Nested Learning 架构设计文档

最新推荐文章于 2026-06-25 12:15:25 发布
原创 最新推荐文章于 2026-06-25 12:15:25 发布 · 1k 阅读 · 15 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#人工智能

Nested Learning 架构设计文档

本文档通过图文并茂的方式，详细解析 Nested Learning (HOPE) 项目的整体架构、核心组件和数据流，帮助开发者快速理解项目并进行二次开发。

1. 系统整体架构

1.1 架构概览

层级学习系统

记忆系统

输出层

HOPE Blocks (N layers)

嵌入层

输入层

输入 Tokens
[batch, seq_len]

Embedding Layer
vocab_size → dim

HOPE Block 0

HOPE Block 1

HOPE Block N-1

LayerNorm

LM Head
dim → vocab_size

输出 Logits
[batch, seq_len, vocab]

TITAN Memory
Long-term Memory

CMS (Continual Memory System)
Multi-level Memory

LevelClock
更新调度

Teach Signal
教学信号

Surprise Detection
惊喜检测

1.2 核心设计理念

Nested Learning (HOPE) 的核心创新在于层级化的记忆系统和多频率更新机制：

  1. TITAN Memory: 长期记忆模块，负责存储和检索知识
  2. CMS (Continual Memory System): 持续记忆系统，包含多个更新频率不同的记忆层
  3. LevelClock: 层级时钟，控制不同层的更新时机
  4. Teach Signal: 教学信号，引导模型进行有意义的更新
  5. Surprise Detection: 惊喜检测，过滤无意义的更新

2. HOPE Block 变体架构

2.1 四种 Block 变体

变体选择

Attention only

With TITAN

With Self-Modifying

Baseline

输入 x

Block Variant

hope_attention
Attention → CMS

hope_hybrid
TITAN → CMS

hope_selfmod
Self-Modifying Titans → CMS

transformer
Attention → MLP

输出

输出

输出

输出

2.2 HOPEBlock 详细结构 (hope_hybrid)

输出

CMS 路径

注意力路径

TITAN 路径

输入

Update Signal

Update Signal

x: [batch, seq, dim]

teach_signal (可选)

TITAN Memory

Residual Connection

Update Controller

Surprise Check

SelfAttention

Residual Connection

CMS Level 1 (fast)

CMS Level 2 (slow)

CMS Level N

Multi-level Fusion

输出: [batch, seq, dim]

2.3 HOPEAttentionBlock 结构 (hope_attention)

更新系统

核心组件

输入

Controlled Update

x: [batch, seq, dim]

teach_signal (可选)

SelfAttention

CMS (无 TITAN)

LayerNorm

LevelClock

Optimizer Manager

输出

2.4 HOPESelfModBlock 结构 (hope_selfmod)

CMS 系统

计算单元

Self-Modifying Titans

输入

Fast State Update

Fast State Update

Fast State Update

Fast State Update

Fast State Update

Fast State Update

x: [batch, seq, dim]

teach_signal (可选)

M_k (Key Memory)

M_v (Value Memory)

M_q (Query Memory)

M_eta (Eta Memory)

M_alpha (Alpha Memory)

M_memory (Memory)

Feed Forward

Update Rule
(Eq. 90/93 DGD)

CMS Blocks

输出

3. 数据流详解

3.1 训练时前向传播

LevelClockCMSTITAN MemoryHOPEBlockHOPEModel用户LevelClockCMSTITAN MemoryHOPEBlockHOPEModel用户遍历所有层级loop[Each Level]收集更新统计信息alt[有 teach_signal]forward(tokens, teach_signal)_run_blocks(tokens, teach_signal)SelfAttention(x)forward(query)forward(attn_out, return_intermediates=True)CMSBlock.forward(x)tick()should_update(level)?cms_out, cms_inputs, cms_outputs_update_cms(cms_inputs, cms_outputs, teach_signal)update(key, value, error_signal)block_outputLayerNorm + LM Headlogits

3.2 Fast State 模式 (推理/测试时适应)

更新流程

init_fast_state()

memorize_tokens(inputs, fast_state)

