人工智能应用就是大模型能力+场景，基于大模型构建应用，首先要了解大模型的能力圈

在关于大模型应用方面，虽然也了解和应用过其中的一些技术；但经过这段时间的实践和思考发现，对大模型应用的认识还很浅显，因此在此记录一下自己的思考。

大模型作为人工智能应用的底座技术，所有应用场景和技术都是构建在大模型之上；但很多时候我们都搞错了一件事，那就是我们没有搞清楚大模型能力和其它技术的关联和区别。

因此，在这里我们要搞清楚一个概念，那就是大模型能力；所谓大模型的能力，就是模型开发人员怎么把模型做的更好更强，其中设计到模型的设计，训练等；具体有神经网络架构，模型蒸馏等等。

当然，我们不需要关心大模型是怎么做出来的，以及大模型为什么能做那么好或者那么差；我们仅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更擅长的是推理。

前面说了这么多，可能很多人还没理解其中的含义；之所以说大模型的能力，那就是说我们要明白大模型就是大模型，其它任何附属于大模型的技术都不属于大模型的范畴。

比如说，RAG技术，function call技术，MCP技术，其实他们并不属于大模型本身的功能；特别是RAG，从技术上来看完全可以说RAG和大模型没什么关系。

而function call和MCP技术只是大模型使用外界功能，也就是调用外部接口的能力；而思维链才属于大模型本身的技术，让模型具备分析和推理的能力。

但至于怎么让大模型使用外部工具，这个就是function call和MCP需要考虑的事情。

所以说，模型就是模型，功能就是功能，工具就是工具；但往往我们很多时候都会把这些混为一谈；导致的直接结果就是，在构建应用的时候分不清什么技术解决了什么问题，也不知道自己能做什么应用。

这也是为什么很多基于大模型开发的功能平台，它的核心能力其实是平台的设计和功能；和具体的大模型没直接关系，市面上有了更好的模型出现，那么直接把现有的模型换掉就行了，并不会影响到这些平台本身的业务和功能。

其实从这个角度来思考，事实上这就是一种方法论，很多人不知道怎么使用人工智能解决自己工作和生活中的问题，原因就在于不懂这种方法论；导致自己的认知和方向有偏差，感觉自己明明学了好多东西，但却不知道能干啥。

大模型是核心，function call和MCP既是一种技术，也是一种工具；大模型可以选择集成function call和MCP的能力，也可以选择不使用这些功能。

function call和MCP属于大模型能力的一种扩展，就类似于一种可插拔组件，其是实现智能体(Agent)的技术手段。而思维链才是属于大模型本身的能力，大模型先具备独立思考的能力，学会分析和拆解任务，其次再使用外部工具来完成任务。

当然，大模型实现function call并不需要具备网络接口调用的能力，大模型只需要按照需求生成调用接口所需要的参数，然后把参数传递给开发者写好的代码中即可。