从模型、Token、RAG 到 MCP、Agent、Loop 和知识图谱——7个核心概念，用大白话讲清楚现代AI的底层逻辑。不需要计算机学位，小白也能看懂。
模型（也叫大模型、大语言模型）是一个通过海量文本数据训练出来的程序。它阅读了互联网上的书籍、文章、网页、代码，从中学习语言的规律。当你提问时，它根据学到的规律，预测出最合理的回答。
你可以把模型想象成一个读了几十亿页书的超级助手。它没有把每一页都背下来，但它吸收了其中的"模式"：问题怎么回答、文章怎么写、代码怎么编。凭借这些模式，它能帮你写文章、写代码、回答问题，甚至和你聊天。
想象一个人读了图书馆里所有的书。他不是把每页都背下来，但他学会了规律：怎么回答问题、怎么讲故事、怎么论证观点。你问他什么，他能根据读过的东西给出合理的回答。这就是模型。
Token 是模型处理文本的基本单位。它不等于一个词——更像是词的碎片。一个简短的常见词如"cat"是一个 token。一个长词如"understanding"会被拆成"under"和"standing"两个 token。一个汉字通常是一个 token。
当你给AI发消息时，你的文字会被切分成 token。模型处理这些 token 来理解你的输入并生成回答。AI API 的费用就是按 token 计算的——就像电费按度数收费一样。
Token 就像"音节"。"Hello" = 1个token。"Unbelievable" = "un" + "believe" + "able" = 3个token。你用的token越多（输入+输出），计算量和费用就越高。
RAG 解决了一个关键问题：AI模型有知识截止日期，也不知道你公司的私有数据。RAG 让你能把自己的文档带进对话里。
工作原理：当你提问时，系统先在你的文档（PDF、数据库、知识库）中搜索相关段落，然后把这些段落连同你的问题一起发给AI。AI根据你的文档来回答——而不是只靠训练时学到的知识。
想象你在参加开卷考试。你不用全凭记忆答题，可以先翻翻课本找到相关页面，再回答。RAG让AI可以"翻书"——先查你的文档，再给出有依据的答案，而不是凭空编造。
MCP 是一个标准协议，让AI模型能连接到外部工具和数据源——数据库、API、文件系统等。它是AI和各种系统之间的"万能适配器"。
在 MCP 出现之前，每个AI应用要使用一个工具，都需要单独写一套对接代码。MCP 把这件事标准化了：模型连接到任何 MCP 兼容的服务器，就能立刻使用它的工具。这就是 KOPI AI Agent 能通过一个协议连接 Amazon、Shopify、TikTok Shop 和你的 ERP 的原因。
把 MCP 想象成 AI 的 USB-C 接口。以前每个设备都要自己的数据线，现在一根线通用——手机、电脑、显示器都能用。MCP 让 AI 也是这样：一个协议连接所有工具。
AI Agent（智能体）不只是回答问题——它能采取行动。给定一个目标，Agent 能拆解任务、使用工具、做决策、根据结果调整策略。这就像计算器（被动回应）和真正员工（主动工作）的区别。
举个例子，一个客服 Agent 能做到：读到客户投诉 → 查询订单数据库 → 核查退款政策 → 处理退款 → 发送跟进邮件 → 记录交互——全程不需要人工介入。多个 Agent 还能像团队一样协作，各管各的事。
聊天机器人就像一个只会念FAQ的客服。而 Agent 是一个全能员工——能回答问题，也能采取行动：查订单、退退款、联系物流、需要时还知道找经理升级处理。
智能体循环（Agentic Loop）是 Agent 实现目标时的循环过程。它是让 Agent 比普通问答机器人更聪明的"思考引擎"。
每个循环有四个阶段：观察（从工具和环境中获取信息）→ 思考（推理下一步该做什么）→ 行动（使用工具或执行操作）→ 评估（检查结果是否更接近目标）。如果目标还没达成，就带着新信息重复循环。
想想你怎么做一道新菜。你先看菜谱（观察），决定先做什么（思考），开始切菜（行动），然后看看切的大小对不对（评估）。不对就调整，继续。循环直到菜做好。
知识图谱是一种结构化的信息存储方式，用实体（事物）和关系（连接）来组织知识。数据不是存在扁平的表格里，而是存成一张网——记录所有事物之间的关联。
比如："A公司" → 是B公司的客户 → "B公司" → 位于 → "新加坡" → 属于 → "东南亚"。当AI能访问这张图，它就能理解从纯文本中很难提取的复杂关系。知识图谱给了AI结构化的记忆。
想象侦探的案情分析板——上面有照片、名字，中间用红线连来连去。每根线代表一种关系。这个板帮侦探看到单看每条线索时看不出来的联系。知识图谱对AI做的就是这件事——展示事物之间的隐藏联系。