④ 词库 · AI 通识知识库

LLM 大语言模型模型

在海量文本上训练、以预测下一个 token 为核心能力的超大规模神经网络。聊天、写作、编程助手大多建立在它之上。

来龙去脉：2017 Transformer 架构 → 预训练大模型 → 指令对齐后成为「助手」。它是整棵 AI 应用树的树干。

和你有关 / 怎么用：ChatGPT、通义、豆包等都是它。用法：把任务写具体、要求格式、重要事实自己核实。详见通识 · LLM。

💡

类比：读过整个文库的超级续写器。语感极强，但不等于事实数据库。

Token 词元模型

模型读写文本的最小计算与计费单位，可能是词、字的一部分或标点。

💡

类比：不是按「字」收快递费，而是按打包块计费。

Context Window 上下文窗口模型

模型一次能同时看见的最大 token 数。超出后旧内容会被截断或需摘要/外置记忆。

💡

类比：书桌面积——材料再重要，桌子太小就摊不下。

Transformer 变换器架构模型

2017 年提出，用自注意力让序列任意位置互相关注。现代 LLM 的主流骨架。

💡

类比：读文章时能随时把任意两句用红线连起来看关系。

Embedding 嵌入 / 向量检索/RAG

把文本变成数字向量，使意思相近的内容在空间里更近，便于语义搜索。

💡

类比：给每段话做气味指纹——苹果和梨接近，和螺丝钉差很远。

Vector Database 向量数据库检索/RAG

专门存 embedding 并支持「找最相似向量」的数据库。RAG 的货架系统。

💡

类比：按内容气味排的智慧书架，递气味卡甩出最像的几本。

RAG 检索增强生成检索/RAG

先检索相关资料，再让 LLM 基于资料生成，降低胡编、贴合私有知识。

来龙去脉：约 2020 起工业界标配。解决「模型知识过时 / 不知公司内部事」；后来升级为 Agentic RAG。

和你有关 / 怎么用：上传 PDF 再提问、企业知识库助手，本质常是 RAG。个人技巧：先贴资料再问。详见通识 · RAG。

💡

类比：开卷考试——先翻到相关页再写答案。

Agentic RAG 智能体式 RAG 检索/RAG

把检索放进 Agent 循环：多轮改写查询、换数据源、判断够不够，而不是检索一次就生成。

💡

类比：研究员连查三轮、交叉验证，而不是只问一次图书管理员。

Chunking 文本分块检索/RAG

把长文档切成适中片段以便嵌入与检索。切太大不精准，切太碎丢上下文。

💡

类比：把书拆成索引卡片——太大难定位，太小没前因后果。

GraphRAG 图谱增强检索检索/RAG

在向量检索之外引入知识图谱/实体关系，适合「人物-事件-组织」等多跳关联问题。

💡

类比：不仅按气味找卡片，还按人物关系网串线索。

Rerank 重排序检索/RAG

先粗召回一批文档，再用更精的模型重排，把真正相关的顶到前面。

💡

类比：先从仓库拉一车货，再让质检员挑出最该给客户的几件。

Hallucination 幻觉模型

模型生成看起来合理、实则错误或无中生有的内容。需检索、工具、核对与评测缓解。

💡

类比：口才很好但不会也编得流畅的同学。

Multimodal 多模态模型

能处理或生成文本、图像、音频、视频等多种信息形态。

💡

类比：五官齐全的助手，而不只是键盘侠。

Skill 技能 / 能力包工程

可复用的能力单元：通常包含说明指令、可用工具、步骤模板/示例与约束。可被多个 Workflow 或 Agent 调用。

来龙去脉：从「插件 / 工具集」演化而来。平台与 Agent 框架用 Skill 表达「会做某类事」，避免每次从零写提示。详见通识 · Skill。

和你有关 / 怎么用：产品里的「插件/技能」；你也可把高频提示词整理成个人技能库（周报、纪要、竞品模板）。

💡

类比：岗位技能证书 + 工具箱组合拳——「会写周报」「会查 CRM」可换项目复用。

Workflow 工作流工程

有顺序的步骤网络：线性或带分支/并行/人审/重试。步骤里可调用 LLM、Tool、Skill、RAG 等。

来龙去脉：传统 RPA/BPM 思路遇上 LLM 节点。Dify、LangGraph、LlamaIndex Workflows 等都是不同实现。与 Agent 的区别：Workflow 偏预定路线，Agent 偏现场决策。详见通识 · Workflow。

