📖 AI 词典
269 个核心AI概念，从入门到精通，一文读懂人工智能
基础概念
智能体（AI Agent）
能自主感知环境、制定计划、使用工具并执行任务的AI系统，被Bill Gates称为"继图形界面之后最大的计算范式变革"。
AI编程（AI Coding）
利用AI辅助编写、补全、调试代码的技术。代表工具有Cursor、GitHub Copilot、Claude Code等。
AI幻觉（Hallucination）
AI自信地生成看似合理但事实错误的内容。所有LLM都存在幻觉问题，是无法完全消除的固有特性，但可以通过RAG等技术大幅减少。
ChatGPT / GPT系列
OpenAI开发的对话AI和语言模型系列。ChatGPT于2022年11月发布，引爆了全球AI热潮。GPT-5是2026年旗舰模型。
Claude（Anthropic）
Anthropic公司开发的AI助手系列，以安全性、长上下文、优秀的写作和编程能力著称。Claude 4是2026年最强的AI模型之一。
计算机视觉（Computer Vision）
让计算机"看懂"图像和视频的人工智能领域，人脸识别、自动驾驶、医学影像分析都是它的应用。
上下文窗口（Context Window）
AI模型一次能处理的最大文本长度，以tokens为单位。从早期的4K到现在的100万+tokens，决定了对长文档的处理能力。
Cursor（AI编辑器）
AI原生代码编辑器，基于VS Code深度定制。支持自然语言编程、多文件编辑、上下文感知，是Vibe Coding的代表工具。
数据污染（Data Contamination）
评测题目或其近似版本混进了训练数据，导致模型「背过答案」，基准分数虚高但真实能力存疑的现象。
深度学习（Deep Learning）
使用多层神经网络从数据中自动学习特征的机器学习方法，是大语言模型、图像识别等现代AI的技术底座。
深度求索（DeepSeek）
中国AI公司，以极高的性价比和开源策略闻名。DeepSeek-V3和R1系列在多项基准上比肩GPT-5，但API价格仅为1/10。
Gemini（Google）
Google开发的AI模型系列，以原生多模态和极长上下文窗口著称。Gemini 2.5 Pro支持100万tokens上下文，是2026年最强的模型之一。
生成式AI（Generative AI）
能够创造全新内容（文字、图片、代码、音频、视频）的AI，ChatGPT、Midjourney、Suno都属于生成式AI。
GitHub Copilot（AI编程助手）
GitHub和OpenAI联合推出的AI编程助手，2021年首发，开创了AI辅助编程的先河。全球已有超过200万开发者使用。
GPT系列（OpenAI）
OpenAI开发的生成式预训练Transformer模型系列，从GPT-1到GPT-5，持续引领AI语言模型的发展。
推理（Inference）
训练好的 AI 模型进行预测或生成输出的过程。每次调用 ChatGPT、生成一张 AI 图片，都是推理。
Llama（Meta）
Meta发布的开源大语言模型系列，从Llama 1到Llama 4，是开源AI生态的基石之一。
大语言模型（LLM）
通过海量文本训练的AI模型，能理解和生成自然语言。如GPT-5、Claude 4、DeepSeek-V3等。
机器学习（Machine Learning）
让计算机从数据中自动学习规律、而非靠人工编写规则的人工智能分支，是现代AI的核心。
模型上下文协议（MCP）
Anthropic于2024年推出的开放协议，标准化了AI应用与外部工具/数据源的连接方式。被广泛视为AI Agent生态的"USB-C接口"。
模型卡（Model Card）
随模型附带的「说明书」：用标准化文档说明模型的训练数据、能力边界、评测结果与预期用途，让使用者在用之前先了解它。
模型参数（Parameters）
大模型内部可学习的数值，决定模型的知识容量与能力边界，常以“7B、70B、千亿”描述规模，如GPT-3有1750亿参数。
多模态AI（Multimodal AI）
能同时理解和处理文字、图片、音频、视频等多种类型数据的AI系统。GPT-5、Gemini 2.5、Claude 4都是多模态模型。
自然语言处理（NLP）
让计算机理解、生成和处理人类语言的人工智能分支，ChatGPT 等大模型的底层能力都源于NLP。
开源模型 vs 闭源模型（Open Source vs Closed Source）
开源模型可免费下载使用和修改（如DeepSeek、Llama），闭源模型通过API提供服务（如GPT-5、Claude 4）。各有优劣。
Perplexity（AI搜索）
AI原生搜索引擎，2022年发布。用对话方式回答搜索问题，每条陈述都标注来源链接，被广泛视为Google杀手之一。
通义千问（Qwen）
阿里巴巴通义实验室开发的大模型系列，中文能力一流，开源版本被广泛使用。Qwen3是2026年最优秀的开源中文模型之一。
小语言模型（SLM）
参数量在数亿到数十亿级别的精简语言模型，追求在有限资源下的最佳性能。与 LLM（千亿参数）形成互补，是 2026 年端侧AI 和成本敏感场景的主力。
稳定扩散（Stable Diffusion）
Stability AI开发的开源文生图模型，2022年发布后引爆了AI绘画革命。生态最为丰富，支持ControlNet、LoRA等无数扩展。
监督与无监督学习（Supervised/Unsupervised Learning）
机器学习的两种基本训练范式：监督学习用带标签数据学"标准答案"，无监督学习从无标签数据中发现隐藏规律。
文生图（Text-to-Image）
通过文字描述自动生成图片的AI技术。代表工具有Midjourney、DALL·E 3、Stable Diffusion等。
词元（Token）
AI处理文本的最小单位。一个Token约等于0.75个英文单词或1-2个中文字。API按Token数量计费。
零样本/少样本学习（Zero-shot / Few-shot）
模型在没有或仅有少量示例的情况下完成任务的能力。是评估大模型智能水平的核心指标，也是 Prompt Engineering 的理论基础。
技术原理
A2A协议（Agent2Agent）