输出更新后的 fast_state

原始模型保持不变

Fast State 模式

克隆参数到上下文

在克隆上计算更新

不修改原始权重

低开销，适合推理时适应

标准训练模式

参数更新
直接修改模型权重

持久化变更

高开销

3.3 LevelClock 更新调度

01234567891011更新 step 0 更新 step 1 更新 step 2 更新 step 2 更新 step 3 更新 step 3 更新 step 4 更新 step 4 更新 step 5 更新 step 5 更新 step 6 更新 step 6 更新 step 6 更新 step 7 更新 step 8 更新 step 8 更新 step 9 更新 step 9 更新 step 10 更新 step 10 更新 step 10 Level: fast (period=1)Level: medium (period=3)Level: slow (period=5)Level: titan (period=2)LevelClock 更新调度示例

4. 核心模块依赖关系

4.1 模块依赖图

学习系统

记忆系统

Transformer 基础

HOPE 模块

核心模块

model.py
HOPEModel

model.py
ModelConfig

hope/block.py
HOPEBlock

hope/block.py
HOPEAttentionBlock

hope/block.py
HOPESelfModBlock

hope/self_mod.py
HOPESelfMod

transformer.py
TransformerBlock

backbones.py
SelfAttention

titan/memory.py
TitanMemory

titan/self_modifying.py
SelfModifyingTitans

cms.py
CMS, CMSBlock

levels.py
LevelSpec, LevelClock

optim/manager.py
LevelOptimizerManager

fast_state.py
ModelFastState

4.2 关键类继承关系

«abstract»

nn.Module

+forward() : Tensor

ModelConfig

+vocab_size: int

+dim: int

+num_layers: int

+block_variant: str

+titan_level: LevelSpec

+cms_levels: LevelSpec[]

LevelSpec

+name: str

+update_period: int

+warmup_steps: int

+jitter: int

HOPEModel

+forward() : Tensor

+forward_with_pre_norm() : Tuple

+init_fast_state() : ModelFastState

HOPEBlock

+titan_memory: TitanMemory

+cms: CMS

+forward() : Tensor

HOPEAttentionBlock

+attn: SelfAttention

+cms: CMS

+forward() : Tensor

HOPESelfModBlock

+selfmod: SelfModifyingTitans

+cms: CMS

+forward() : Tensor

TransformerBlock

+attn: SelfAttention

+ff: FeedForward

+forward() : Tensor

TitanMemory

+forward() : Tensor

+surprise() : Tensor

+update() : None

SelfModifyingTitans

+forward() : Tensor

+update() : None

CMS

+blocks: Dict<str, CMSBlock>

+forward() : Tensor

CMSBlock

+forward() : Tensor

HOPEBlockConfig

HOPEAttentionBlockConfig

HOPESelfModBlockConfig

5. CMS (Continual Memory System) 详解

5.1 CMS 多层级结构

输出

CMS 系统

输入 x

Level: slow (update_period=5)

Level: medium (update_period=3)

Level: fast (update_period=1)

Δ1 (增量)

Δ2 (增量)

grad_clip

grad_clip

grad_clip

[batch, seq, dim]

CMSBlock 1

快速更新
每个 step 更新

CMSBlock 2

中速更新
每 3 steps 更新

CMSBlock 3

慢速更新
每 5 steps 更新

[batch, seq, dim]

5.2 CMSBlock 内部结构

输出

CMSBlock

输入 x

增量 Δ

[batch, seq, dim]

LayerNorm

Linear
dim → dim*multiplier

Activation
GELU/ReLU/SiLU

Linear
dim*multiplier → dim

Grad Clip
norm/clip

x + Δ
[batch, seq, dim]

6. LevelClock 调度机制

6.1 更新决策逻辑

Yes

No

Yes

No

True

False

should_update(level_name)

获取 LevelSpec

获取 LevelState

step < warmup_steps?

返回 False
预热期不更新

计算 delta = step - last_step

获取 update_period

jitter > 0?

period = period + step % (jitter+1)

last_step < 0
OR
delta >= period

返回 True
需要更新

返回 False
不需要更新

6.2 层级配置示例

# 配置示例
titan_level = LevelSpec(
    name="titan",
    update_period=2,      # 每 2 步更新一次
    warmup_steps=0,       # 无预热
    jitter=0,             # 无抖动
)

cms_levels = [
    LevelSpec(
        name="fast",
        update_period=1,  # 每步更新
        warmup_steps=0,
    ),
    LevelSpec(
        name="medium",
        update_period=3,  # 每 3 步更新
        warmup_steps=10,  # 前 10 步不更新
    ),
    LevelSpec(
        name="slow",
        update_period=10, # 每 10 步更新
        warmup_steps=50,  # 前 50 步不更新
    ),
]

