KI-Grundarchitektur
Das folgende Diagramm zeigt die vollständige KI-Systemarchitektur von grundlegenden großen Modellen bis hin zu Agent-Anwendungen:
| Ebene | Kernkomponenten | Kernrolle | Typische Fähigkeiten |
|---|---|---|---|
| Basisschicht (Modell) | LLM & Token, Transformer-Architektur, Tokenisierung, Attention-Mechanismus | Der zugrundeliegende Rechenkern der KI; verantwortlich für Textverständnis, Token-Vorhersage und Sprachgenerierung | Verstehen natürlicher Sprache, Textgenerierung, Kontextmodellierung, Wahrscheinlichkeitsvorhersage |
| Kontextschicht (Memory) | Context Window、Prompt、Memory、RAG | Verwaltet den Eingabekontext des Modells; verantwortlich für Kurzzeitgedächtnis, Langzeitgedächtnis und externe Wissensinjektion | Prompt-Steuerung, Sitzungsgedächtnis, Wissensabruf, Kontextanreicherung |
| Fähigkeitserweiterungsschicht (Tools) | MCP、Tool Calling、API、Database | Macht KI mehr als nur Chat; erweitert reale operative Fähigkeiten durch Tool-Aufrufe | Online-Suche, Codeausführung, Datenbankabfragen, API-Aufrufe |
| Agent-Schicht (Entscheidungsfindung) | Agent、Explore、Plan、Act | Das autonome Entscheidungsgehirn der KI; verantwortlich für Zielverständnis, Aufgabenzerlegung, Planung und Closed-Loop-Ausführung | Aufgabenplanung, mehrstufiges Reasoning, autonome Entscheidungsfindung, Closed-Loop-Ausführung |
| Anwendungsschicht (Aktion) | Agent Skill、Workflow、Automation | Zielt auf spezifische Geschäftsszenarien ab; kapselt Agent-Fähigkeiten in einsatzfähige Produkte | Automatisierte Workflows, branchenspezifische KI-Assistenten, intelligente Unternehmenssysteme, KI-SaaS-Anwendungen |
Definitionen der Kernbegriffe
- TransformerDie aktuelle Kernarchitektur großer Modelle, die Beziehungen zwischen Tokens durch den Self-Attention-Mechanismus herstellt.
- TokenDie kleinste vom Modell verarbeitete Texteinheit; kann ein Subwort, Wort, Zeichen oder Symbol sein.
- PromptDie an das Modell gegebene Eingabeanweisung, die verwendet wird, um Rollen festzulegen, das Verhalten zu steuern und Ausgabeformat und Ziele zu standardisieren.
- RAGRetrieval-Augmented Generation; ruft zuerst eine externe professionelle Wissensbasis ab und lässt dann das LLM integrieren und präzise Antworten generieren.
- MCPModel Context Protocol (Model Context protocol), das den Kommunikationsstandard zwischen KI und Tools, Datenbanken und externen Diensten vereinheitlicht.
- AgentAuf Basis eines LLM überlagert esZiel + Planung + AusführungFähigkeiten, um ein autonomes intelligentes System zu bilden.
- Tool CallingDas Modell erkennt proaktiv Bedürfnisse, ruft externe Tools auf, um tatsächliche Operationen abzuschließen, und ist nicht auf reine Textantworten beschränkt.
- MemoryVerleiht KI kurzfristiges Gesprächsgedächtnis + langfristiges persistentes Gedächtnis und löst das Problem des Kontextvergessens.
Vollständiger KI-Agent-Workflow
- Benutzereingabe: Der Benutzer erteilt einen Anweisungs-Prompt, der in das Context Window gelangt.
- Memory-Erweiterung: Das System integriert Memory-Sitzungsgedächtnis + RAG-externe Wissensbasis, um Kontext und Domänenexpertise zu ergänzen.
- LLM-Inferenz: Die Attention-Berechnung wird auf Token-Sequenzen durch die Transformer-Architektur für semantisches Verständnis und vorläufige Generierung durchgeführt.
- Agent-Planung: Der Agent beurteilt und zerlegt Aufgaben autonom und entscheidet, ob eine mehrstufige Ausführung oder der Aufruf externer Tools erforderlich ist.
- Tool-Ausführung: Basierend auf dem MCP-Protokoll werden externe Fähigkeiten wie API, Datenbank und Suchmaschine aufgerufen, um Operationen abzuschließen.
- Ausgabeergebnis: Fasst von Tools zurückgegebene Daten und Modell-Inferenzergebnisse zusammen, organisiert sie und gibt sie an den Benutzer zurück, während sie in das Gedächtnisarchiv geschrieben werden.