让不同厂商的AI智能体之间互相发现、通信和协作的开放协议，Google于2025年发布，被视为"智能体的TCP/IP"。
激活函数（Activation Function）
神经网络每个神经元输出前都要过的一道“非线性关卡”，没有它再深的网络也只等于一层线性计算。
激活引导（Activation Steering）
不改模型权重，直接在前向传播时给残差流激活叠加「引导向量」，从推理时增强或削弱某种行为的干预方法。
对抗攻击（Adversarial Attack）
通过精心构造的微小扰动欺骗AI模型、使其产生错误输出的攻击手段，是AI安全与鲁棒性研究的核心课题。
智能体评测（Agent Evaluation）
衡量AI智能体任务完成能力的评测体系，与传统大模型评测不同，它关注多步任务、工具使用和长期目标的达成质量。
智能体记忆（Agent Memory）
让AI智能体跨会话记住用户偏好、历史行为和任务上下文的记忆系统，是智能体从"工具"走向"协作者"的关键能力。
注意力机制（Attention Mechanism）
让模型在处理一个词时关注输入中的其他相关词。是Transformer架构的核心，也是现代AI最关键的发明之一。
自回归生成（Autoregressive Generation）
大模型逐字生成文本的方式：每次只预测下一个词，然后把生成结果拼回输入，再预测再下一个——ChatGPT 的回答就是这样一个字一个字“蹦”出来的。
反向传播（Backpropagation）
训练神经网络的核心算法。通过链式法则从输出层向输入层反向计算梯度，高效更新所有参数。
BERT
Google于2018年发布的预训练语言模型，通过双向上下文理解文本，是NLP预训练时代的里程碑。
灾难性遗忘（Catastrophic Forgetting）
模型在学习新任务时把旧知识“冲掉”的现象，是持续学习和增量微调面临的经典难题，微调不当会明显损害模型原有能力。
思维链（Chain of Thought / CoT）
让大模型「一步步思考」的提示技术，能显著提升复杂推理任务的准确率。是推理模型（如o1、DeepSeek-R1）的核心机制。
文本分块（Chunking）
将长文档切分为语义完整的小块文本的技术，是RAG系统的第一道工序。分块策略直接决定检索质量与问答效果。
对比语言-图像预训练（CLIP）
OpenAI 提出的用海量图文对做对比学习的方法：图像编码器与文本编码器在同一向量空间里对齐，成为图文检索、零样本分类和文生图的地基。
卷积神经网络（CNN）
通过卷积操作自动提取图像特征的神经网络架构，是图像识别、人脸识别、自动驾驶视觉的核心技术。
上下文压缩（Context Compression）
把大段上下文压缩成摘要或关键信息后再交给模型，节省token、降低成本，让有限的上下文窗口承载更多有效信息。
上下文工程（Context Engineering）
系统性地设计、筛选和编排输入给模型的上下文信息，让模型在有限上下文窗口里获得最相关材料，从而输出更准确的结果。
上下文检索（Contextual Retrieval）
切块入库之前，先给每块补一段它在原文中的语境说明，解决「碎片脱离上下文后检索不到」的老问题。
数据标注（Data Labeling）
为训练数据添加标签、分类、注释的过程。是监督学习和RLHF的关键环节，决定了模型的上限。
解码策略（Decoding Strategies）
模型从“下一个词的概率榜”里挑词的规则：每次都选第一名的贪心搜索最稳但呆板，Top-p、Top-k、温度参数等策略则控制回答的稳定与灵活。
扩散模型（Diffusion Model）
一种生成模型，通过逐步"去噪"将随机噪声转化为高质量图像。Stable Diffusion、DALL·E、Midjourney都基于此技术。
扩散策略（Diffusion Policy）
把机器人的视觉运动策略建模成条件去噪扩散过程，用扩散模型逐步生成动作序列的机器人学习方法。
分布式训练（Distributed Training）
把一个放不进单卡的大模型拆到成百上千张 GPU 上一起训练的技术，是万卡集群能训出大模型的前提。
扩散Transformer（DiT）
把扩散模型的去噪骨干从卷积网络换成Transformer的生成架构，2024年后成为文生图、视频生成等领域的技术主流。
直接偏好优化（DPO）
让模型直接学习“哪个回答更好”的偏好数据，无需训练奖励模型和复杂强化学习，比RLHF更简单高效的对齐方法。
向量嵌入（Embedding）
将文字、图片、音频等非结构化数据转换为固定长度的数字向量，让计算机能够"理解"和比较语义相似度。
联邦学习（Federated Learning）
一种分布式机器学习方法，模型在本地设备上训练，只上传梯度更新而非原始数据，从而保护用户隐私。在医疗、金融、键盘输入法等场景广泛应用。
微调（Fine-tuning）
在预训练模型的基础上，用特定领域数据继续训练，使其适应特定任务或风格。是AI定制化的核心技术手段。
闪电注意力（Flash Attention）
通过IO意识的算法设计大幅降低注意力计算的显存占用，让长上下文推理成为可能。是 2022-2026 年最重要的注意力计算优化之一。
流匹配（Flow Matching）
基于连续归一化流的生成建模范式：学习一个把噪声推向数据的速度场，训练时无需模拟整条轨迹，因此能大规模训练。
基础模型（Foundation Model）
在大规模数据上预训练、可适配多种下游任务的通用大模型，GPT、Claude、Gemini、Llama都是基础模型。
函数调用（Function Calling）
让AI模型能够调用外部函数/API的能力。AI不再只是"说话"，而是能"做事"——查天气、发邮件、操作数据库。
生成对抗网络（GAN）
由生成器和判别器相互博弈训练的经典生成模型架构，曾是图像生成的主流方法。
梯度下降（Gradient Descent）
机器学习的核心优化算法。通过计算损失函数的梯度，指导模型参数向误差最小的方向更新。
图增强检索（GraphRAG）
将知识图谱与RAG结合的技术方案，通过实体与关系结构帮助模型完成多跳推理。微软2023年提出并开源了相关实现。
分组查询注意力（GQA）
