第一层 · 模型
提供“智能”这件原材料
GPT、Claude、DeepSeek、通义、Kimi 这些名字，很多时候指的就是模型。它擅长读懂文字、总结资料、生成回答、做推理，但它本身不是完整产品。
像发动机：动力很强，但你不会抱着发动机上路。
03 第零篇章 · 第一次系统认识 AI
模型、Agent、应用怎么分
模型、Agent、应用经常被混着说。分清这三层，你才能看懂一个 AI 产品到底强在哪里。
一句话回答
拿一个 AI 志愿填报助手打比方：模型是会理解资料、生成解释的“大脑”，Agent是会追问、拆步骤、查资料、做核验的“办事流程”，应用是你真正看到的页面、表单、按钮和报告。别把三层混成一个词，混在一起就看不懂产品到底强在哪里。
三层拆开看：从会回答，到会办事，再到能交付
three layers
给模型装上步骤、工具和判断规则
第二层 · Agent
让模型从“会说”变成“会做”
Agent 会围绕一个目标连续推进：先判断缺什么信息，再调用搜索、数据库、表格、网页或代码工具，拿到结果后继续检查和修正。
像司机：不只会聊天，还会看路、转弯、避坑、把你送到目的地。
把流程包装成普通人能直接用的服务
第三层 · AI 应用
把能力做成用户能用的成品
你打开的聊天框、按钮、模板、上传入口、进度提示、导出报告、账号权限和售后流程，都是应用层。普通用户买单的通常不是模型本身，而是完整体验。
像打车 App：你不用懂发动机和路线算法，只需要输入目的地并拿到服务。
拿一个“AI 志愿填报助手”拆给你看
real product
同一个产品里，三层不是互相替代，而是各管一段。你看到的是一个页面，背后其实是模型、Agent 和应用在接力。
表单、按钮、报告
- 让用户填写省份、选科、分数、位次、城市偏好。
- 提示哪些信息没填完整，避免用户一上来就乱问。
- 把结果展示成冲、稳、保表格，并支持导出给家长看。
追问、查数、排方案
- 发现缺位次，就先追问，不急着推荐学校。
- 按省份、选科、专业组调用招生计划和历史录取数据。
- 把院校拆成冲稳保，并标注每个选择的风险原因。
理解、生成、解释
- 读懂用户偏好，把“想去江浙沪”转成筛选条件。
- 把复杂招生规则翻译成普通人能看懂的话。
- 生成方案说明、风险提醒、核验清单和沟通话术。
出问题时，先判断是哪一层坏了
debug map
回答泛、乱编、解释牵强
多半是模型拿到的信息不够，或者没有可靠资料支撑。先补上下文、证据和核验来源。
该追问不追问，该查数不查数
这是 Agent 流程没设计好。要补任务步骤、工具调用条件、失败重试和停止规则。
页面混乱，结果看不懂
这通常是应用层问题。要优化表单、状态提示、结果结构、导出方式和用户引导。
今天好用，明天翻车
三层都要查：模型是否换了、Agent 是否漏校验、应用是否把错误输入直接放进流程。
本节小结
- 模型解决“能不能理解和生成”，不是完整产品。
- Agent 解决“能不能按步骤办事”，核心是目标、工具、观察和下一步。
- 应用解决“普通人能不能用起来”，体验、流程、呈现都在这一层。
- 判断 AI 产品好不好，别只问模型强不强，要拆开看三层分别做得怎么样。