7. 快速状态 (Fast State) 机制

7.1 标准模式 vs Fast State 模式

使用场景

Fast State 模式 (推理/测试时适应)

克隆参数到 GPU 内存

requires_grad=False

低内存开销

临时上下文，不持久化

标准模式 (训练)

参数直接更新

requires_grad=True

高内存开销

持久化变更

训练: 标准模式

推理时适应: Fast State

Few-shot 学习: Fast State

7.2 Fast State 数据结构

ModelFastState

+blocks: List<BlockFastState>

BlockFastState

+titan_params: ParamDict | None

+cms_params: Dict<str, ParamDict>

+level_manager: LevelOptimizerManager

+selfmod_state: SelfModifyingTitansState | None

ParamDict

+Dict<str, Tensor>

SelfModifyingTitansState

+memories: Dict<str, ResidualMLPMemoryState>

+momentum: Dict<str, Tensor>

ResidualMLPMemoryState

+w1: Tensor

+w2: Tensor

+w_skip: Tensor | None

+m_w1: Tensor | None

+m_w2: Tensor | None

+m_w_skip: Tensor | None

8. 配置文件结构

8.1 Hydra 配置层次

CLI 覆盖

配置目录

数据配置

HOPE 变体

基础配置

model.yaml

train.yaml

hope/pilot.yaml

hope/mid.yaml

hope/target.yaml

data/pilot.yaml

data/mid.yaml

--config-name=pilot
--train.device=cuda:0

8.2 ModelConfig 关键参数

参数类型默认值说明
vocab_sizeint必填词汇表大小
dimint必填模型维度
num_layersint必填Transformer 层数
headsint必填注意力头数
block_variantstr“hope_hybrid”块变体类型
titan_levelLevelSpec必填TITAN 层级配置
cms_levelsSequence[LevelSpec]必填CMS 层级列表
teach_scalefloat1.0教学信号缩放
teach_clipfloat0.0教学信号裁剪阈值
gradient_checkpointingboolFalse梯度检查点
surprise_thresholdfloat | NoneNone惊喜阈值
self_mod_lrfloat1e-3自修改学习率
self_mod_chunk_sizeint1自修改分块大小

9. 二次开发指南

9.1 添加新的 Block 变体

添加新变体

创建配置类

继承 nn.Module 实现前向传播

实现 set_surprise_threshold

实现 set_allowed_levels

在 HOPEModel.init 中添加分支

在 init_fast_state 中添加支持

添加配置和测试

9.2 添加新的 Memory 模块

添加新 Memory

创建配置类 Config

继承 nn.Module 实现 forward

实现 surprise 方法

实现 update 方法

在 HOPEBlock 中集成

在 LevelOptimizerManager 中注册

添加测试和文档

9.3 添加新的优化器

添加新优化器

在 optim/factory.py 中添加 build_optimizer 分支

实现优化器类

在 LevelConfig 中配置

在 LevelOptimizerManager 中使用

添加测试

10. 训练流程总结

训练循环

定期

保存检查点

评估

零样本评估

NIAH 测试

持续学习评估

层级更新

LevelClock.tick()

检查每个层级的 should_update

执行优化步骤

记录统计信息

初始化

加载配置 (Hydra)

创建 ModelConfig

初始化 HOPEModel

初始化优化器

获取 batch

前向传播

计算 loss

反向传播

层级更新

11. 关键文件索引

文件路径功能核心类
src/nested_learning/model.py主模型HOPEModel, ModelConfig
src/nested_learning/hope/block.pyHOPE 块实现HOPEBlock, HOPEAttentionBlock, HOPESelfModBlock
src/nested_learning/titan/memory.pyTITAN 记忆TitanMemory, TitanMemoryConfig
src/nested_learning/titan/self_modifying.py自修改 TitansSelfModifyingTitans, SelfModifyingTitansConfig
src/nested_learning/cms.py持续记忆系统CMS, CMSBlock
src/nested_learning/levels.py层级规范LevelSpec, LevelClock
src/nested_learning/optim/manager.py层级优化器LevelOptimizerManager, LevelConfig
src/nested_learning/fast_state.py快速状态ModelFastState, BlockFastState
src/nested_learning/backbones.py注意力机制SelfAttention, AttentionConfig
src/nested_learning/transformer.py基础 TransformerTransformerBlock, FeedForward