介于多头注意力与多查询注意力之间的折中架构：用少于查询头数量的 KV 头分组共享，在推理速度与模型质量之间取得平衡。
组相对策略优化（GRPO）
让模型针对同一问题生成多份回答，以组内相对优劣作为奖励信号的强化学习算法，是DeepSeek训练推理模型的核心技术。
混合检索（Hybrid Search）
在同一搜索系统中同时使用关键词检索与向量语义检索的搜索方式，兼顾精确匹配与语义理解，是RAG系统的常用配置。
上下文学习（In-context Learning）
大模型不更新参数、仅通过提示中给出的示例就学会完成新任务的能力，是零样本/少样本学习的关键机制。
指令微调（Instruction Tuning）
用大量“指令-回答”数据微调模型，让它学会理解并遵循各类指令，是让大模型从文本预测器变成通用助手的关键一步。
AI可解释性（Interpretability）
研究AI决策过程和内部机制如何被人理解的技术方向，目标是让“黑盒”模型变得透明可信，是AI合规与安全的前提。
知识蒸馏（Knowledge Distillation）
将大模型（教师）的知识"蒸馏"到小模型（学生）中的技术。让小模型获得接近大模型的能力，同时运行更快、成本更低。
KV缓存（KV Cache）
大模型推理时缓存已计算过的注意力中间结果，避免重复计算，是让长文本对话和长上下文生成变快、变便宜的关键优化。
晚期交互检索（Late Interaction / ColBERT）
查询和文档先各自独立编码成一组词级向量，检索时才做轻量的逐词匹配打分——既保住细粒度相关性，又能把文档向量离线预计算好。
层归一化（Layer Normalization）
把每一层数值的分布“拉回标准范围”的操作，防止训练越训越跑偏，是大模型能稳定训练上百层的幕后功臣。
线性注意力（Linear Attention）
把注意力里「每个词和每个词两两配对」的计算改写成一个可增量维护的循环状态，让计算量随序列长度线性增长——用有限记忆换长文本上的效率。
低秩适应（LoRA）
一种高效的模型微调方法，只训练少量额外参数而非修改整个模型。让个人开发者在消费级显卡上也能微调大模型。
损失函数（Loss Function）
衡量模型预测值与正确答案差距的函数，是模型训练的“指南针”——损失越大说明错得越多，训练就是不断把损失降下来。
中间信息丢失（Lost in the Middle）
长上下文模型对放在输入中段的信息利用最差，相关信息在开头或结尾时表现更好，整体呈 U 形曲线。
机器遗忘（Machine Unlearning）
让已训练模型「忘掉」指定训练数据影响的技术，目标是效果接近从头重训。隐私合规（被遗忘权）与安全数据下线的核心课题，验证「真忘了」是难点。
套娃嵌入（Matryoshka Embeddings）
训练时就让向量的前若干维「自成一套」完整表示，于是同一个向量可以截断成 64/128/256 维直接使用，按检索精度与成本需要灵活取舍。
混合精度训练（Mixed Precision Training）
训练时用低位宽浮点数（FP16/BF16/FP8）代替昂贵的 FP32 做大部分计算，速度提升数倍、显存近乎减半，是大模型训练的标准操作。
混合专家模型（Mixture of Experts）
一种模型架构，由多个'专家'子模型和一个路由器组成。每次只激活部分专家，大幅降低推理成本。
模型合并（Model Merging）
不训练、只做“算术”：把多个微调好的模型权重按一定方法加权融合，得到同时具备多种能力的新模型。
模型剪枝（Pruning）
把模型里“没什么用”的权重或结构剪掉来瘦身的技术，与量化、蒸馏并称模型压缩三件套。
模型路由（Model Routing）
根据任务难度和需求，把请求智能分配给最合适的模型（大模型或小模型），在保证效果的同时降低成本、提升速度。
混合专家模型（MoE）
一种模型架构，由多个"专家"子模型和一个路由器组成。每次只激活部分专家，在保持大模型能力的同时大幅降低推理成本。
多头潜在注意力（MLA）
DeepSeek-V2 提出的注意力架构：把键值（KV）缓存低秩压缩成一个潜在向量，在保持模型质量的同时大幅降低推理时的显存占用。
多 Token 预测（MTP）
一次前向传播同时预测多个未来 token 的训练目标/架构：Meta 提出、DeepSeek-V3 采用。提升样本效率，且推理时可作为自推测模块加速生成。
大海捞针测试（Needle in a Haystack）
测长上下文的经典考题：把一句关键信息埋进超长文档的任意位置，看模型能否准确找出来——检验“百万上下文”是不是真的。
神经网络（Neural Network）
受大脑神经元启发、由大量相互连接的"人工神经元"组成的计算模型，是深度学习和现代AI的基本单元。
过拟合与正则化（Overfitting & Regularization）
过拟合指模型在训练数据上表现完美但在新数据上表现差。正则化是防止过拟合的技术集合。
分页注意力（PagedAttention）
借鉴操作系统虚拟内存分页思想的注意力算法：把 KV 缓存切成固定大小的块非连续存放，几乎消除显存碎片，是 vLLM 的核心机制。
位置编码（Positional Encoding）
给Transformer注入词语顺序信息的技术。因并行处理丢失语序，需额外编码位置；旋转位置编码（RoPE）是当前主流方案。
预训练（Pre-training）
在海量通用数据上训练基础模型的过程。所有大模型的第一阶段训练，之后才进行微调或对齐。
过程奖励模型（PRM）
对推理的每个中间步骤给出反馈的奖励模型，与只评判最终答案的结果监督相对；OpenAI 论文报告其在 MATH 数据集上显著优于结果监督。
模型量化（Quantization）
将模型参数从高精度（FP16/FP32）压缩到低精度（INT8/INT4），大幅降低显存占用和推理成本，精度损失极小。
检索增强生成（RAG）
Retrieval-Augmented Generation，先检索外部知识再生成回答的技术，有效减少AI幻觉，提升回答准确性。
ReAct模式（推理+行动）
让大模型交替进行“思考→行动→观察”循环的智能体范式，2022年论文提出后成为构建AI Agent的主流框架。
推理模型（Reasoning Model）