和你有关 / 怎么用：客服分流、内容「写→审→发」、审批自动化。步骤稳定就用流程；路径开放再上 Agent。

💡

类比：工厂 SOP 或上门维修流程：预约→检查→维修→回访，而不是走一步算一步。

Pipeline 流水线 / 管道工程

数据或任务按固定阶段依次处理的结构。常与 Workflow 近义，更强调「阶段串联」。

💡

类比：自来水管一节接一节，水只能顺着流。

Agent 智能体 Agent

以目标为导向，在循环中规划、调用工具/Skill、观察结果并迭代，直到完成或停止的 LLM 系统。

来龙去脉：经典 AI「智能体」概念 + LLM 工具调用能力。2023 后工程化爆发。≠ 单纯聊天机器人。

和你有关 / 怎么用：自动调研、自动改代码类产品。用法：目标+边界+完成标准要写清；敏感操作必须人审。详见通识 · Agent。

💡

类比：会自己拆任务、跑腿、回报进度的实习生，而不只是答疑前台。

Multi-Agent 多智能体 Agent

多个不同角色或工具的 Agent 协作，常有主管/编排者协调。

💡

类比：项目组：产品、研发、测试分工，而不是一人包办。

Subagent 子智能体 Agent

由主管 Agent 派生、负责子任务的下级 Agent。做完把结果交回。

💡

类比：项目经理把调研外包给专员，专员交报告回来汇总。

Supervisor 主管 / 调度模式 Agent

一个中心 Agent 负责任务拆解、分配给工人 Agent、汇总结果的架构模式。

💡

类比：编辑部主编分稿、收稿、定稿。

ReAct 推理 + 行动 Agent

交替进行推理（Thought）与行动（Action），并根据观察（Observation）继续的流行范式。

💡

类比：修电器——想原因、拧两下看现象、再想下一步。

Plan-and-Execute 先规划后执行 Agent

先整体规划步骤，再按计划执行（可中途修正）。相对纯 ReAct 更少「走一步看一步」的抖动。

💡

类比：先写旅行日程再出发，而不是下了高铁再想住哪。

Tool / Function Calling 工具 / 函数调用 Agent

模型按约定结构选择外部函数/API 并填参数，由运行时执行后把结果返回模型。

💡

类比：顾问正确呼叫水管工并说清地址——真正干活的是工具。

MCP Model Context Protocol Agent

让 AI 应用以更标准方式连接外部工具与数据源的开放协议思路，减少私有对接。

💡

类比：USB 标准——外设按统一接口做，主机不用为每个鼠标重写驱动。

Memory 记忆 Agent

保存并在需要时取回信息。短期（当前上下文/状态）与长期（跨会话存储+检索）。

💡

类比：桌上便签 vs 档案柜。

Loop Engineering 循环工程工程

设计 Agent「想→做→看→再想」闭环：步数预算、重试、停止条件、人审、轨迹记录。

💡

类比：给流水线装工序、质检与急停。

Context Engineering 上下文工程工程

动态选择并组装模型每一步应看到的信息：指令、历史、检索、工具输出、记忆等。

来龙去脉：从 Prompt Engineering 升级。业界常说：很多 Agent 失败是上下文失败，不是模型不够聪明。

💡

类比：操作系统管理内存：窗口是 RAM，装错内容 CPU 再强也算偏。

Prompt Engineering 提示工程工程

设计与优化提示词（角色、步骤、示例、输出格式），以稳定获得期望输出。

💡

类比：写清晰的任务说明书：目标、约束、样例、验收标准。

Orchestration 编排工程

把模型调用、工具、检索、条件分支、人工节点组织成可运行工作流的过程。

💡

类比：项目经理排期：谁先谁后、谁并行、异常走哪条路。

State Machine / Graph 状态机 / 图编排工程

用节点（状态/步骤）与边（转移条件）描述流程。LangGraph 等采用此心智模型，便于持久化与调试。

💡

类比：地铁线路图：站是节点，换乘是边，清楚你现在在哪一站。

Agent Harness 智能体外壳 / 运行时套件工程

围绕模型的运行外壳：工具注册、循环控制、记忆注入、日志、权限等，让 LLM「能跑起来并受控」。

💡

类比：赛车底盘与安全带——引擎（模型）再强，没有车架也上不了赛道。

Structured Output 结构化输出工程

要求模型按 JSON/Schema 等固定结构输出，便于程序解析与下游节点消费。

