词汇速查 · AI 概念

A

AI 智能体 AI Agent AI 应用

能够感知环境、规划行动并调用工具完成复杂任务的 AI 系统，可自主执行多步骤工作流。

人工智能 Artificial Intelligence (AI) 基础概念

让计算机系统能够执行通常需要人类智能的任务，如推理、学习、感知和语言理解。

注意力机制 Attention Mechanism 大语言模型

让模型在处理每个 Token 时动态关注上下文中最相关的部分，是 Transformer 捕获长距离依赖的关键。

C

上下文窗口 Context Window 大语言模型

模型单次处理时能看到的最大 Token 数量，决定了能处理的文档长度和多轮对话历史深度。

思维链 Chain-of-Thought (CoT) 提示词工程

引导模型在给出答案前逐步展示推理过程，显著提升数学、逻辑和多步骤问题的准确率。

D

扩散模型 Diffusion Model AI 应用

通过学习逐步去噪过程生成图像的模型，是 Stable Diffusion、DALL-E 等 AI 绘画工具的核心技术。

深度学习 Deep Learning 基础概念

使用多层神经网络从大量数据中自动学习特征表示，是当前 AI 能力突破的核心技术。

Dropout Dropout 训练与优化

训练时随机让一部分神经元不激活，强迫网络学习冗余表示，是防止过拟合的标准正则化技术。

E

嵌入向量 Embedding 基础概念

将词、句子或图像等高维离散信息压缩为稠密的低维向量，使语义相似的内容在向量空间中距离更近。

F

函数调用 Function Calling / Tool Use AI 应用

允许 LLM 识别何时需要调用外部函数，输出结构化的调用参数，由应用层执行后将结果返回给模型。

少样本学习 Few-Shot Prompting 提示词工程

在 Prompt 中提供少量输入-输出示例，让模型通过上下文学习理解任务格式和风格。

微调 Fine-tuning 训练与优化

在预训练模型基础上，用特定领域数据继续训练，使模型更擅长目标任务，同时保留通用能力。

H

幻觉 Hallucination 模型评估

LLM 生成听起来合理但实际不准确或完全虚构信息的现象，是当前 AI 应用落地的主要挑战之一。

L

大语言模型 Large Language Model (LLM) 大语言模型

在海量文本上预训练的超大规模神经网络，能够理解和生成自然语言，是当前 AI 应用的核心引擎。

LoRA Low-Rank Adaptation 训练与优化

通过只训练少量低秩矩阵来适配大模型，大幅降低微调的显存和计算需求，是目前最主流的高效微调方法。

M

模型上下文协议 Model Context Protocol (MCP) AI 应用

Anthropic 发布的开放标准，让 AI 模型能以统一方式连接各种外部工具和数据源，类似 AI 的 USB 接口。

O

过拟合与欠拟合 Overfitting & Underfitting 模型评估

过拟合指模型在训练集表现好但泛化差；欠拟合指模型容量不足，连训练集也拟合不好。

P

提示词 Prompt 提示词工程

发送给 LLM 的输入文本，包含指令、上下文、示例等，是控制模型输出行为的主要手段。

困惑度 Perplexity 模型评估

衡量语言模型对文本预测能力的指标，数值越低说明模型对该文本的预测越准确，是 LLM 训练常用评估指标。

R

检索增强生成 Retrieval-Augmented Generation (RAG) 提示词工程

将外部知识库检索与 LLM 生成相结合，解决模型知识截止和幻觉问题，让回答有据可查。

人类反馈强化学习 RLHF 训练与优化

通过人类对模型输出的偏好评分训练奖励模型，再用强化学习优化 LLM，使其更有帮助、更无害、更诚实。

S

系统提示词 System Prompt 提示词工程

在对话开始前设置模型角色、行为约束和全局规则的特殊提示词，对整个会话持续生效。

T

Transformer Transformer Architecture 大语言模型

基于自注意力机制的神经网络架构，是 GPT、Claude、Gemini 等所有主流 LLM 的基础结构。

Token Token 大语言模型

LLM 处理文本的最小单位，通常是子词（subword）。Token 数量直接影响 API 成本和上下文容量。

温度参数 Temperature 模型评估

控制 LLM 输出随机性的超参数，值越高输出越随机多样，值越低输出越确定集中，通常在 0-2 之间调节。