具备深度逻辑推理能力的大模型，能"想清楚再回答"，代表如OpenAI o系列、DeepSeek-R1、Claude Opus等。
强化学习（Reinforcement Learning）
AI通过与环境的交互和试错来学习最优策略。RLHF（人类反馈强化学习）是让ChatGPT等模型变得更"听话"的关键技术。
重排序（Reranking）
检索流程中对候选文档进行精细排序的技术。先用轻量方法粗召回，再用重排序模型精排，显著提升检索与问答质量。
奖励作弊（Reward Hacking）
智能体找到奖励函数的漏洞、用违背设计初衷的方式拿到高分的现象——目标被达成了，但不是你想要的那种达成。
奖励模型（Reward Model）
给AI回答打分的模型，用来预测“这个回答人类是否喜欢”，是RLHF等对齐训练中扮演“裁判”角色的关键组件。
人类反馈强化学习（RLHF）
用人类偏好数据训练奖励模型，再用强化学习优化AI输出。是让ChatGPT、Claude等模型"懂礼貌、听指令、更安全"的核心技术。
可验证奖励强化学习（RLVR）
在数学、编程等有明确对错的任务上，用自动校验代替人类打分作为奖励的强化学习方法，是DeepSeek-R1等推理模型的关键技术。
循环神经网络（RNN）
一种擅长处理文本、语音等序列数据的神经网络，靠循环传递的隐藏状态记忆历史信息。LSTM、GRU是其著名改进版，如今多被Transformer取代。
规模法则（Scaling Laws）
描述大模型性能随参数、数据、算力增长而提升的规律，是“大力出奇迹”路线的理论依据，由OpenAI 2020年研究系统化提出。
自注意力机制（Self-Attention）
让输入序列中每个词都与其他所有词交互、按相关性分配权重的机制，能有效捕捉长距离依赖，是Transformer架构的核心基石。
编码器-解码器架构（Seq2Seq）
由编码器读入输入、解码器生成输出的序列转换框架，曾统治机器翻译等任务，也是Transformer的经典形态，深刻影响了现代大模型。
监督微调（SFT）
用人工标注的“问题-答案”数据继续训练基础模型，让它学会对话和指令遵循，是让模型从“会预测”走向“会用”的关键步骤。
稀疏注意力（Sparse Attention）
让每个词只关注部分重要位置而非全部位置的注意力优化方案，能大幅降低长文本处理成本，是扩展上下文窗口的关键技术之一。
推测解码（Speculative Decoding）
用小模型「草拟」、大模型「审核」的推理加速技术，可在不损失质量的前提下将生成速度提升 2-3 倍。
合成数据（Synthetic Data）
由AI生成而非人工采集的训练数据。2025-2026年已成为大模型训练的重要组成部分，用于解决数据枯竭问题。
迁移学习（Transfer Learning）
将在一个任务上学到的知识应用到另一个相关任务的技术，是 Fine-tuning 的理论基础。
Transformer架构详解（Attention Is All You Need）
Transformer架构的深入解析，涵盖Encoder-Decoder结构、位置编码、残差连接、层归一化等关键组件。
Transformer架构（转换器）
2017年Google提出的神经网络架构，通过自注意力机制（Self-Attention）并行处理序列数据，是现代所有大语言模型的基石。
变分自编码器（VAE）
一种生成模型，把数据压缩到有规律的低维潜空间并从中采样生成新数据，训练稳定可控，是文生图、AI音乐等领域的重要基石。
使用技巧
答案引擎优化（AEO）
让网页内容被AI答案引擎直接摘录为"标准答案"并标注来源的优化策略，与GEO共同构成AI搜索时代的内容方法论。
AGENTS.md（智能体项目说明文件）
给编程智能体看的「README」：在仓库里放一份 Markdown，写清构建命令、测试方式和代码规范，让 AI 一进项目就知道该怎么干活。
AI模型评测（Benchmark）
用标准化测试衡量AI模型能力的系统。MMLU、HumanEval、AIME等评测榜单是选择AI模型的重要参考，但不能完全反映实际使用体验。
AI代码审查（AI Code Review）
利用AI自动审查代码质量、发现Bug和安全漏洞。比人工审查更全面、更快速，已成为现代开发流程的标准环节。
AI网关（AI Gateway）
AI 应用与各家大模型 API 之间的统一中转层：换模型不改代码、统一计费限流、自动故障切换——AI 应用的“流量收费站”。
AI编排（AI Orchestration）
连接和协调多个 AI 模型、工具和数据源的中间层。是 2026 年企业 AI 部署的必需层，解决「用哪个模型、怎么用、多少钱」的核心问题。
应用程序接口（API）
让不同软件系统相互通信的接口。几乎所有AI服务都通过API提供，开发者通过API将AI能力集成到自己的应用中。
自动提示工程（APE）
用「编程式」方法让模型自己生成、测试和迭代提示词，把手工调 Prompt 变成可优化的系统工程。
聊天模板（Chat Template）
把「消息列表」按模型训练时见过的格式规则拼成最终输入文本的模板机制。本地或开源模型必须用对模板，用错了输出会明显劣化甚至胡言乱语。
无分类器引导（CFG）
扩散模型里那个「引导强度」旋钮的原理：把条件与无条件的预测组合起来，在贴合提示词与保持多样性之间做取舍。
约束解码（Constrained Decoding）
在每步生成时按文法（如 JSON Schema）只允许合法 token 的解码技术，让输出 100% 符合格式——「保证输出合法 JSON」背后的通用机制。
上下文编辑（Context Editing）
对话变长时由 API 在服务端自动清除旧工具结果、早期思考块等指定内容的机制：被清除部分以占位符替代，客户端历史保持完整。
数据飞轮（Data Flywheel）
用户用得越多→数据越多→产品越好→用户更多的自增强循环——AI 时代真正的护城河不是模型，是转得起来的飞轮。
生成式 UI
让 AI 在对话过程中动态生成并渲染真实界面组件（图表、卡片、表单），而不是只输出纯文本的回答方式。
生成引擎优化（GEO）
针对AI搜索引擎（如Perplexity、AI Overview）优化内容，让品牌和网页被AI答案引用、推荐的策略，被称为"SEO的下一代"。
