AI 术语表
用通俗语言解释关键 AI 概念，从 LLM、RAG 到微调与 Agent。
大语言模型（LLM）
在海量文本上训练的神经网络，通过预测下一个词元来驱动对话、写作、编程等能力。
词元（Token）
模型处理文本的基本单位，英文约 4 个字符、中文约 1–2 个字为一个 token。计费与上下文限制都以 token 计。
检索增强生成（RAG）
从知识库检索相关文档并喂给模型，使其基于你的数据作答的技术。
嵌入（Embedding）
将文本（或图像）表示为捕捉语义的数值向量，从而实现相似度检索。
微调（Fine-Tuning）
在预训练模型基础上用自有数据继续训练，使其掌握特定风格、格式或任务。
LoRA（低秩适配）
一种参数高效微调方法，冻结原始权重、只训练小的低秩矩阵，大幅降低成本。
提示词工程
设计输入（提示词）以稳定获得模型高质量输出的技艺。
AI 智能体（Agent）
能够自主规划、调用工具并多步执行以达成目标的 AI 系统。
模型上下文协议（MCP）
一种开放标准，让模型以统一方式连接外部工具与数据源。
上下文窗口
模型一次能处理的最大 token 数，超出部分会被截断或遗忘。
幻觉
模型自信地生成虚假或捏造内容的现象。可用 RAG、工具调用与校验来缓解。
多模态
能理解并生成文本、图像、音频、视频等多种数据类型的模型。
推理（Inference）
运行已训练模型产生输出的过程，与训练相对。
开源 / 开放权重
源代码或权重公开，可自由使用、研究并自托管的模型或工具。
向量数据库
存储嵌入向量并进行快速相似度检索的数据库，是 RAG 系统的核心。