💡

类比：填表而不是写作文——格子对上，系统才好自动处理。

Chain-of-Thought 思维链 CoT 工程

让模型把推理步骤写出来，常提升复杂题正确率；也有内部推理类模型变体。

💡

类比：考试写过程，比直接拍答案更不易算错。

Human-in-the-loop 人在回路工程

在自动化流程关键节点引入人工确认、纠错或决策。

💡

类比：助理写好对外邮件，发送前必须老板点头。

Routing 路由工程

根据问题类型把请求分发给不同模型、工具、知识库或子 Agent。

💡

类比：医院分诊台：发烧去内科，骨折去骨科。

Fine-tuning 微调训练对齐

在预训练模型上用领域数据继续训练。成本与收益需和 RAG 权衡。

💡

类比：通才员工入职培训，学会公司话术——不是重读小学到博士。

Pretraining 预训练训练对齐

在大规模通用数据上训练基础能力。昂贵，通常由大厂/机构完成。

💡

类比：完成通识教育，再谈专业上岗。

RLHF 人类反馈强化学习训练对齐

用人类偏好数据训练奖励模型再优化策略，使输出更有用、无害、诚实。

💡

类比：作文被老师反复打分「哪篇更好」，逐渐写得合老师心意。

Alignment 对齐训练对齐

让模型行为符合人类意图与价值观的训练与约束方法总称。

💡

类比：把有能力的人训练成靠谱同事——能力之外还有规矩。

LoRA 低秩适应微调训练对齐

参数高效微调：只训练少量附加参数，降低显存与成本。

💡

类比：不重粉整面墙，只贴可更换壁纸改风格。

Eval 评测安全评测

用数据集、任务脚本或人工标准系统测量模型/Agent 表现。

💡

类比：定期考试 + 真实工单回放，用分数说话。

Tracing 轨迹追踪安全评测

记录每次 LLM/工具调用、耗时与成本，便于调试 Agent 为何走偏。

💡

类比：飞机黑匣子 + 快递轨迹。

Guardrails 护栏安全评测

对输入输出与行为的安全合规约束：过滤、权限、拒答、结构化校验等。

💡

类比：游乐设施安全带与限高牌。

Temperature 温度模型

控制采样随机性。低更稳；高更发散也更不稳。

💡

类比：低温度像严谨会计；高温度像即兴诗人。

Zero / Few-shot 零样本 / 少样本工程

不给或只给少量例子就完成新任务。提示里举例常能显著提效。

💡

类比：零样本直接下任务；少样本先给两篇范文再写第三篇。

Grounding 落地 / 有据生成检索/RAG

让回答锚定在检索到的事实、工具结果或实时数据上，而不是凭空生成。

💡

类比：发言必须出示引用页码，不能「我觉得」。

A2A Agent-to-Agent Agent

多个 Agent 互相发现、通信与协作的协议与实践方向。

💡

类比：公司之间的对接规范：工单怎么传、状态怎么同步。

LangGraph 图编排框架 Agent

用图/状态机编排可控、可持久的 Agent 与 Workflow。适合生产向复杂流程。

GitHub： https://github.com/langchain-ai/langgraph

💡

类比：可画流程图的生产调度台。详见架构页。

CrewAI 角色团队框架 Agent

用角色 + 任务 + 团队隐喻快速搭建多 Agent 协作。

GitHub： https://github.com/crewAIInc/crewAI

💡

类比：一键组建剧组。

AutoGen 对话式多 Agent Agent

以 Agent 之间聊天推动任务的协作风格。

GitHub： https://github.com/microsoft/autogen

💡

类比：会议室多位专家来回讨论。

LlamaIndex 数据 / RAG 框架检索/RAG

侧重把企业数据接入 LLM：索引、检索、查询引擎与工作流。

GitHub： https://github.com/run-llama/llama_index

💡

类比：专门对接公司网盘与数据库的数据管家。

Dify 开源 LLM 应用平台工程

可视化编排 RAG、Agent、Workflow 的一站式平台，适合快速产品化。

GitHub： https://github.com/langgenius/dify

💡

类比：AI 版低代码工作室。

Capability Boundary 能力边界模型

模型在特定任务、数据与安全约束下能稳定做对的范围。超出后需要工具、检索、流程或人类接管，而不是「再问一次就稳了」。