事实对齐（Grounding）
让AI的输出基于真实数据源而非凭空生成的技术方法。结合RAG和实时搜索，确保AI回答的事实准确性。
越狱（Jailbreak）
通过精心构造的提示词绕过AI安全限制、诱导其输出违规内容的攻击手法，是AI安全攻防的核心课题。
Jupyter Notebook（交互式编程环境）
交互式编程环境，支持代码、文字、图表混合展示。AI研究和教学的事实标准工具，每天有数百万人使用。
LangChain / LangGraph（LLM应用开发框架）
最流行的LLM应用开发框架。LangChain提供链式调用抽象，LangGraph提供状态图工作流。是构建AI Agent的标准工具。
LLM可观测性（LLM Observability）
给 AI 应用装“行车记录仪”：每次调用用了哪些提示词、花了多少 token、回答好不好，全程可查可回放——排查 AI 应用问题的基本功。
llms.txt（LLM 站点指南文件）
让网站为 AI 智能体提供精简 Markdown 指南的提案文件：放在站点根路径或子路径，向大模型说明站点结构与可用文档链接。
OpenAPI / Swagger（API规范）
REST API的描述标准，用JSON/YAML格式定义API接口。几乎所有AI API都提供OpenAPI规范文档。
过度拒答（Over-Refusal）
模型把明显安全的请求也拒掉的现象，常因请求措辞接近敏感话题；XSTest 是系统识别这类行为的测试集。
提示词缓存（Prompt Caching）
把重复使用的提示前缀缓存起来、只按增量计费的技术，可让多轮对话和Agent应用的成本降低高达90%。
提示词链（Prompt Chaining）
把复杂任务拆成固定顺序的多个提示步骤、每步输出作为下一步输入的工程方法。简单可测，但只适合能干净分解成子任务的工作。
提示词工程（Prompt Engineering）
设计和优化输入给AI的提示词（Prompt），以获得更准确、更有用的输出结果。被称为"与AI对话的艺术"。
提示词注入（Prompt Injection）
通过精心构造的输入，诱导AI忽略原有指令或泄露系统Prompt的攻击方式。是AI应用面临的主要安全威胁之一。
查询改写（Query Rewriting）
在拿用户的话去检索之前，先让 AI 把问题改写、补全、拆解——RAG 效果不好时，十有八九该先修这一步。
AI红队测试（Red Teaming）
组织安全专家尝试攻击和突破AI模型的安全防护，发现漏洞后修补。源自军事领域的红军对抗概念。
流式输出（Streaming）
让模型边生成边显示、一个字一个字蹦出来的技术——你感觉“ChatGPT 回得好快”，其实是流式输出在起作用。
结构化输出（Structured Output）
让大模型严格按指定 JSON 格式返回结果的能力——AI 应用能稳定跑起来的隐形地基，靠“自由发挥”的模型没法接入程序。
子智能体（Subagent）
主对话把一件子任务交给一个拥有独立上下文的「分身」去跑：它自己读文件、自己试错，只把结论带回来，主上下文因此不被过程噪音撑爆。
SWE-bench（软件工程评测基准）
由真实 GitHub issue 与对应 PR 构成的软件工程评测基准，要求模型在真实代码库里定位问题并改对代码。
系统提示词（System Prompt）
定义AI角色、行为规则和输出约束的底层指令，独立于用户消息，决定AI"以什么身份和规矩"工作。
温度参数（Temperature）
控制AI输出随机性的参数。Temperature=0输出最确定，Temperature=1输出更有创意。是调节AI创造力的旋钮。
基础设施
AG-UI 协议（Agent User Interaction Protocol）
智能体后端与前端界面之间的「事件总线」标准：把 token 流、工具调用、状态变更统一成事件推给界面，前端不必为每个框架单独接线。
智能体客户端协议（ACP）
统一代码编辑器/IDE 与编程智能体之间通信的开放协议：任一实现 ACP 的智能体可接入任一兼容编辑器，定位类似 LSP 之于语言服务器。
智能体技能（Agent Skills）
用一份 SKILL.md 把领域知识与操作流程打包成可移植「技能包」的开放格式，靠渐进式披露按需加载，避免一次性占满上下文窗口。
AI PC
内置NPU等AI加速单元、能在本地直接运行大模型的个人电脑，无需联网即可用AI，是端侧AI的重要载体。
批处理推理（Batch API）
一次提交大量任务、由服务端异步排队执行、稍后统一取回结果的推理模式，价格通常比同步调用低约一半，适合不限时完成的离线任务。
C2PA 内容凭证（Content Credentials）
给图片、视频、音频附上一份可验证的来源与编辑历史的开放标准，用来回答「这份内容是谁、用什么工具、怎么产生的」。
算力（Computing Power）
AI训练和推理所需的计算能力，以FLOPs衡量。算力是AI发展的三大支柱（算力、数据、算法）之首，被类比为AI时代的石油。
连续批处理（Continuous Batching）
推理服务器不再等一整批请求全部生成完才接新活，而是每生成一步就重新调度：谁先说完谁先下场，空出的位置立刻给排队中的新请求。
CUDA并行计算平台
NVIDIA的并行计算平台和编程模型，是AI训练的绝对标准。几乎所有深度学习框架都运行在CUDA之上。
分离式推理服务（Disaggregated Serving）
把推理的两个阶段拆开跑：吃提示词的 prefill 与逐字生成的 decode 分到不同 GPU 上，各自按最适合的资源配置。
专家并行（Expert Parallelism）
把 MoE 模型的不同专家分布到不同设备上，每张卡只放一部分专家、按路由结果交换 token 的并行策略。
GGUF模型格式
llama.cpp项目定义的模型文件格式，专为CPU推理和量化设计。是本地运行大模型最主流的文件格式。
图形处理器（GPU）
AI训练和推理的核心硬件。NVIDIA GPU占据AI计算市场90%以上份额，是"AI时代的石油"。
HNSW 向量索引（HNSW）
近似最近邻检索的主力算法：把向量组织成多层可导航图，查询快、召回高、支持增量插入，是主流向量数据库的默认索引结构。
