在關于大模型應用方面，雖然也了解和應用過其中的一些技術；但經過這段時間的實踐和思考發現，對大模型應用的認識還很淺顯，因此在此記錄一下自己的思考。

大模型應用的思考

大模型作為人工智能應用的底座技術，所有應用場景和技術都是構建在大模型之上；但很多時候我們都搞錯了一件事，那就是我們沒有搞清楚大模型能力和其它技術的關聯和區別。

因此，在這里我們要搞清楚一個概念，那就是大模型能力；所謂大模型的能力，就是模型開發人員怎么把模型做的更好更強，其中設計到模型的設計，訓練等；具體有神經網絡架構，模型蒸餾等等。

當然，我們不需要關心大模型是怎么做出來的，以及大模型為什么能做那么好或者那么差；我們僅需要知道大模型有哪些能力和功能即可。

比如爆火的deekseep的V3模型和R1模型，其中V3更多的偏向生成模型，而R1更擅長的是推理。

前面說了這么多，可能很多人還沒理解其中的含義；之所以說大模型的能力，那就是說我們要明白大模型就是大模型，其它任何附屬于大模型的技術都不屬于大模型的范疇。

比如說，RAG技術，function call技術，MCP技術，其實他們并不屬于大模型本身的功能；特別是RAG，從技術上來看完全可以說RAG和大模型沒什么關系。

而function call和MCP技術只是大模型使用外界功能，也就是調用外部接口的能力；而思維鏈才屬于大模型本身的技術，讓模型具備分析和推理的能力。

但至于怎么讓大模型使用外部工具，這個就是function call和MCP需要考慮的事情。

所以說，模型就是模型，功能就是功能，工具就是工具；但往往我們很多時候都會把這些混為一談；導致的直接結果就是，在構建應用的時候分不清什么技術解決了什么問題，也不知道自己能做什么應用。

這也是為什么很多基于大模型開發的功能平臺，它的核心能力其實是平臺的設計和功能；和具體的大模型沒直接關系，市面上有了更好的模型出現，那么直接把現有的模型換掉就行了，并不會影響到這些平臺本身的業務和功能。

其實從這個角度來思考，事實上這就是一種方法論，很多人不知道怎么使用人工智能解決自己工作和生活中的問題，原因就在于不懂這種方法論；導致自己的認知和方向有偏差，感覺自己明明學了好多東西，但卻不知道能干啥。

大模型是核心，function call和MCP既是一種技術，也是一種工具；大模型可以選擇集成function call和MCP的能力，也可以選擇不使用這些功能。

function call和MCP屬于大模型能力的一種擴展，就類似于一種可插拔組件，其是實現智能體(Agent)的技術手段。而思維鏈才是屬于大模型本身的能力，大模型先具備獨立思考的能力，學會分析和拆解任務，其次再使用外部工具來完成任務。

當然，大模型實現function call并不需要具備網絡接口調用的能力，大模型只需要按照需求生成調用接口所需要的參數，然后把參數傳遞給開發者寫好的代碼中即可。