“ 大模型的應用是玩出來的而不是看出來的，多體驗和嘗試不同的模型之間的功能和區別才能讓你真正了解大模型的能力。”

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。

本文轉載自公眾號AI探索時代 作者：DFires

原文鏈接：??https://mp.weixin.qq.com/s/uQp1ctFoaPN5hCy7vZC76Q??