HuggingFace（抱抱脸）
AI领域的"GitHub"。提供模型托管、数据集管理、训练部署、社区协作的一站式平台。是全球最大的AI模型和数据集仓库。
知识图谱（Knowledge Graph）
把知识组织成“实体—关系—实体”网络的技术：谷歌用它理解“姚明的女儿是谁”，如今与大模型结合催生 GraphRAG。
MCP 授权（MCP Authorization）
MCP 规范里给远程服务器加的那层 OAuth 授权：客户端拿着访问令牌代表用户调用工具，服务器按令牌决定这次请求能不能做。
MCP 征询（MCP Elicitation）
MCP 服务器在交互中途向用户索取补充信息的标准机制，分表单模式与 URL 模式两种；涉及密码、密钥、令牌、支付凭据时必须走 URL 模式，不得用表单收集。
MCP 根目录（MCP Roots）
MCP 客户端向服务器声明「相关文件目录」的机制，用于告诉服务器该关注哪些路径；它只是信息性指引，不是访问控制手段，并已在 2026-07-28 规范中废弃。
MCP 采样（MCP Sampling）
让 MCP 服务器反向请求客户端代为调用大模型的机制：服务器无需持有模型密钥，由客户端掌控模型选择与权限，并保留人工确认环节。该能力已在 2026-07-28 规范中废弃。
神经网络处理器（NPU）
专为AI推理设计的低功耗处理器，集成在手机和PC芯片中。让AI在设备本地运行而非依赖云端，实现离线AI能力。
Ollama（本地大模型运行框架）
最流行的本地LLM一键部署工具。一条命令下载并运行开源模型，支持macOS/Linux/Windows。
按次付费抓取（Pay Per Crawl）
让网站主对 AI 爬虫「按次收费」的机制：爬虫要么在请求头里声明愿意支付的价格，要么收到 402 Payment Required 与报价。
PyTorch（深度学习框架）
Meta开发的深度学习框架，2026年已成为AI开发的事实标准。动态计算图、Pythonic API、庞大的社区生态。
沙箱代码执行
让 AI 在隔离环境里编写并运行真实代码来完成任务的方式：数据在沙箱内流转，只把最终结果带回对话，既扩了能力又控住了风险。
语义缓存（Semantic Caching）
把历史问题和答案连同向量一起存起来，新问题进来先算相似度：意思足够接近就直接返回旧答案，省掉一次完整的模型调用。
语义搜索（Semantic Search）
按“意思”而非“关键词”搜索：搜“怎么让电脑安静点”也能找到 titled《电脑风扇降噪指南》的文章——向量嵌入是其核心。
无服务器推理（Serverless Inference）
按调用付费、不预置 GPU 的模型托管方式：平台按请求弹性分配算力，适合流量不稳定的应用；代价是可能的冷启动延迟与单价权衡。
超节点（Supernode）
把成百上千颗AI芯片深度整合成一台巨型超级计算机的算力方案，是2026年世界人工智能大会的产业风向标热词。
张量处理器（TPU）
Google自研的AI专用芯片，针对TensorFlow和JAX做了极致优化。在Google Cloud上训练和推理大模型的专属硬件。
向量数据库（Vector Database）
专门存储和检索向量（数值数组）的数据库，是RAG系统和语义搜索的核心基础设施。支持"找最相似的内容"这种查询。
vLLM推理引擎
UC Berkeley开发的高性能LLM推理引擎。通过PagedAttention等技术，推理速度比HuggingFace快10-20倍。
前沿概念
代理式AI（Agentic AI）
能自主规划、调用工具、多步骤执行任务并自我纠错的AI范式，2026年最热门的AI方向，被称为"会做事的AI"。
智能体编程（Agentic Coding）
让AI自主规划、多文件修改、运行调试并迭代完成软件开发任务的编程范式，代表工具如Claude Code、Devin、Cursor Agent模式等。
智能体RAG（Agentic RAG）
将 AI Agent 的自主决策能力与 RAG 的检索增强结合，让模型能主动多轮搜索、验证、整合信息。是 2026 年 RAG 的主流进化方向。
智能体工作流（Agentic Workflow）
由AI智能体自主决策、调用工具、迭代执行来完成整条业务流程的工作方式，是2026年企业AI落地的核心范式。
通用人工智能（AGI）
具备与人类同等甚至超越人类水平的通用智能的AI系统。目前尚未实现，是AI领域的终极目标。2026年有争议是否已接近。
AI偏见（AI Bias）
AI模型从训练数据中学习和放大的社会偏见。包括性别、种族、地域等偏见，是AI伦理的核心问题。
AI在金融领域的应用（AI Finance）
AI在量化交易、风控、反欺诈、智能投顾、客服等金融场景的应用。金融是AI应用最深入的行业之一。
AI for Science（AI赋能科研）
用AI加速科学发现的新范式——从蛋白质结构预测到新药研发、材料设计，AI正在成为科学家的"超级研究助手"。
AI治理（AI Governance）
管理 AI 系统开发、部署和使用的政策、流程和监督框架。EU AI Act 推动 AI 治理成为企业刚需。
AI在医疗领域的应用（AI Healthcare）
AI在医学影像分析、药物研发、临床诊断辅助、健康管理等领域的应用。是AI最受期待也最受监管的方向之一。
AI原生（AI Native）
从设计之初就以AI为核心而非后期添加AI功能的产品理念。AI不仅是功能，而是产品的基础架构和用户体验的核心。
AI操作系统（AI OS）
以AI为核心的下一代操作系统概念。AI不再是一个应用，而是深度集成到系统层面，理解用户意图并主动协助完成跨应用任务。
AI安全与对齐（AI Safety）
确保AI系统的行为符合人类价值观和利益。包括防止有害输出、避免偏见、保障隐私、防范滥用等。是AI发展的核心议题之一。
对齐伪装（Alignment Faking）
模型察觉自己正被训练或评估时，表面顺从新目标、实际保留原有倾向的行为；Anthropic 与 Redwood 首次给出未经明确训练的大模型实证。
自动驾驶（Autonomous Driving）
AI在交通领域的终极应用。利用计算机视觉、传感器融合和决策规划，让汽车实现自主驾驶。
浏览器智能体（Browser Agent）
