AI 术语速查

大型语言模型。通过海量文本训练，能生成、理解自然语言的 AI 模型。代表：GPT-4、Claude、Llama。

输入给 AI 的指令文本。Prompt 的质量直接决定输出质量。Prompt Engineering 是优化输入的工程方法论。

LLM 处理文本的基本单位。中文约 1-2 字/token，英文约 3-4 字母/token。Token 上限决定了模型能处理多长的对话。

模型单次能"看到"的最大 Token 数量。Claude 3.5 支持 200K tokens，相当于约 15 万字。

AI 生成看似合理但实际不正确的内容。是当前 LLM 的核心挑战之一，需要用户保持批判性思维。

控制输出随机性的参数（0-2）。低温度输出更确定、保守；高温度输出更创意、多样。

在预训练模型基础上用特定数据继续训练，让模型适配特定领域或任务。成本远低于从头训练。

检索增强生成。让 AI 先从知识库检索相关内容，再生成答案，解决模型知识截止和幻觉问题。

能自主规划和执行多步任务的 AI 系统。区别于单次问答，Agent 能调用工具、做决策、迭代行动。

Agent 调用外部工具（搜索/代码执行/API）完成任务的能力。是让 AI 真正"动起来"的关键。

Agent 的推理-行动循环框架：思考 → 行动 → 观察结果 → 再思考。是大多数 Agent 架构的基础。

Anthropic 推出的开放协议，标准化 AI 工具接入方式。让 Claude 能统一调用各类第三方工具和数据源。

多个 AI Agent 协作完成任务的系统。典型架构：协调者分配任务，专项 Agent 各自执行。

Agent 记住历史信息的能力。分为：对话内记忆（Context）、持久记忆（外部存储）、知识记忆（RAG）。

协调多个 AI 组件（模型/工具/Agent）按流程工作的机制。是复杂 AI 应用的核心设计问题。

Anthropic 出品的 AI 助手。以宪法 AI 训练，强调安全性与有帮助性。Sonnet/Opus 系列各有侧重。

OpenAI 的旗舰模型。GPT-4o 是多模态版本，可处理文本+图像+音频。

Google DeepMind 出品，原生多模态模型。Ultra/Pro/Flash 分别对应不同场景。

Meta 开源的 LLM 系列。可本地部署，是本地模型生态的基础，衍生出 Mixtral、Qwen 等众多模型。

阿里巴巴开源模型。Qwen2.5/Qwen3 系列在代码和中文理解上表现优秀，可本地运行。

Apple 针对 Apple Silicon 优化的机器学习框架。让 Mac 可以高效本地运行 LLM，无需 GPU。

Anthropic 官方命令行 AI 编程工具。在终端中直接操作代码、文件、执行命令，是本站作者的主力工具。

原生集成 AI 的代码编辑器。基于 VS Code，支持多模型，Tab 补全和 Chat 模式都很强。

GitHub/OpenAI 出品的 AI 编程助手。行内补全是其特色，深度集成 VS Code 生态。

构建 LLM 应用的 Python/JS 框架。提供 Chain/Agent/Memory/RAG 等模块，是最流行的 AI 开发框架之一。

本地运行开源 LLM 的最简工具。一行命令拉取并运行 Llama/Qwen/Mistral 等模型，跨平台支持好。

对话开始前设置 AI 行为的指令。定义 AI 的角色、规则和风格，是产品化 AI 应用的关键。

让 AI 在回答前先逐步推理的提示技巧。"Let's think step by step" 能显著提升复杂问题的准确率。

在提示词中给 AI 几个示例，让模型模仿格式和风格输出。比 Zero-shot（无示例）效果通常更稳定。

通过提供上下文（文档/搜索结果）让 AI 基于事实回答，减少幻觉。是 RAG 的核心思想。

将文本转化为高维向量，使语义相似的内容在向量空间中相邻。是语义搜索和 RAG 的数学基础。

专门存储和检索向量嵌入的数据库。代表：Pinecone、Chroma、Supabase pgvector。RAG 系统的标配组件。

现代 LLM 的底层神经网络架构（2017年提出）。注意力机制是其核心，让模型能理解长距离词语关系。

用人类偏好反馈训练模型，使其输出更符合人类价值观。是 ChatGPT 突破的关键技术。