大模型
大模型（Large Model）是指基于深度学习技术、具有大规模参数量的机器学习模型，涵盖语言、视觉、多模态等多种类型。其通过在海量数据上进行预训练，获得通用的知识表示与推理能力，可通过微调或提示工程适配问答、生成、分类、翻译等多种下游任务，是当前人工智能领域的主流技术范式之一。
核心事实
时间轴 (近 90 天)
大模型在开放域问题上常表现出过度自信，尤其在训练数据覆盖稀疏的领域。
有从业者表示已在长程规划和工具编排等场景中改用更小的模型配合严格的外部校验，而不是继续加码大模型，因为瓶颈不在规模。
过去两年大模型的基础设施叙事几乎都围绕“缺卡、缺钱、缺数据”展开。
大模型存在被提示注入（prompt injection）操纵的风险，过度授权会直接放大攻击面。
作者判断，接下来几年深度学习求解PDE方向只会更难找到对口工作，大模型发展甚至可能直接冲击基础数学岗位。
移动端App的前端代码与底层大模型的权重文件属于完全不同的软件制品，前端漏洞通常指界面层或网络通信实现中的缺陷，而大模型本身是一组数值参数。
在构建基于大模型的 Agent 应用时，先通过 spike 验证核心可行性，再通过实验对比方案，最后利用可视化辅助决策，能够显著降低开发风险；将构建环节交给 Agent 则能提升效率。
大模型推理需要持续消耗GPU算力，若单次调用收入无法覆盖边际算力成本，规模扩张反而会放大亏损。
模型生成脚本、脚本驱动专业工具（如Blender、CAD）的模式，其输出质量取决于API覆盖度与脚本可执行性，而非模型直接生成三维网格。
企业系统集成大模型后，可通过分析客户聊天记录识别购买意愿，抽离高意向客户以提升成交率。
还有 40 条时间轴事件
全部知识事实 (20)
模型能力越强、越能调用外部工具，其潜在攻击面就越广，这是AI厂商面临的根本性两难困境
90%已验证Function Calling（Tool Use）是大模型调用外部工具的标准化机制，开发者预先声明工具名称、描述和参数Schema，模型自主判断何时调用
90%已验证同一个AI模型面对不同质量的提示词，输出效果可能存在数量级的差异
90%已验证MCP中每个工具都有严格的JSON Schema描述，包括名称、功能说明和参数规范
90%已验证RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答
90%已验证2024年以来大模型API价格战愈演愈烈，多家厂商多次大幅降价
85%已验证随着底层模型能力趋于同质化，AI应用层的差异化竞争将发生在工作流编排和领域知识沉淀层面
85%已验证AI评估对象分为大语言模型评估、知识库（RAG）评估、智能体（Agent）评估三层，且呈知识度和复杂度递增的递进关系
80%已验证大模型回复的内容本质上是其训练时那个时间点的数据，存在明确的知识截止时间（knowledge cutoff）
80%已验证MCP（Model Context Protocol）是Anthropic提出的开放协议，旨在标准化大模型与外部工具、数据源之间的交互方式
80%已验证AI Agent与传统聊天AI的根本区别在于具备感知-决策-行动的闭环能力，采用ReAct（Reasoning + Acting）框架
80%已验证AI Agent具备'规划-执行-反馈'的完整闭环能力，能自主拆解复杂任务、调用外部工具、持续迭代直到任务完成
80%已验证Agent的核心公式为：Agent = 大模型 + 工具调用 + 自主决策能力
80%已验证AI Agent具备工具调用（Tool Use）和规划推理（Planning & Reasoning）两大核心能力，能将复杂目标自动分解为可执行的子任务序列
80%已验证大型语言模型存在知识截止日期的固有局限，模型只包含训练数据截止日期之前的信息
80%已验证大模型幻觉的技术本质在于模型在训练时学习的是语言模式的概率分布而非事实本身
80%已验证AI Agent是一种能够自主感知环境、做出决策并执行操作的人工智能系统，与传统AI聊天机器人不同，它具有目标导向性、自主规划能力和调用外部工具的能力
80%已验证大语言模型的幻觉问题源于其本质是基于统计概率的序列预测系统，生成的Token基于条件概率最大化而非真正的逻辑推理
80%已验证AI生成代码的常见问题包括幻觉问题（生成不存在的API调用）、代码规范不统一、以及随项目复杂度增加的质量降级
80%已验证大模型本质上是基于概率的文本生成器，通过预测下一个token来生成内容
80%