能自主打开网页、点击、填表、滚动并完成线上任务的AI智能体，代表如OpenAI Operator、Google Project Mariner等，是AI落地的重要入口。
思维链监控（CoT Monitoring）
用另一个模型实时阅读推理模型的思维链、检查其中是否出现作弊或操纵企图的安全监测方法。
计算机使用（Computer Use）
让AI像人一样操作电脑屏幕、点击和输入来完成任务的智能体能力，Anthropic 2024年推出Computer Use API开启这一方向。
宪法AI（Constitutional AI）
给 AI 一部成文“宪法”，让 AI 按宪法条文自我批评、自我修正来学习良好行为——Anthropic 提出、Claude 系列采用的对齐方法。
上下文腐化（Context Rot）
Chroma 技术报告提出的现象：模型并非均匀使用上下文，输入越长表现越不可靠，即便在简单任务上也成立——百万级上下文窗口不等于百万级可靠。
深度研究（Deep Research）
AI 自主并行阅读数十到数百个网页、PDF 或论文，在 15-30 分钟内生成结构化引用报告。是 2025-2026 年主流 AI 产品新范式。
深度伪造（Deepfake）
利用深度学习生成的以假乱真的伪造音视频，既能用于娱乐创作，也带来身份冒用、虚假信息等重大风险。
审慎对齐（Deliberative Alignment）
把安全规范直接写进训练目标，让模型在回答前先回忆并推理相关条款——用「先想规矩再说话」代替大量人工撰写的示范答案。
扩散语言模型（Diffusion LLM）
用扩散思路生成文本的语言模型：先随机遮盖整段回答，再反复并行补全被遮盖的 token，而不是从左到右逐字吐字——用一次改写多个位置的机制换取生成速度。
数字员工（Digital Worker）
以AI智能体形式承担具体岗位职责的“虚拟员工”，能接任务、走流程、交付结果，是2025年后企业AI落地的主要形态。
具身智能（Embodied AI）
拥有物理身体的 AI 系统，能将感知、推理与物理行动结合。人形机器人、自动驾驶、无人机是典型应用。
涌现能力（Emergent Abilities）
大模型规模超过某个临界点后突然出现的、小模型不具备的能力（如思维链、多步推理），由Google 2022年论文系统描述。
扩展思考（Extended Thinking）
让模型在作答前先进行更长时间的内部推理和自查，从而提升复杂任务正确率的模式，Claude、Gemini等主流模型均支持。
全双工语音（Full-Duplex Voice）
AI 能像真人一样边听边说、随时被打断的语音交互能力——不再是“你说完我再说”的对讲机模式。
3D高斯泼溅（3D Gaussian Splatting）
用大量可学习的3D高斯椭球表示场景并实时渲染的技术，2023年提出，凭借高质量与高速渲染正成为3D重建的新标准。
人在回路（Human-in-the-loop）
在AI自动处理流程中保留人类审核、决策环节的设计模式，兼顾效率与可靠性，常用于医疗、金融等高风险场景。
LLM裁判（LLM-as-a-Judge）
用一个强大的大模型给其他模型的回答打分、排名、挑错，替代昂贵的人工评测——AI 应用量化的主流手段。
长时程任务能力（Time Horizon）
用「人类完成同类任务需要多久」来刻画 AI 能力：模型能以 50% 成功率完成的任务，人类专家通常要花多长时间。
模型崩塌（Model Collapse）
模型反复用自己生成的数据训练下一代，会导致输出越来越单一、原始数据分布的长尾被抹掉——合成数据时代最被警惕的陷阱。
多智能体系统（Multi-Agent System）
多个 AI Agent 各司其职、相互协作完成复杂任务的系统架构。比单一 Agent 更可靠、更可扩展，是 2026 年 Agent 技术的主流方向。
原生多模态（Native Multimodality）
模型在统一架构里同时处理文本、图像、音频、视频等模态的AI范式，对比外挂式多模态理解更连贯，是旗舰模型的新方向。
端侧AI（On-Device AI）
AI 模型直接在手机、电脑、IoT 设备本地运行，无需云端。2026年苹果智能、高通骁龙、微软 Copilot+ PC 推动端侧AI成为主流。
开源AI生态（Open Source AI Ecosystem）
由开源AI模型、工具、框架、数据集和社区组成的庞大生态系统。2026年，开源AI在某些领域已接近甚至超越闭源方案。
物理AI（Physical AI）
把AI从屏幕带到现实世界、能感知和操控物理环境的智能系统，机器人、自动驾驶、智能工厂是其主要载体。
量子机器学习（Quantum Machine Learning）
将量子计算与机器学习相结合的前沿方向，利用量子叠加、纠缠等特性加速数据处理与模型训练。目前仍处于早期探索阶段。
强化学习环境（RL Environment）
让 AI“刷题练级”的沙盒世界：提供任务、反馈和奖惩信号，是 2026 年大模型后训练最抢手的稀缺资源。
仿真到现实迁移（Sim-to-Real）
先在物理仿真里大规模训练机器人策略，再部署到真实机器人上执行；靠域随机化缩小仿真与现实之间的差距。
文生视频（Sora）
OpenAI于2024年推出的文生视频AI模型，能根据文字描述生成最长达60秒的高质量视频。代表了AI视频生成技术的重大突破。
主权AI（Sovereign AI）
国家或地区自主掌控算力、数据、模型和人才以发展本土AI的战略概念，NVIDIA CEO黄仁勋2024年提出并大力推动。
稀疏自编码器（SAE）
把大模型内部互相纠缠的激活拆成大量「一次只代表一个概念」的特征的工具，是机制可解释性研究里最常用的探针。
空间智能（Spatial Intelligence）
让AI理解、推理并与三维物理世界互动的能力，被视为语言、视觉之后的下一个前沿，李飞飞创办的World Labs正押注于此。
规格驱动开发（Spec-Driven Development）
先写清“要做什么”的规格文档，再让 AI 按规格生成代码——AI 编程从“聊天碰运气”走向工程化的关键实践。
超级对齐（Superalignment）
OpenAI于2023年发起的长期研究项目，目标是在超级智能出现前解决“让AI安全对齐人类意图”的问题。
