学 RAG、agent、fine-tune 这些名词本身没错，但它们有边界：学了 RAG 就以为能解决某类问题，学了 agent 就以为模型能自己调用工具解决问题，这种“懂了”容易停在概念正确上。真正拉开差距的是动词——把一个模糊需求拆成清晰的输入、组件和判断标准，让 AI 能一步步做下去。所以与其问哪十个概念最重要，不如问哪几个动作你反复在用。判断自己是否真掌握，看能不能做出可靠结果，而不是能不能把概念讲清楚⁠1,2。

从材料里能提炼出几类动作。一是拆解与补齐：把模糊需求写成清晰的上下文、组件和判断标准，任务跑偏通常就出在这三处⁠3。二是定义好坏：不只说好不好，而是说清什么算好、什么算不好，这是所有评估的根⁠3。三是多步迭代与自我纠错：让 AI 分步做、根据反馈修正，而不是一次性推理⁠4。四是调用工具：让 AI 借助外部接口做超出自身知识边界的操作，从“回答”变成“动手”⁠4。五是先想清楚要解决什么问题、什么结果算好，因为 AI 只是杠杆，方向错了会把错误放大⁠5。

有技术背景的人学 agent，第一反应常是找 LangChain 这类框架。这在上一代技术里是对的，但 AI 的工作原理是多步迭代、调用工具、自我决策，不适合被固定模块抽象；每个框架自带的设计哲学反而会限制能力发挥。更快的路是先理解底层原理，用最基本的方式把多步迭代、工具调用、自我纠错做出来，能做好之后再选框架。这不是说框架没用，而是别把它当起点⁠6。