文档版本: 1.0
最后更新: 2024年
适用版本: nested-learning 0.1.0+

gregmankiw
关注
【人工智能笔记】第四十二节：谷歌Nested Learning（嵌套学习）论文详解
不定时更新AI技术tensorflow实现方式，欢迎关注，有问题请私信我。
12-23 1112
谷歌2025年NeurIPS论文《Nested Learning》提出全新机器学习范式，将模型与优化器统一为多层嵌套优化系统。核心创新包括：1）将深度学习重构为多层级优化问题集合，模拟人脑多尺度学习机制；2）设计连续谱记忆系统（CMS），通过指数级递增的更新频率实现知识分层存储；3）开发自修改架构支持无限层级学习。概念验证模型Hope在持续学习、长上下文处理等任务上性能显著优于Transformer和Mamba。该研究解决了LLM灾难性遗忘问题，为构建具备类人脑持续学习能力的AI系统提供了新方向。
Nested Learning：让AI在推理中实时学习并永久记忆
cunbei2644的博客
06-16 388
持续学习（Continual Learning）是构建自适应AI系统的核心能力，其本质是在不遗忘旧知识的前提下吸收新经验。传统方法如微调易引发灾难性遗忘，RAG依赖外部检索缺乏内化机制，而记忆增强型推理（Memory-Augmented Inference）正成为突破关键——它将知识沉淀嵌入模型表征空间，实现学习与推理的闭环统一。Nested Learning作为一种新型持续学习范式，通过四层嵌套结构解耦稳定性、可塑性与结构性矛盾，支持工业级低延迟在线更新，显著降低遗忘率并提升任务泛化能力。本文聚焦该技术的
开源项目 nested-ner-tacl2020-transformers 使用教程
gitblog_00182的博客
08-25 435
开源项目 nested-ner-tacl2020-transformers 使用教程 1. 项目的目录结构及介绍 nested-ner-tacl2020-transformers/ ├── setup.py ├── README.md ├── requirements.txt ├── data/ │ └── ... ├── models/ │ └── ... ├── scripts/ │ ...
晕【学习笔记】机器学习(Machine Learning) | 第七章|神经网络(3)Z
lk71r5j2Y的博客
10-20 325
{"create_time":"2023-10-03 09:15:00","title":"第三条数据","users":[{"username":"user3","age":28,"sex":"male"},{"username":"user4","age":22,"sex":"female"}]}查询的时候有特定的语法 nested查询 且字段要用对象.字段名。扁平化存储，数组中的对象相同字段会合并成数组。每个对象独立存储为隐藏的子文档。每个对象独立存储为隐藏的子文档。适合存储单层的json对象。
Python项目文档从零到一：docstring、Pydoc与Sphinx实战链路
weixin_33971977的博客
06-23 409
在Python工程实践中，高质量文档是保障代码可维护性与协作效率的核心基础设施。其本质并非静态说明，而是基于类型提示与结构化docstring构建的可解析、可验证、可联动的知识系统。通过Pydoc实现零配置本地文档即时预览，借助Sphinx实现API参考、使用指南与贡献规范的自动化同步生成，使文档真正成为‘活的代码副产品’。该体系显著降低新用户上手门槛、减少异常误用风险，并支撑CI/CD流程中的文档质量门禁。本文聚焦Python生态下从函数级docstring编写到可部署文档网站落地的完整技术链路。
CANN/asc-devkit文档贡献指南
gitblog_00583的博客
06-16 416
The Ascend C documentation system consists of five core documents. Developers can improve and contribute to the documentation by submitting PRs: | Document | Content | Directory | |----------|-------
JavaScript Challenges Book项目架构解析：如何使用GitBook构建交互式学习资源
gitblog_01131的博客
06-09 527
