最近看了很多AI应用的案例，越看越觉得一个问题很有意思：现在大家讲AI落地，很容易把两件事混在一起。
一件事是基模厂商、算力厂商、云厂商的增长，也就是所谓的“卖铲子”。比如调用量涨了、token消耗涨了、MaaS收入涨了、GPU更贵了，这些当然是增长，但这是铲子卖得好，不代表下地挖矿的人真的挖到了金子。
另一件事才是应用端的真实产出：一个企业用了AI之后，到底有没有少招人、少返工、少犯错、少试错，或者创造出以前根本做不出来的东西。
这两个问题不能混着讲，一混就容易把故事讲大。
这两年面试，AI相关的问题越来越多。当然了，这里说的不是AI算法岗的面试，而是大模型应用开发，或者传统后端开发中的面试。有没有同学会想，面试官到底想考你什么？
我发现一个很有意思的现象：
很多同学聊AI的时候，像是在聊新闻联播。
DeepSeek、Agent、上下文窗口、推理模型、多模态、MCP，一个词接一个词往外蹦，听起来都知道。但一问到自己平时怎么用AI写代码，怎么判断AI写得对不对，怎么处理上下文太长、响应太慢、代码跑偏这些问题，马上就开始虚了。
我发现公司同事在面试的时候，基本不太喜欢问“你知道某某模型吗”，也不太喜欢问“你了解Agent吗”。这些问题太容易背，也太容易把面试变成概念互殴。
什么是大模型 Agent？它与传统的 AI 系统有什么不同？
大模型 Agent 是基于大型语言模型并结合模块化规划、记忆和工具调用的自主决策系统，它能够根据最终目标把复杂任务拆分成子任务，调用 API、检索数据库或使用插件，再通过内部循环不断优化执行流程，基本不需要人在每一步都监督。
传统 AI 是你问一个问题它回答一个问题，每次都是独立的，被动响应；而 Agent 有自己的规划能力，你给它一个复杂目标，它会自己把任务拆成多步，通过调工具、访问记忆、感知环境来一步步执行，直到完成。它不只是输出文字，而是真的能做事。
主要区别如下:
LangChain
什么是 LangChain？
LangChain 是一个开源框架，专为快速构建复杂的大语言模型应用而设计。它通过模块化组件(Agents、Memor、Tools 等)和预制工具链，解决了传统LLM开发中的三大痛点
- 上下文管理：通过 Memory 组件(如对话历史缓存、实体关系跟踪)实现长对话连贯性,
- 多工具协同：支持动态调用外部API、数据库、搜索引擎等工具(如 GooglesearchTool)，例如在回答“2025年全球GDP排名”时自动触发实时数据查询。
- 复杂任务编排：通过 chains(链)和 Agents(代理)将多个LLM调用和工具操作组合成工作流，例如“分析财报一提取关键指标一生成可视化建议”的端到端流程。
大模型基础
什么是大语言模型？和传统 NLP 模型有什么区别？
我理解大语言模型的本质，是一个用海量语料预训练、参数到百亿千亿规模、自回归生成文本的统一模型。
它和传统 NLP 模型最根本的区别有三点。
第一，传统 NLP 是「一任务一模型」，分词、命名实体识别、情感分析、问答各训各的，每个模型只会干自己那点事；LLM 是「一个模型干所有事」，因为它在预训练阶段学的是「预测下一个 token」这件最通用的事，下游任务用 Prompt 表达就行，不用再分别训练。
第二，传统 NLP 模型是判别式的，吃一段文本输出一个标签或概率；LLM 是生成式的，吃一段文本输出更多文本，理解和生成在同一个模型里完成。
为什么有RAG？
RAG 主要解决三个问题。
第一是知识时效性，LLM 训练完知识就固定了，训练截止日期之后发生的事它一无所知；
第二是私有知识覆盖，公司内部文档、行业专有数据根本没有机会进训练集，LLM 对这些内容是空白的；
第三是幻觉问题，没有知识依据时 LLM 容易「自己发挥」编出一个听起来合理但实际错误的答案，给了它参考资料之后幻觉就少很多。
这三个问题的根源都是同一件事，知识被固化在了模型参数里。RAG 的解法是把知识存到外部，用的时候实时检索注入，彻底绕开了参数里的知识限制。
什么是 RAG？RAG 的主要流程是什么？
工具
LLM 是如何学会调用外部工具的？
模型怎么被训练出工具调用能力，以及训练好之后运行时是怎么工作的。
训练层面靠两个阶段：
- SFT（监督微调，Supervised Fine-Tuning）：给模型喂大量「工具调用示范对话」，让它通过模仿学会「看到工具描述 -> 判断要不要调 -> 输出结构化 JSON 请求」这整套流程；
- RLHF（基于人类反馈的强化学习，Reinforcement Learning from Human Feedback）：收集人类对「哪种回答更好」的判断，训练一个打分器，再用这个分数反复调整模型，让它学会什么时候不应该调工具。