概念关系图谱

层级关系AIMA 与现代 Agent边界说明组合案例Python 入口

本页解决什么：解释 AI、机器学习、深度学习、计算机视觉、知识图谱、LLM、RAG 和 Agent 分别处在什么层级，避免把所有能力都混成“大模型”。

先用这张图建立层级关系：AI 是目标层，ML/DL 是方法层，CV/KG/LLM/Agent 是不同能力和系统组合。

层级关系

AI 是总目标，机器学习是实现 AI 的主要方法，深度学习是机器学习的重要分支，计算机视觉是 AI 的应用技术域，OpenCV 是视觉工程库，知识图谱是知识组织技术，LLM 是语言和通用生成能力底座，Agent 是把模型、工具和流程组织起来的系统模式。

概念	所在层	解决的问题	常见误区
AI	学科和目标层	感知、推理、生成、行动	把 AI 等同于聊天机器人
机器学习	方法层	从数据学习规律	以为所有 ML 都是深度学习
深度学习	模型层	自动学习复杂特征	忽略数据、评估和部署成本
计算机视觉	技术域	图像/视频理解与测量	只关注检测框，忽略定量测量
OpenCV	工具库	图像处理、标定、几何和视频管线	把 OpenCV 当成模型框架
知识图谱	知识层	实体关系、规则、解释路径	把 KG 当普通向量库
LLM	基础模型层	语言理解、生成、代码、推理	把参数知识当实时事实
Agent	系统层	任务分解、工具调用、状态管理	把 Agent 当提示词模板

AIMA 与现代 Agent

AIMA 的“理性智能体”框架可以看作现代 Agent 工程的理论底座。AIMA 关注智能体如何在环境中根据感知选择行动，现代 LLM Agent 则把“感知”扩展为上下文、检索结果、工具观察和记忆，把“行动”扩展为 API 调用、代码执行、文档生成和流程节点。

AIMA 概念	现代系统中的对应	示例
Performance measure	评估指标、业务 KPI、自动评测集	引用准确率、漏检率、任务完成率
Environment	数据、软件、业务系统、物理环境	文档库、产线、实验设备、代码仓库
Sensors	输入、检索、工具观察、日志	用户问题、图像、数据库查询结果
Actuators	工具调用、API、脚本、机器人动作	搜索、写文件、调用 DIC/PIV、发起审批
Agent program	策略、工作流、状态机、LLM 调用链	ReAct、LangGraph、Dify Workflow

边界说明

向量库适合相似度检索，但不擅长表达“实体 A 因为关系 B 影响实体 C”的结构化路径。知识图谱适合关系和规则，但不擅长自然语言生成。LLM 擅长语言和迁移，但事实可追溯性不足。Agent 擅长把工具串起来，但如果缺少状态、权限和评估，就容易变成不可控自动化。

组合案例

场景	技术组合	为什么这样组合
工业裂纹检测与应变分析	OpenCV 校正图像，CNN 分割裂纹，DIC 计算位移/应变，KG 关联材料和工艺，Agent 生成报告	检测只回答“哪里有裂纹”，DIC 回答“变形多大”，KG 回答“和历史/标准有什么关系”
企业研发知识助手	LLM + RAG + KG + MCP + Agent	LLM 负责表达，RAG 负责证据，KG 负责关系，MCP 负责连接工具
流体实验分析	PIV + CNN/ConvLSTM + 物理约束 + 报告 Agent	流场是连续矢量场，不能只用分类模型

Python 入口

# 一个典型 AI 应用的数据流伪代码：检索事实 -> 调工具 -> 生成回答
query = "这次拉伸实验的裂纹扩展是否异常？"
evidence = vector_store.search(query)
relations = graph.query("MATCH path=(m)-[:HAS_DEFECT]->(d) RETURN path")
measurement = dic_tool.run(image_sequence="sample_001")

answer = llm.generate({
    "question": query,
    "evidence": evidence,
    "relations": relations,
    "measurement": measurement
})

这个例子不是某个库的完整 API，而是说明 LLM、RAG、知识图谱和工程工具如何分工。

下一步

• 要选技术路线：看 需求判断与技术路线。
• 要理解大模型边界：看 LLM 训练机制。
• 要理解系统行动能力：看 Agent 架构模式。
• 要理解知识组织：看 知识图谱基础。