四个高频词：Agent、RAG、微调、多模态

1. Agent（智能体）：给 AI 装上手脚

单纯的语言模型只会输出文字。Agent 是给它配了工具之后的样子：能上网、能读文件、能运行代码、能操作软件，还会自己判断"下一步该干什么"。

关键在于"自己判断"：你说"帮我订明天去北京的机票"，它自己拆成"查航班 → 比较价格 → 选定 → 下单 → 告诉你结果"这一串步骤。普通的对话式 AI 只能给你一段建议，Agent 会真的去走流程图。

Codex 就是一个 Agent——这也解释了为什么它需要权限、需要问你能不能动手。凡是能替你动手的系统，都必须有边界，这是同一个道理。

2. RAG：开卷考试

RAG 的全称是"检索增强生成"，原理特别朴素：回答之前，先去资料库里找相关材料，然后基于找到的材料回答。

公司内部知识库问答、客服机器人、法律条文检索，绝大多数都是 RAG。它的关键不是模型多强，而是资料质量高不高、检索准不准。

3. 微调：改大脑，而不是教说话

微调（Fine-tuning）是拿你自己的数据再去训练模型一轮，让它学会你的风格或专用知识。听上去很强，但大部分人根本不需要它。

判断顺序很有用：先试提示词 → 不够就给它资料 → 还不够才考虑微调。 很多人跳过前两步直接搞微调，钱花了，效果还不如认真写提示词。

4. 多模态：不只看字

多模态指模型能处理文字之外的信息：看图、看视频、听声音，甚至生成图片和语音。

对普通使用者来说，最有用的是这两件事：

• 截图求助：报错、排版错乱、界面找不到按钮——直接截图丢过去，比用文字描述快十倍。
• 看图干活：让它读一张发票、一份表格的照片、一张手写笔记，转成结构化数据。

顺带解释一个你可能听过的词——嵌入（Embedding）：把文字变成一串数字，意思相近的文字，数字也相近。RAG 能"找到相关材料"，靠的就是这个。你不需要懂数学，记住"它能算两个东西像不像"就够了。