Part 6 收尾¶

Section ID: P6-summary Version: v2026.07.24

Part 6 以 LLM 为中心案例来阅读生成式 AI。核心不是把 LLM 等同于整个生成式 AI，而是把它作为一条代表路径，用来把生成式 AI 的产出物、输入表示、候选生成、证据补强、工具执行、评价、运营记录放在同一条流程中观察。

这个 Part 的起点不是 模型回答得好不好。我们先把人收到的产出物看成检查对象，再看这个产出物怎样经过 token 与 embedding 变成可计算的输入，并在 Transformer 与 GPT 系列结构中累积为下一候选选择。之后确认了 prompt、RAG、向量数据库、工具使用、agent、MCP、harness、评价、运营约束为什么不是彼此分开的主题，而是让生成式 AI 使用过程变得可检查的装置。

必须留下的感觉¶

生成式 AI 的输出是需要检查的产出物。
LLM 的生成不是一次性取出完成答案，而是反复处理候选分布与选择的流程。
文本生成会经过 token 与 embedding，变成可计算的表示。
Transformer 与 GPT 结构要读成反映上下文并制造下一个候选的流程。
预训练、微调、指令微调、对齐各自改变的学习对象和调整对象不同。
prompt 会调整输入指示，但不能解决所有最新性、证据性和执行问题。
RAG 与向量数据库会在回答之前接上外部证据候选，并让我们同时查看候选的原文与元数据。
工具使用与 agent 会连接模型外部的查询、计算和执行，并根据中间观察改变下一步行动。
MCP 与 harness 处理的不是模型能力本身，而是工具连接形式、执行记录、可复现性、可检查性。
好句子与可服务的回答不同，评价、成本、延迟、失败应对、执行记录要一起看。
发展史与 BERT 系列是背景地图，用来避免过度放大 GPT 中心主线。

容易误解的地方¶

误解	需要重新抓住的标准
LLM 等于整个生成式 AI	LLM 是这个 Part 中说明生成式 AI 的中心案例。不能把图像、语音、视频生成都直接断定为同一结构。
token ID 数字越大，意义越重要	token ID 更接近词表中的编号，意义比较要在 embedding 向量和相似度中处理。
向量越近就越是正确答案	接近的向量只是缩小候选范围的信号。最终答案还需要检查原文、元数据、最新性和业务条件。
prompt 写得好，大多数问题就能解决	最新文档确认、外部查询、计算执行、权限批准、失败记录，都需要 prompt 外部的结构。
回答自然就可以放进服务	可服务的回答必须同时通过质量标准、自动评价、人工检查、成本、延迟、失败应对、执行记录。
agent 会自动把事情做到最后	agent 需要同时具备计划、行动、观察、结束条件和人工检查标准，才能安全地阅读。

Part 6 中闭合的流程¶

流程	闭合的标准
从产出物开始	生成式 AI 输出是结果物，因此不能只看对错，还要一起检查证据、形式、风险、可用性。
下沉到输入表示	人写的句子会变成 token、token ID、embedding，这一区分会改变成本、上下文长度、检索、候选比较。
阅读生成结构	GPT 系列的长答案是下一 token 候选选择反复累积的结果，输出设置会改变稳定性与多样性的平衡。
区分回答习惯	预训练建立宽广的语言基础，微调、指令微调和对齐会按目的与允许标准调整回答习惯。
接上证据与执行	超出 prompt 能处理的边界时，就需要 RAG、向量数据库、工具使用、agent 结构。
留下连接与记录	MCP 帮助以一定形式连接工具和资源，harness 则包住执行过程，让原因和结果能够被重新查看。
以服务状态检查	LLM 评价不只看回答句子，还要一起看自动评价、人工评价、运营约束、失败应对。
以背景和比较取得平衡	发展史与 BERT 系列提供比较轴，避免让 GPT 中心说明覆盖所有语言模型说明。

交给项目的标准¶

Part 7 会通过实际项目产出物确认这条流程。现在重要的问题不是先问 要做什么生成式 AI 功能，而是先问 请求、输入、证据、输出、评价、失败应对、记录要怎样留下来。

进入 Part 7 之前，只要留下下面这些问题即可。

请求是否固定为一句目标和输入单位？
是否在没有基准点(baseline)的情况下就说它变好了？
如果使用 RAG，是否先留下了检索证据和失败候选，而不是只留下回答？
如果使用工具或 agent，是否留下了以什么顺序调用了哪些工具、在哪里停止？
自动评价反复检查什么，人工评价负责哪些语境判断？
成本、延迟、使用量限制、故障记录是否能连接到下一次修改？

这些问题必须留下来，Part 7 的项目才不会只以代码执行结束，而会以可以重新检查和修改的学习记录收尾。