所以Agent 调用代码解释器失败后应该把它当成一个工具调用失败后的闭环修复问题，而不是简单让模型继续猜。

全参数微调，也就是 Full Fine-tuning，指的是geng新模型里的所有参数。它的优点是效果上限高，模型整体适配程度强；缺点也hen明显：显存消耗巨大、训练成本hen高、容易 OOM、容易灾难性遗忘，工程代价hen大。一般只有资源非常充足的大厂或实验室会经常使用。

第二步是 优化在线查询处理。用户问题经常hen短、hen口语，比如“怎么退款？”直接检索可Neng召回质量hen差，所以需要 Query Rewrite，把它 成“用户购买课程后如何申请退款？退款流程、条件和到账时间是什么？”但是 也可Neng改歪，比如把“怎么退款”改成“怎么赚钱”。所以工程上要Zuo语义校验，用 embedding 相似度比较原问题和 问题，Ru果相似度过低，比如小于 $0.8$ ，就回退到原始问题。

预训练：让模型拥有通用知识 微调：让模型适配具体任务 对齐：让模型geng符合人类期望

在生命周期上，大致是：

冻结基座模型参数，通过训练旁路的低秩矩阵来近似权重geng新，从而大幅降低可训练参数量和显存消耗。

Fresh：Zui近信息保鲜 Precise：长期记忆精准检索 Compress：历史信息压缩摘要

此外任务状态要单独维护。长任务Zui容易丢的不是所有历史细节，而是“当前Zuo到哪了”。所以要记录任务目标、Yi完成步骤、当前阻塞点、关键发现、下一步计划、Yi调用工具、失败原因。这部分比完整对话历史geng重要。

Step-Back 是先把具体问题抽象成geng高层的原则问题，再检索背景知识，Zui后回到原问题推理。比如用户问“我这个订单买了 $7$ 天还Neng不Neng退款？”Ke以先 成“平台退款政策中，关于退款期限和特殊情况的通用规则是什么？”先查规则，再结合具体条件判断。它适合法律、政策、医疗、金融、技术原理等需要背景规则的问题。

第三类动因是 人类偏好对齐。模型原始生成Neng力强，但不代表回答一定安全、礼貌、可靠。它可Neng胡编，也可Neng该拒绝时不拒绝，还可Neng输出不符合安全规范的内容。通过 RLHF、DPO、拒答数据、安全数据训练，Ke以让模型geng接近 Helpful、Honest、Harmless。

Query Rewrite 是Zui基础的单问题 。它把用户原始问题 成geng规范、geng清晰、geng适合检索的问题。比如把“怎么退款？” 成“用户购买课程后如何申请退款？退款条件、退款流程和到账时间分别是什么？”它适合问题太短、口语化、缺少关键词、检索意图不清晰的情况。工程上要注意语义一致性校验，避免 偏题。

常见策略有五类：第一是 Query Rewrite，把口语化问题 成规范检索语句；第二是 Multi-Query，从多个角度生成多个查询，提升召回覆盖率；第三是 Decomposition，把复杂问题拆成多个子问题分别检索；第四是 HyDE，先生成假想答案，再用假想答案Zuo向量检索，缓解 Query 和 Doc 语义空间不匹配；第五是 Step-Back，把具体问题抽象成geng高层的原则问题，先检索背景规则，再回到原问题推理。

换句话说模型每次生成内容，本质上dou在计算：

$P$

第二层是 客观 Benchmark。比如通识与学科知识、数学推理、代码生成、多语言Neng力、长上下文Neng力、工具调用Neng力等。这一层Ke以kan出模型Neng力的广度和深度。比如代码模型不只是kanNeng不Neng生成代码，还要kanNeng不Neng通过单元测试、Neng不Neng修复错误、Neng不Neng解释代码逻辑。

三者的区别Ke以这样kan：

RAG 主要解决知识过时或企业私有知识的问题 MCP 主要解决外部工具和数据源的标准化接入 Agent 主要解决复杂任务的理解和执行

所以在工程里通常还要配合 RAG、工具调用、Prompt Engineering、微调、评估体系和安全防护来提升可靠性。

RAG，也就是 Retrieval-Augmented Generation，解决的是知识问题。大模型参数里的知识可Neng过时也不知道企业内部文档，还容易凭记忆胡编。RAG 的作用是让模型回答前先检索外部知识库，把相关文档片段作为上下文交给模型生成答案。因此，RAG 不是让模型“记住知识”，而是让模型“临时查资料后再回答”。说实话，你有没有发现，hen多时候 RAG 比直接微调效果geng好？害，这就是因为 RAG Neng实时geng新知识，而微调需要重新训练。

MCP，也就是 Model Context Protocol，解决的是连接问题。它用一套标准协议，把外部工具、数据源、文件系统等Neng力暴露给模型或 Agent 使用。Ru果没有 MCP，每个模型和每个工具dou要单独适配，就会出现 N 个模型 × M 个工具的适配复杂度。MCP 通过 Resources 和 Tools 等机制，把外部Neng力标准化。Ke以把它类比成大模型时代的 USB 接口，或者类似 JDBC/HTTP Client 的标准层。你懂的，这样一来开发效率大大提高了！咱就是说以前那种一一适配的工作量，真的让人头大。

RAG 中Zuo Query ，核心是为了解决用户问题和知识库文档之间的语义鸿沟。用户的提问往往口语化、不完整，甚至带有上下文省略，而知识库文档通常是规范化的表达。直接拿原始 Query 去检索，可Neng导致召回不足或召回偏差。所以我们需要各种 Query 策略来优化召回质量。不过有时候 也会改歪，这就需要我们Zuo语义校验，确保 后的 Query 和原问题的语义一致性。你说是不是这个理？哈哈！

为什么百度不收录我的网站？ 可Neng是因为网站内容质量不高，或者结构不友好，也可Neng是因为缺乏外部链接建设。你需要检查网站是否符合搜索引擎的收录标准，并进行相应的优化。 回答要点： - 网站内容质量 - 网站结构优化 - 外部链接建设 - 搜索引擎收录标准

Zui终，一个成熟的大模型应用不是单点Neng力，而是一个由 RAG/MCP/Agent/记忆/评估/安全等模块组成的系统闭环。不然你以为为什么hen多公司dou在强调工程化的重要性？说白了就是要把这些技术整合起来才Neng发挥出大模型的真正价值嘛！