工作方法 · 文章

AI 名词解释

发布于 2026年8月14日 · 约 4 分钟阅读 · 1286 字 · 更新于 2026年8月14日

词	大白话	你可以怎么记
LLM	Large Language Model，大语言模型，比如 GPT、DeepSeek、Claude	大脑
Prompt	你给模型的指令、规则、上下文	任务说明书
Token	模型处理文字的基本单位，不完全等于“字”	模型的计费/阅读单位
Context Window	一次最多能让模型“看到”的内容量	短期记忆容量
Embedding	把文字转换成一串数字向量，让机器能比较“语义像不像”	文字的语义坐标
Vector DB	存 Embedding 并支持相似度搜索的数据库，如 Chroma、Milvus	语义搜索库
RAG	先搜索知识库，再把搜索结果给 LLM 回答	开卷考试
Retrieval	从知识库里把相关内容找出来	查资料
Chunk	把长文档切成一小段一小段用于检索	知识碎片
Rerank	第一次搜出一批结果后，再重新精排一次	二次筛选资料
Query Rewrite	把用户原始问题改写成更适合检索的问题	帮用户换个搜法
Metadata	给 Chunk 加上的标签，比如来源、业务线、年份、Bug 类型	知识标签
Tool / Tool Call	LLM 调用外部能力，比如查数据库、调用 API、搜索 Jira	手脚
Function Calling	模型按照规定格式决定调用哪个函数、传什么参数	规范化 Tool Call
Agent	LLM 不只是回答，而是会判断下一步该搜索、调用工具还是继续推理	能自主干活的人
Agent Loop	Agent 执行“思考 → 调工具 → 看结果 → 再决定下一步”的循环	边干边判断
Workflow	提前规定好的执行流程，比如 A→B→C	固定流水线
Agentic Workflow	流程大体确定，但某些步骤允许 AI 自己决定	半自动流水线
Harness	包住 Agent/LLM 的整套运行环境，包括 Prompt、工具、权限、状态、日志、重试、上下文等	AI 的工作台/操作系统
Orchestration	把 LLM、RAG、Tools、Agent 等能力编排到一起	总调度
Memory	给 AI 保存历史信息，使后续任务能够继续使用	长期记忆
State	当前任务进行到哪一步、已有些什么数据	现场状态
Trace	记录一次 AI 请求完整经历了什么：Prompt、检索、Tool Call、输出等	执行录像
Eval	系统化评估 AI 输出质量	考试
Golden Set	人工确认正确的一批标准问题和答案，用来做 Eval	标准答案集
Hallucination	模型一本正经地产生了不存在或无依据的信息	瞎编
Grounding	要求模型基于真实资料回答，而不是凭空生成	有依据地回答
Guardrail	限制 AI 行为的规则，如不能乱调用生产接口	护栏
Fine-tuning	用专门数据继续训练模型，让模型行为发生长期变化	重新培养模型
Inference	模型真正运行并生成结果的过程	模型开始答题
Temperature	控制输出随机性，低则稳定，高则更发散	创造力旋钮