聊大模型开发，有几个概念怎么都绕不过去：Token、Prompt、Embedding 和 Function Calling。

这四个词几乎构成了整个 AI 应用的底层逻辑。你可以把它们想象成“超级大脑”的四个核心组件——原材料、指挥棒、理解力和行动力。只有搞明白这几个东西，才算真正摸到了 LLM 的门道。

下面咱们就来逐一拆解，看看它们到底是怎么工作的。

1. Token：AI 的“积木块”

先要知道，AI 的“识字”方式和人类完全不同。它不直接理解“文字”，它认识的是 Token。

• 通俗理解：就像一盒乐高积木。你写下一句话，AI 会先把它拆成一个个最小零件。英文里，一个 Token 可能是一个单词或词根；中文里，通常是一个字或一个词组。
• 为什么重要：
  • 计费单位：跟 AI 聊天，花的钱本质上就是按 Token 数量算的。
  • 限制条件：每个模型都有个“上下文窗口”，比如 128k Tokens。这就像大脑一次最多只能处理这么多积木，超过了就得“失忆”。
• 例子：简单的“Apple”可能就是一个 Token，但冗长的“Antidisestablishmentarianism”就可能被拆成 5 个。

2. Prompt：你的“剧本文案”

Prompt 就是你给 AI 的指令，也就是所谓的“提示词”。它的质量，直接决定了 AI 输出的天花板。

• 通俗理解：好比导演给演员说戏。你只说“演一下”，演员肯定茫然；你说“演一个在雨中失恋但强忍泪水的霸道总裁”，演员就能给出精准的表演。Prompt 就是那个“导演台词”。
• 核心技巧（Prompt Engineering）：
  • 角色设定：告诉 AI“你是一个资深律师”。
  • 上下文补充：给它一些背景资料，避免空泛。
  • 任务要求：明确输出格式，比如“请用 JSON 格式返回”。
• 一句话总结：Prompt 就是指挥棒，你挥得怎么样，AI 就跳得怎么样。

3. Embedding：语义的“数字地图”

如果说 Token 是积木，那 Embedding 就是让 AI 理解这些积木之间“关系”的魔法。没有它，AI 很难理解“猫”和“小鱼干”之间那种微妙的联系。

• 通俗理解：想象一个巨大的 3D 空间。Embedding 把每个词语都变成一个空间里的坐标（一串数字，比如 [0.12, -0.45, 0.88...]）。语义相近的词，在空间里就离得近。
• 它能做什么：
  • 语义找词：在数字地图上，离“猫”最近的不一定是“狗”，很可能是“小鱼干”或“毛球”。
  • 关联搜索：搜索“美味的午餐”，即使文档里没写“美味”二字，Embedding 也能帮你找到“披萨”或“汉堡”。
• 应用场景：这就是现在很火的 RAG（检索增强生成） 技术的根基。把你的私人文档通过 Embedding 变成坐标，用户提问时，AI 就去坐标系里搜最近的文档片段，然后回答。这才是真正意义上的“知识库”。

4. Function Calling：从“聊天”到“干活”的关键一跃

这是大模型从“只会聊天”进化成“能干活”的 分水岭。

• 通俗理解：大模型本质上是个文本生成器，它没法直接查天气、买火车票或操作你的电脑。怎么办？给它一套“工具箱说明书”。
• 工作流程：
  1. 你问：“上海今天热吗？”
  2. 模型判断：它不知道实时天气。但它发现工具箱里有个函数叫 get_weather(city)。
  3. 模型响应：它不直接回答，而是输出一个指令：“请帮我运行 get_weather(city='上海')”。
  4. 程序执行：你的电脑调用这个函数，拿到结果（比如“35度”），再反馈给 AI。
  5. AI 回答：“上海今天 35 度，挺热的。”
• 意义：这一步，让 AI 拥有了连接真实世界 API（天气、日历、数据库）的能力。它不再只是一个回答问题的机器，而是一个能执行任务的 Agent（智能体）。

它们是如何协作的？一个完整的闭环

把这四个概念串起来，才能看清 AI 应用的全貌。比如开发一个“智能旅行管家”：

1. Prompt：你设定好“你是一个旅行管家，请根据用户需求查机票。”
2. Token：用户说“我想去巴黎”，这句话被拆成若干 Token 发送给模型。
3. Embedding：后台系统用 Embedding 把“巴黎”和用户的历史订单做匹配，发现他偏爱靠窗座位。
4. Function Calling：AI 发现无法直接订票，于是触发 book_flight 函数，填好“巴黎”和“靠窗”参数，帮你完成下单。

整个过程，就是从“输入”到“理解”再到“执行”的完美闭环。这四个概念，缺一不可。

《夸克》非常好用的免费AI浏览器

下载APP查看