据库	MCP	把查询能力封装成受控工具
固化代码评审流程	Skill	把审查步骤、禁区和验收标准写入规则
快速做产品原型	Vibe Coding	适合探索，长期项目要补测试和约束

判断 AI 项目是否靠谱

一个 AI 项目不能只看演示效果，还要看这几件事：

• 输入是否稳定：数据源、格式、权限、更新频率是否清楚。
• 输出是否可验：有没有人工抽检、自动评估或业务指标。
• 失败是否可控：低置信度、工具失败、超时、违规输出时怎么处理。
• 权限是否最小：模型和工具只能访问完成任务所需的资源。
• 责任是否明确：哪些结果可以自动执行，哪些必须人工确认。

总结

AI 专题可以按“模型能力 -> 工具连接 -> 流程固化 -> 工程验证”来理解。机器学习和大模型提供能力，智能体让能力进入任务循环，MCP 连接外部世界，Skill 固化人的工作方法，Vibe Coding 和 Harness 工程关注如何把 AI 编程从灵感驱动变成可维护交付。