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 |