AI核心概念扫盲:从AI、LLM到AGI、Agent一次讲透
这些术语常被提及，却容易彼此混淆。它们实际上处在不同的层次。
本文首先厘清AI、LLM、AGI和Agent的区别。Context和Skill先做初步介绍，后续文章再深入。
AI是Artificial Intelligence的简称，中文意思是人工智能。
它的涵盖范围相当广泛。人脸识别、语音转文字、短视频推荐、合同摘要生成、辅助驾驶，背后都可能用到人工智能。当前热议的大语言模型，仅是AI技术中的一个分支。
AI是统称，模型只是AI系统的构成要素之一。
在法律和政策研究领域，使用"AI系统"这一表述比抽象的"AI"更为实用。依据OECD给出的定义，AI系统基于接收的输入做出推断，输出预测、内容、建议或决策，并可能作用于现实或虚拟环境。
一个真正落地的AI系统，除模型外，通常还涉及：
以AI合同审查产品为例：大语言模型承担条款理解工作，企业合同库提供数据支持，审查规则负责风险识别，法务人员执行最终确认。
模型仅是其中一环。数据如何处理、可调用哪些工具、输出由谁使用，均会影响法律风险。
LLM是Large Language Model的简称，即大规模语言模型。ChatGPT、Claude、DeepSeek等产品均以此为核心技术。
大语言模型通过海量数据训练，掌握文字间的统计规律。接收到用户输入后，它会参照当前可见信息，逐步产出答复。
写作、翻译、摘要、问答、文本分析等都是它的强项。
表达流畅不等于事实准确。
大语言模型生成内容的方式，与人类检索资料、形成判断的过程存在本质差异。法律实务中有时会遇到：模型输出的案号格式规范、措辞流畅，实际查询却发现并不存在。
这类问题源于大语言模型的生成原理。它的核心任务是依据当前信息生成匹配文本，语言通顺无法等同于事实正确。
可以把LLM视为AI系统中的语言处理中枢。读取数据库、搜索网页、发送邮件等外部操作，仍需系统另行提供工具支持。
AGI是Artificial General Intelligence的缩写，即通用人工智能。
这一概念指向一种假想的通用能力：AI能够应对多样化任务，掌握新技能，并在多项认知活动中达到较高水准。它不局限于人脸识别、下围棋或文本生成等单一领域。
AGI至今没有广为认可的统一判定准则。
有人看重能否执行绝大多数人类认知任务，有人强调学习与适应能力，也有人按任务广度、能力高度、自主程度来分级。
AGI描绘的是能力理想，法律主体地位仍需依法律规则认定。
企业声明"迈向AGI"，反映的是研发方向。现行法律不会因这一标签就赋予系统法律人格。技术能力、系统自主性和法律主体资格，应分开讨论。
大语言模型的典型应用是一问一答：用户提问，模型作答，一次交互完成。
Agent则会围绕既定目标持续运作。它能够拆解任务、挑选工具、读取中间结果，并据此调整下一步动作。
目标 → 拆解任务 → 选取工具 → 读取结果 → 调整动作 → 完成目标
假设需要AI完成一次类案检索。普通问答可能直接输出一段裁判观点；Agent则能先分析争议焦点，生成检索关键词，调取法律数据库，再筛选案例、核对裁判理由，最终汇总成报告。
多步骤执行拓展了系统能力，也带来了新的管理课题：系统可访问哪些数据、能否修改文件或发送信息、哪些操作需人工审批、任务全过程是否留痕。
多步骤任务也可按预设路径推进，这称为固定工作流。合同条款抽取、格式核对等规则明确的任务，采用固定工作流更利于预测与审计。只有当步骤难以预判时，才需要Agent进行更多决策。工作流与Agent的差异，会在后续文章展开说明。
Context即上下文，表示模型处理当前任务时所能看见的信息。用户的提问、历史对话、上传的合同、检索结果均可能纳入上下文。
它界定了模型本次可调用的资料。
Skill目前尚无统一定义。在部分Agent产品中，它指可复用的任务描述与操作流程，类似于为AI编写的工作手册。
例如，"如何完成类案检索报告"便可封装为一个Skill。
简言之：Context提供素材，Skill提供流程。
熟悉上述概念后，评估一款AI法律产品时，可将宣传话术拆解为若干具体问题：
产品以"AI助手""智能体"还是"法律大模型"自我命名，参考意义有限。判断产品能力与风险，仍需审视模型、数据、工具、权限和人工审核等维度。
本文先建立整体认知框架。
下一篇将解析Prompt、Token、上下文、上下文窗口和记忆，并回答一个日常使用的疑问：AI为什么有时能承接上文，有时却又"断片"？
OECD：What is AI? Can you make a clear distinction between AI and non-AI systems?Google
DeepMind：Levels of AGI for Operationalizing Progress on the Path to AGI
Anthropic：Building effective agents