JavaScript Challenges Book是一个专注于帮助开发者掌握JavaScript中复杂概念的交互式学习资源。通过精心设计的挑战题目和清晰的解释，该项目让学习者能够深入理解JavaScript的各种特性和陷阱。本文将详细解析该项目如何利用GitBook构建强大的学习平台，以及其独特的架构设计。 [![JavaScript Challenges Book封面](https://ra
Elastic：开发者上手指南
热门推荐
Elastic 中国社区官方博客
02-25 17万+
你们好，我是Elastic的刘晓国。如果大家想开始学习Elastic的话，那么这里将是你理想的学习园地。在我的博客几乎涵盖了你想学习的许多方面。在这里，我来讲述一下作为一个菜鸟该如何阅读我的这些博客文章。 我们可以按照如下的步骤来学习： 1)Elasticsearch简介：对Elasticsearch做了一个简单的介绍 2)Elasticsearch中的一些重要概念:cluster,n..........................................................
Python 3注释工程：从语法符号到团队知识资产
weixin_30381317的博客
06-21 405
Python注释远不止是井号#的语法标记，它是保障代码可读性、支撑协作维护、驱动自动化工具链的关键基础设施。在Python 3中，单行注释、文档字符串和行内注释具有截然不同的解析机制与工程语义：前者承载‘为什么’的决策逻辑，后者作为对象内置属性被help()和Sphinx消费，而行内注释则直接影响性能分析与调试精度。结合PEP 257文档规范与mypy类型注释等现代实践，注释能显著提升静态检查覆盖率、降低KeyError类运行时故障，并成为CI/CD中TODO治理、知识沉淀与IDE智能补全的数据源。本文聚焦
NLP论文图谱系统：用Neo4j构建可推理的语义关系网络
06-15 374
在自然语言处理领域，面对arXiv日均数十篇论文的信息过载，传统关键词检索已无法支撑技术选型与演进分析。知识图谱通过建模实体（如模型架构、数据集、评估指标）及其语义关系（如‘extends’‘benchmarks_on’），实现从文档匹配到关系推理的跃迁。其核心价值在于揭示技术血缘、识别隐性共识、预警集成风险——例如自动发现‘adapter’与‘LoRA’在参数更新机制上的互补性，或定位‘zero-shot’声明与实际微调样本间的矛盾。该范式正被算法工程师用于快速复现、高校导师用于教学演进图谱、CTO用于技
PARL框架：破解多Agent系统串行瓶颈的并行调度范式
最新发布
banshen0201的博客
06-25 344
多智能体系统（Multi-Agent System）本应天然支持并发执行，但实践中常陷入‘伪并行’困境——根源在于LLM推理的序列依赖性与传统调度器的串行控制逻辑。本文聚焦于Parallel-Agent Reinforcement Learning（PARL）这一轻量化调度范式，解析其如何通过Thinker-Doer角色解耦、结构化Action Plan输出、Contextual Bandit在线策略等机制，将‘100个Agent协同’从理论吞吐转化为真实可测的1500+次并行工具调用。技术价值体现在降低L
交叉验证实战指南：从数据泄漏到模型可信评估
weixin_34198762的博客
06-16 370
交叉验证是机器学习中评估模型泛化能力的基础技术，其核心原理在于通过多轮数据重划分，模拟模型在未知数据上的表现，从而规避单次训练-测试划分带来的偶然性偏差。该技术的价值不仅在于提供更稳健的性能估计，更在于暴露特征工程泄漏、时间序列信息穿越、分组结构破坏等隐蔽风险，直接决定模型能否落地可靠。典型应用场景包括类别不平衡的金融风控、强时序依赖的预测任务、以及按ID分组的医疗或IoT建模。本文聚焦StratifiedKFold分层策略与Pipeline封装实践，详解如何避免90%项目中因预处理泄露导致的CV虚高问题，
三框架定制加权损失函数实战：解决数据失衡下的漏判难题
dihuangxiu8828的博客
06-16 303
在机器学习中，二分类任务常面临正负样本严重失衡问题，导致模型高准确率却低召回率——本质是标准损失函数对误判正样本（FN）与误判负样本（FP）赋予同等代价，违背医疗诊断、金融风控、工业预测等关键场景的业务逻辑。加权损失函数通过调整正负样本错误的相对惩罚权重，使模型真正理解‘漏判比误判更严重’这一核心价值取向。本文聚焦TensorFlow、LightGBM、CatBoost三大主流框架，解析pos_weight、beta等关键热词背后的梯度设计哲学与数值稳定性实践，覆盖从数学原理、API约束到线上部署的完整工程
Elasticsearch生产实战：从能搜到搜得准、搜得快的进阶指南
weixin_30252709的博客
06-05 298