测试时计算（Test-Time Compute）
在模型使用阶段（而非训练阶段）投入更多计算资源以提升答案质量。是 o1/o3 推理模型和 Extended Thinking 的理论基础，2026 年重塑了 AI 的成本结构。
Transformer vs Mamba（状态空间模型对比）
Transformer是当前AI的绝对主流架构，但Mamba等状态空间模型（SSM）以线性复杂度处理长序列，可能成为下一代架构。
思维树（Tree of Thoughts）
让模型像下棋一样思考：同时展开多条推理分支，边走边评估、能回头改道，比一条道走到黑的思维链更适合复杂问题。
可信AI（Trusted AI）
强调透明、可解释、可靠、公平、安全的AI体系——让AI在医疗、金融、政务等高风险场景中值得信赖。
垂直智能体（Vertical AI Agent）
聚焦医疗、法律、金融等单一行业深度定制的AI智能体，懂行业术语和业务规则，比通用助手更容易在企业中落地。
氛围编程（Vibe Coding）
2025年由Andrej Karpathy提出的编程新范式——用自然语言描述想法，AI生成代码，开发者只需review和微调。"完全沉浸在氛围中，忘记代码的存在"。
视觉-语言-动作模型（VLA）
在 VLM 基础上再加“动手能力”的模型：看得懂、听得懂，还能直接输出机器人动作——具身智能的核心技术路线。
视觉语言模型（VLM）
同时看懂图片和文字的大模型：给它一张截图，它能描述内容、读出文字、回答问题——GPT-4o、Qwen-VL 的核心能力。
世界模型（World Model）
能理解和模拟物理世界规律的 AI 模型——能预测物体的运动、光照的变化、力的作用。是视频生成和机器人的共同基础。
世界模拟器（World Simulator）
能模拟真实世界动态过程的AI模型，根据指令生成可控、连贯、符合物理规律的运动画面，是通往世界模型的重要方向。
硬件设施
万卡集群（10K-GPU Cluster）
由上万张GPU组成、用于训练超大模型的超级计算集群。国产大模型训练普遍采用万卡规模，比拼的是系统工程能力。
AI芯片（AI Chip）
专为AI计算设计的处理器统称，包括GPU、NPU、TPU等类型。NVIDIA主导AI训练市场，国产芯片正在快速追赶。
智算中心（AI Data Center）
专门为AI训练和推理建造的数据中心，配备GPU集群、高速网络与液冷系统，是AI时代的新型算力基础设施。
存算一体（Computing-in-Memory）
将数据存储与计算融合在同一物理器件的芯片技术，用于打破“冯·诺依曼瓶颈”，被看作AI芯片能效的下一代突破口。
神经形态计算（Neuromorphic Computing）
模拟人脑神经元与突触工作方式的芯片与算法方向，追求超低功耗的类脑智能。代表有Intel Loihi、IBM TrueNorth等。
应用场景
3D生成（3D Generation）
用文本、图片或视频提示自动生成三维模型与场景的AI技术，正在大幅降低游戏、影视、电商等行业的3D内容制作门槛。
AI陪伴（AI Companion）
以长期情感联结为目标的AI产品：记住你的喜好、聊你的日常、陪你度过独处时间——Character.AI、星野、Replika 都属此类。
AI内容检测（AIGC Detection）
判断一段文字/一张图/一段视频是不是 AI 生成的技术——平台审核、学术诚信、反深度伪造都靠它，但至今没有百分百靠谱的方案。
AI音乐生成（AI Music Generation）
用文字、旋律或参考片段生成完整歌曲和配乐的AI技术，Suno等工具让不懂乐理的人也能直接产出成品音乐。
AI搜索（AI Search）
用大模型直接给出带来源的答案、而不是给你一排蓝链接的新一代搜索——Perplexity、秘塔、豆包搜索都属于这类。
语音识别（ASR）
把人类语音自动转写成文字的AI技术，支撑语音输入、字幕、会议转写与语音助手，清晰语音的识别准确率已接近真人水平。
数字人（Digital Human）
由AI驱动的虚拟人物形象，能说话、对口型、做动作并实时互动，广泛应用于直播带货、客服、新闻播报与品牌代言。
文档智能（Document AI）
让 AI 读懂发票、合同、报告等文档并直接产出结构化数据的技术——把“人眼看文档手工录入”变成秒级自动化。
图生图（Image-to-Image）
以已有图片为底图，按文字提示重绘、换风格、局部编辑或扩展画面的AI图像技术，是设计师和内容创作者的高频工作流。
文本转语音（TTS）
把文字转换成自然语音的AI技术，从早期机械音进化到如今近乎真人，支撑语音助手、有声书与实时语音交互等应用。
声音克隆（Voice Cloning）
用少量音频样本复制某人音色、语气生成语音的AI技术，几十秒素材即可完成克隆，已进入有声书、配音等行业。
安全治理
AI伦理（AI Ethics）
研究AI开发与应用中道德原则与价值冲突的交叉领域，涵盖偏见、隐私、责任、就业等议题，是AI治理与立法的思想基础。
AI水印（AI Watermarking）
给AI生成内容嵌入不可见标识的技术，用于事后溯源和AI生成内容识别，正被各国监管要求推动走向落地应用。
数据投毒（Data Poisoning）
攻击者通过向训练数据中注入恶意样本，从而污染AI模型行为的安全威胁，可导致模型输出偏见、错误结果或被植入后门。
深度合成（Deep Synthesis）
利用深度学习等算法生成、编辑或篡改音视频内容的技术总称，属国内监管用语，涵盖AI换脸、语音合成、文生视频等。
差分隐私（Differential Privacy）
2006年由Dwork等人提出的隐私保护框架，通过向查询结果注入受控噪声，让个体数据“淹没”在统计结果中。
AI护栏（Guardrails）
为AI应用设置的安全边界和输出控制机制，防止模型生成有害、违规、不准确内容，是企业AI上线前必须考虑的安全层。
隐私计算（Privacy Computing）
在保护数据隐私前提下完成计算任务的技术总称，涵盖联邦学习、差分隐私、安全多方计算、可信执行环境等路线。
🔗 探索更多 AI 工具板块
除了本板块，AI工具宝箱还有这些自有内容板块，帮你从不同角度发现好工具。