和你有关：决定能否直接交付、用哪一档模型、要不要人审。专页：⑦ 能力边界。

💡

类比：顾问很会写方案，但不能保证药方/判决/股价正确——你要知道他职责边界。

GPT‑5.6 Sol / Terra / Luna OpenAI 旗舰三档模型

OpenAI GPT‑5.6 世代下的三档：Sol 最强、Terra 均衡、Luna 快省。数字表世代，名称表能力档位。

来源： OpenAI 官方说明

怎么用：默认中档；难题升 Sol；高频简单任务用 Luna。仍有知识截止与幻觉风险。

💡

类比：同一代手机的 Pro / 标准 / 轻薄版——代数相同，定位不同。

LLM Leaderboard 大模型排行榜安全评测

公开比较模型能力的榜单。常见：Chatbot Arena 人类偏好、SWE-bench 软件工程、Open LLM 开放权重、Artificial Analysis 综合比较等。

入口： LMArena · Artificial Analysis · SWE-bench · Open LLM

💡

类比：体育联赛积分榜——有参考价值，但不能代替你自己项目的选拔赛。

Embodied AI 具身智能 Agent

强调智能体通过身体与环境交互：感知、行动、在反馈中学习。无人车、机器人、无人机都属此线。

来源： 综述 arXiv:2402.02385 · CVPR Embodied AI · 论文列表 GitHub

和你有关 / 怎么用：理解「会聊天」与「会开车/抓杯子」不是同一能力栈。专页：⑥ 具身智能。

💡

类比：书斋谋士 vs 必须下场踢球的球员。

SAE Levels L0–L5 驾驶自动化等级工程

SAE J3016 定义的 0–5 级驾驶自动化，用于统一「辅助驾驶/自动驾驶」沟通语言。L2 需人监督；L4 在 ODD 内可无人。

来源： SAE J3016 标准页 · 等级说明

和你有关 / 怎么用：看车广告时问清 L 几、是否要手扶方向盘、是否限定场景。

💡

类比：驾照科目分级——名字好听不等于已是「完全无人」。

ODD 运营设计域工程

系统被设计与验证可安全运行的条件集合（区域、天气、道路类型、速度等）。自动驾驶安全论证核心概念。

和你有关：解释为何 Robotaxi 先在固定城市运营，而不是全国随处开。

💡

类比：飞行员航线与气象限制——出了边界就不能假装还能飞。

World Model 世界模型模型

学习环境如何随动作变化的内部模型，用于预测与规划。文献脉络含 Ha & Schmidhuber World Models、Dreamer 系列等。

来源： World Models 论文 · DreamerV3 GitHub

和你有关：机器人/车辆可在「脑内预演」再行动，降低真机试错。

💡

类比：下棋时在脑子里推演几步，而不是每步都真的把棋子摔出去试。

VLA Vision-Language-Action Agent

统一视觉、语言与动作输出的模型范式。代表：RT-2、开源 OpenVLA。

来源： RT-2 论文 · OpenVLA 论文 · OpenVLA GitHub

和你有关：对机器人说自然语言指令并执行操作的研究主航道之一。

💡

类比：眼看、耳听指令、手去做——三件事先统一成一个「大脑接口」。

Sim2Real 仿真到现实工程

在仿真中训练策略再迁移到真机。常用开源仿真/生态包括 MuJoCo、Habitat、Isaac 等。

来源： Habitat-Lab GitHub

和你有关：真机数据贵且危险；仿真加速研发，但存在仿真与现实差距。

💡

类比：飞行模拟器练手再上天——有用，但不能 100% 代替真飞。

ALVINN 神经网络自动驾驶经典系统工程

Pomerleau 的 ALVINN（NIPS 1988）用神经网络将传感器输入映射为方向，在 CMU NAVLAB 上做道路跟随，是学习型驾驶经典节点。

来源： NIPS 1988 论文页

💡

类比：看人开车学会打方向——早期的「模仿学习开车」。

DARPA Grand Challenge DARPA 无人车挑战赛工程

2004 沙漠挑战无车完赛；2005 五车完赛（Stanford Stanley 夺冠）；2007 Urban Challenge 引入城市场景。被广泛认为点燃产业十年浪潮。

来源： DARPA 官方 · IEEE Spectrum 复盘

💡

类比：行业高考——一次公开竞赛证明「这事能做成」。

专有词库

小白用法