Elasticsearch作为主流分布式搜索引擎，其核心价值在于将原始文本数据转化为可高效检索、精准排序、低延迟响应的搜索服务。理解其底层原理——如倒排索引结构、分片与副本机制、Query-Then-Fetch执行模型——是实现稳定可靠搜索的前提。技术价值体现在显著提升用户搜索体验、支撑高并发实时查询、赋能个性化推荐与日志分析等多元场景。实际应用中，常见挑战包括中文分词不准、相关性偏差、聚合性能骤降及集群状态异常，而这些问题往往根植于mapping设计失当、analyzer配置缺失或refresh_inte
贝叶斯优化实战：用概率建模替代暴力调参
wgyyh
06-16 388
超参数调优是机器学习落地的关键瓶颈，传统网格搜索与随机搜索在高成本、非线性、噪声目标函数场景下效率低下。贝叶斯优化作为一种序贯决策框架，通过代理模型（如高斯过程）建模目标函数的概率分布，并结合采集函数（如EI、UCB）智能选择最有信息量的评估点，实现‘少试几次、多学一点’的工程化智能试错。它天然支持连续/离散/条件参数空间，可量化不确定性，适配金融风控、工业预测、电商排序等真实业务指标（如F1、AUC）。本文聚焦贝叶斯优化在生产环境中的可复现、可解释、可干预落地路径，覆盖Optuna实操、失败防护、人工协同
机器学习流水线实战手册：从数据契约到模型灰度发布的编码指南
abxlep7702的博客
06-16 487
机器学习工作流（ML Workflow）本质上是数据、特征、模型与部署协同演进的工程系统，其核心原理在于通过可验证的代码契约保障端到端可重现性。技术价值体现在规避90%线上故障——如训练推理不一致、环境漂移、特征污染和发布失控。典型应用场景包括金融风控模型迭代、电商推荐AB测试、工业预测性维护等需高可靠交付的业务系统。本文聚焦‘Coding Guide’实践范式，深度融合Great Expectations数据契约校验、Feast特征统一计算、Optuna+MLflow可复现实验管理、KServe+Argo
三日技术爆发：从V2注意力机制到多模态AI应用革命
LXZZKJ的博客
11-24 1342
2025年11月21日至23日，AI领域迎来重大突破：谷歌发布V2注意力机制解决灾难性遗忘难题，Gemini3展示强大的多模态能力，企业级应用快速落地。这些突破包括持续学习技术、跨模态推理系统以及RAG技术的成熟应用，标志着AI发展进入新阶段——从单一模型竞争转向系统智能化，开发范式向AI原生转变。技术民主化加速，多模态处理成为新标准，预示着AI生态将迎来更深远的变革。
【亲测免费】 GraphFormers：文本图表示学习的GNN嵌套Transformer
gitblog_00203的博客
09-14 611
GraphFormers：文本图表示学习的GNN嵌套Transformer 项目介绍 GraphFormers 是一个基于GNN（图神经网络）和Transformer的混合模型，专门用于文本图的表示学习。该项目是论文 GraphFormers: GNN-nested Transformers for Representation Learning on Textual Graph 的实现。通过将G...
集成学习实战指南：从原理选型到抗漂移生产部署
wgyyh
06-16 415
集成学习是一种通过组合多个基模型提升预测鲁棒性与泛化能力的机器学习范式，其核心在于利用偏差-方差权衡和模型多样性来缓解过拟合、数据漂移与分布偏移问题。不同于单一模型，集成方法如bagging、boosting和stacking分别针对方差主导、偏差主导和能力异构三类不确定性提供结构化解决方案。在工业场景中，它不仅带来AUC或F1-score等指标提升，更支撑可解释性审计、线上漂移监控与fallback降级机制。本文聚焦ensemble learning在电商反作弊、金融风控等真实业务中的落地实践，涵盖元特征
详解AI-Agent中的MCP（Model Context Protocol），与function call的区别与联系
m0_60827485的博客
06-24 433
摘要： MCP（Model Context Protocol）与Function Call在工业级AI-Agent架构中存在本质差异。Function Call是模型调用工具的具体动作（如结构化指令执行），而MCP是管理工具调用与上下文的协议层，相当于AI Agent的“操作系统”。 核心区别： 抽象层级：Function Call关注单次工具调用（动作层），MCP管理多轮调度、状态、权限等（协议层）。 能力范围：MCP涵盖上下文治理、工具路由、记忆管理等，Function Call仅解决“调用哪个函数”。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值