Agentic Coding（智能体编程）是指 AI Agent 在人类指导下自主完成编码任务的新范式。它超越了传统的代码补全，使 AI 能够理解需求、规划方案、编写代码、运行测试并进行迭代修改。Agentic Coding 是 topics/ai-agents 在软件开发领域的具体落地。
AI 辅助编程经历了三个阶段：代码补全（Copilot 式的行级建议）$\rightarrow$ 对话式编程（Chat 模式，人类描述需求、AI 生成代码片段）$\rightarrow$ Agentic Coding（AI 拥有文件系统读写、终端执行、代码搜索等工具权限，在人类监督下自主完成多文件、多步骤的编码任务）。关键跃迁在于 Agent 获得了"动手能力"——不再只是建议，而是直接操作代码库。
注意力机制（Attention Mechanism）是深度学习中用于建模序列元素间依赖关系的核心计算范式。它使模型能够动态地"关注"输入中最相关的部分，而非依赖固定长度的上下文窗口。注意力是 concepts/transformer-architecture 的计算核心。
Bahdanau Attention（2014） 首次在机器翻译中引入可学习的对齐机制，让解码器在生成每个词时自适应地关注源序列的不同位置，解决了 RNN 固定长度上下文向量的信息瓶颈问题。
Chain-of-Thought（CoT，思维链）是一种通过引导 LLM 逐步展开中间推理步骤来提升复杂任务表现的 concepts/prompt-engineering 技术。其核心观察是：当模型被要求"展示推理过程"而非直接给出答案时，在数学、逻辑和多步推理任务上的准确率显著提升。
Kojima 等人发现，仅需在提示末尾添加 "Let's think step by step"，就能在无示例的情况下激活模型的推理能力。这种 Zero-shot CoT 方法无需构造复杂的示例，使用成本极低，适用于快速验证推理任务。其效果在不同模型上差异较大，通常在较大参数量（100B+）的模型上表现更稳定。
Constitutional AI（CAI，宪法 AI）是由 entities/anthropic 提出的一种 AI 对齐方法。其核心思想是让 AI 系统遵循一组明确的"宪法原则"（Constitutional Principles）来指导自身行为，通过 AI 反馈代替人类反馈来实现规模化对齐，是 Anthropic 安全方法论的核心组成部分。
传统的 RLHF（基于人类反馈的强化学习）依赖大量人类标注者对模型输出进行偏好评判。这一方式面临三个瓶颈：人类标注成本高昂且难以规模化；标注者对有害内容的判断标准不一致；更根本的问题——当模型变得比人类更擅长生成看似合理的回答时，人类是否还能提供可靠的监督？CAI 正是为了解决这些问题而提出的。
嵌入（Embedding）是将离散的符号（词、句子、实体）映射到连续的低维向量空间的技术。好的嵌入能够捕获语义关系——语义相近的元素在向量空间中距离相近。嵌入是连接自然语言与数值计算的桥梁，是 concepts/attention-mechanism 和 concepts/vector-database 的基础。
微调是指在预训练模型的基础上，使用特定领域或任务的数据继续训练模型参数，使模型适应下游需求的过程。它是 concepts/llm-training-pipeline 中连接预训练与实际应用的关键环节。
全量微调（Full Fine-Tuning） 更新模型的所有参数。效果通常最好，但显存需求极高（需要存储完整模型梯度和优化器状态），对于 70B+ 参数的大模型，实际部署成本往往不可承受。
Function Calling（函数调用）是指 LLM 根据用户请求，输出结构化的工具调用请求（而非纯文本回复）的能力。它使 LLM 能够与外部系统交互——执行搜索、查询数据库、调用 API——从而突破模型自身知识和能力的边界。
开发者通过 JSON Schema 描述可用函数的名称、参数和语义，连同用户消息一起发送给模型。模型分析用户意图后，可以选择生成一个结构化的函数调用请求（包含函数名和参数），而非直接生成文本回复。客户端执行实际函数调用后，将结果返回给模型，模型再基于结果生成最终回复。
concepts/model-context-protocol（MCP）是 Function Calling 的标准化协议层。MCP 定义了模型与工具之间的统一通信标准，使工具可以跨不同 LLM 提供商复用。MCP 的设计理念是：任何符合 MCP 规范的工具服务器，都可以被任何支持 MCP 的 LLM 客户端使用，避免了工具集成为每个模型重复开发的问题。
知识图谱（Knowledge Graph）是一种以图结构组织知识的方式，通过"实体-关系-实体"的三元组（如 (巴黎, 是首都, 法国)）表示事实和概念之间的关联。它是结构化知识表示的经典范式，与基于自由文本的 Wiki 知识库形成互补。
知识图谱的基本组成单元是三元组（Triple）：主语（Subject）- 谓词（Predicate）- 宾语（Object）。大量三元组构成一个有向图，节点是实体或概念，边是关系类型。本体（Ontology）定义了图谱中允许的实体类型和关系类型，是图谱的 Schema 层。
LLM（Large Language Model）的训练流程是一个多阶段的系统工程，从原始数据到最终可用的模型，通常需要经历预训练、微调和对齐等关键阶段。理解这一流程对于把握 LLM 的能力边界和局限性至关重要。
预训练是 LLM 训练的第一阶段，也是最耗费计算资源的阶段。模型在大规模语料（通常为 TB 级别的文本数据，涵盖网页、书籍、代码等）上进行自监督学习，核心目标是 next-token prediction——给定前文，预测下一个 token 的概率分布。这一过程使模型习得语言的统计规律、世界知识以及推理能力的雏形。代表性的预训练框架包括 Decoder-only Transformer（如 GPT 系列）和 Encoder-Decoder 架构（如 T5）。
Anthropic 推出的开放协议，标准化 LLM 应用与外部工具/数据源的通信方式。
MCP（Model Context Protocol）是一个开放标准，解决了 LLM 应用与外部系统集成的碎片化问题。在 MCP 之前，每个 AI 工具的集成都需要定制开发；MCP 提供统一协议，一次开发即可在任何兼容的 AI 应用中使用。
MCP 采用客户端-服务器架构：
