embedding 模型的作用是什么

将文本映射到一个能够表达语义信息的向量空间中，使语义相似的文本在向量空间中的距离更近。

• 示例解释
  • 苹果手机多少钱和iphone的价格是多少
  • 虽然文字字面不同，但是语义是相同的
  • 转为向量后，向量距离会很近

prompt、rag、skill和微调的区别

• promt 的目标是如何用好llm现有的能力
• rag 是通过外部知识库，来解决llm 无法获取实时信息的问题
• 微调 是调整底层具备的能力、风格，是模型群众的重塑
• skill 的话是行为能力的一种延伸

如何选择

• 当你在工程落地中面临选择时，可以依次问自己以下几个问题：
• 模型现有的知识和能力够用吗？
  • 够用 ➡️ 提示工程。
• 不够用，是因为缺乏特定/实时的垂直知识吗？
  • 是，需要看文档 ➡️ RAG。
• 不够用，是因为需要做数学计算、数据库查询等具体动作吗？
  • 是，需要连外部系统 ➡️ Skill / Tool Calling。
• 模型什么都知道，但怎么和它说它都不听话、格式总是对不齐、或者想要极致的特定文风？
  • 是，必须改造行为 ➡️ 微调。

如何避免 Agent 调错工具

• 这个项目已经做了几层约束，面试时可以按“提示约束 + 参数约束 + 执行约束 + 观测纠偏”来答。

js
这个项目里，用户提问后不一定直接走大模型生成，而是会先进入 Agent 的工具调用链。核心工具主要分四类。
第一类是推理工具，项目里默认挂了 sequentialthinking，作用是让 Agent 在复杂问题下先拆解问题、
    再决定要不要调用别的工具。这个工具更像一个思考辅助，不直接查业务数据。
第二类是知识库检索工具，也就是 knowledge_base。当用户问设备说明书、操作手册、技术参数这类问题时，
    Agent 会调用它去 Milvus 里做向量检索，返回相关 chunk、文件名、文件 ID、chunkId 和 score。
    这个工具主要解决非结构化文档问答。
第三类是结构化业务查询工具，主要包括设备、空间、工单三组。比如：
    find_devices：按设备名查设备
    find_devices_by_space：查某个空间下的设备
    find_spaces、find_child_spaces：查空间树
    search_work_orders：查工单文本
    这类工具主要解决数据库里已经结构化存储的数据查询。
第四类是统计分析工具，比如：
    device_statistics
    space_statistics
    work_order_statistics
    这类工具支持更灵活的统计查询，尤其是工单统计支持 SQL 输入，但项目里又加了 SQL 校验器，限制表白名单、禁止危险语句、强制 LIMIT，避免模型乱生成 SQL。

mcp和skill的区别