术语 on 我的博客

术语 on 我的博客https://osong.cc/tags/%E6%9C%AF%E8%AF%AD/Recent content in 术语 on 我的博客Hugozh-cnSat, 14 Mar 2026 00:00:00 +0000AI 常用术语速查手册https://osong.cc/posts/ai-shuyu-sucha/Sat, 14 Mar 2026 00:00:00 +0000https://osong.cc/posts/ai-shuyu-sucha/<blockquote> <p>本文档整理自对话内容，涵盖模型架构、训练对齐、推理应用、智能体工具及其他常见概念，共 30+ 个高频术语。</p></blockquote> <hr> <h2 id="一模型与架构">一、模型与架构</h2> <table> <thead> <tr> <th>术语</th> <th>英文</th> <th>含义</th> </tr> </thead> <tbody> <tr> <td>大语言模型</td> <td>LLM</td> <td>在海量文本上预训练的语言模型，能理解和生成自然语言，如 GPT-4、Claude、Gemini</td> </tr> <tr> <td>多模态模型</td> <td>Multimodal</td> <td>同时处理文字、图像、音频等多种输入类型的模型</td> </tr> <tr> <td>基础模型</td> <td>Foundation Model</td> <td>经过大规模预训练、可迁移到各类下游任务的通用模型</td> </tr> <tr> <td>Transformer</td> <td>Transformer</td> <td>当前主流神经网络架构，核心机制是自注意力（Self-Attention）</td> </tr> <tr> <td>注意力机制</td> <td>Attention</td> <td>模型在处理某个词时，动态关注输入中其他词的权重分配机制</td> </tr> <tr> <td>上下文窗口</td> <td>Context Window</td> <td>模型一次能看到的最大 token 数量，决定了"记忆"长度</td> </tr> <tr> <td>Token</td> <td>Token</td> <td>模型处理文本的最小单元，约等于半个到一个中文字或英文词片段</td> </tr> <tr> <td>嵌入</td> <td>Embedding</td> <td>将词语/句子转化为数值向量，使模型能计算语义相似度</td> </tr> </tbody> </table> <hr> <h2 id="二训练与对齐">二、训练与对齐</h2> <table> <thead> <tr> <th>术语</th> <th>英文</th> <th>含义</th> </tr> </thead> <tbody> <tr> <td>预训练</td> <td>Pre-training</td> <td>在海量无标注数据上做自监督学习，让模型掌握语言知识</td> </tr> <tr> <td>微调</td> <td>Fine-tuning</td> <td>在预训练基础上，用特定任务数据进一步训练，使模型专业化</td> </tr> <tr> <td>指令微调</td> <td>Instruction Tuning</td> <td>用"指令→回答"格式的数据微调，让模型更好地遵循用户指令</td> </tr> <tr> <td>人类反馈强化学习</td> <td>RLHF</td> <td>收集人类对模型输出的偏好排序，用于训练奖励模型，再优化 LLM</td> </tr> <tr> <td>对齐</td> <td>Alignment</td> <td>让 AI 行为符合人类意图和价值观的研究方向</td> </tr> <tr> <td>幻觉</td> <td>Hallucination</td> <td>模型生成听起来可信但实际上不准确或虚构的内容</td> </tr> <tr> <td>过拟合</td> <td>Overfitting</td> <td>模型在训练集上表现极好，但泛化到新数据时变差</td> </tr> </tbody> </table> <hr> <h2 id="三推理与应用">三、推理与应用</h2> <table> <thead> <tr> <th>术语</th> <th>英文</th> <th>含义</th> </tr> </thead> <tbody> <tr> <td>推理</td> <td>Inference</td> <td>用训练好的模型对新输入进行预测/生成的过程（≠ 数学推理）</td> </tr> <tr> <td>提示词</td> <td>Prompt</td> <td>输入给模型的文本指令，是与 LLM 交互的核心方式</td> </tr> <tr> <td>提示词工程</td> <td>Prompt Engineering</td> <td>设计和优化提示词以获得更好模型输出的技术</td> </tr> <tr> <td>思维链</td> <td>Chain-of-Thought (CoT)</td> <td>让模型在回答前一步步展示推理过程，提升复杂问题准确率</td> </tr> <tr> <td>零样本 / 少样本</td> <td>Zero-shot / Few-shot</td> <td>不提供示例（零样本）或提供少量示例（少样本）来引导模型</td> </tr> <tr> <td>RAG</td> <td>检索增强生成</td> <td>先从外部知识库检索相关文档，再让 LLM 基于这些文档生成回答</td> </tr> <tr> <td>温度</td> <td>Temperature</td> <td>控制生成随机性的参数，越高越"创意"，越低越确定</td> </tr> </tbody> </table> <hr> <h2 id="四智能体与工具">四、智能体与工具</h2> <table> <thead> <tr> <th>术语</th> <th>英文</th> <th>含义</th> </tr> </thead> <tbody> <tr> <td>智能体</td> <td>Agent</td> <td>能感知环境、自主规划并采取行动以完成目标的 AI 系统</td> </tr> <tr> <td>多智能体</td> <td>Multi-Agent</td> <td>多个 AI 智能体协作或竞争共同完成复杂任务</td> </tr> <tr> <td>工具使用</td> <td>Tool Use / Function Calling</td> <td>模型能调用外部函数或 API（如搜索、代码执行、数据库查询）</td> </tr> <tr> <td>MCP</td> <td>模型上下文协议</td> <td>标准化 AI 模型与外部工具/数据源交互的开放协议</td> </tr> <tr> <td>编排</td> <td>Orchestration</td> <td>协调多个 AI 组件或 Agent 按顺序/并行完成任务的框架层</td> </tr> <tr> <td>记忆</td> <td>Memory</td> <td>Agent 存储和检索过往对话或经验的机制，分短期/长期记忆</td> </tr> <tr> <td>规划</td> <td>Planning</td> <td>Agent 将目标分解为子任务并决定执行顺序的能力</td> </tr> </tbody> </table> <hr> <h2 id="五其他常见概念">五、其他常见概念</h2> <table> <thead> <tr> <th>术语</th> <th>英文</th> <th>含义</th> </tr> </thead> <tbody> <tr> <td>向量数据库</td> <td>Vector DB</td> <td>专门存储和检索嵌入向量的数据库，是 RAG 的核心组件</td> </tr> <tr> <td>知识截止日期</td> <td>Knowledge Cutoff</td> <td>模型训练数据的时间上限，超过此日期的信息模型无法知晓</td> </tr> <tr> <td>护栏</td> <td>Guardrails</td> <td>防止模型生成有害、违规内容的安全约束机制</td> </tr> <tr> <td>系统提示</td> <td>System Prompt</td> <td>在对话前设置模型角色和行为规则的后台指令</td> </tr> <tr> <td>涌现能力</td> <td>Emergent Ability</td> <td>模型规模扩大后突然显现出的、小模型不具备的能力</td> </tr> <tr> <td>扩展定律</td> <td>Scaling Law</td> <td>模型性能随参数量、数据量、算力增加而规律性提升的规律</td> </tr> <tr> <td>蒸馏</td> <td>Distillation</td> <td>用大模型（教师）的输出来训练小模型（学生），压缩能力到小模型中</td> </tr> </tbody> </table> <hr> <p><em>生成日期：2026-03-14</em></p>