AI领域核心名词通俗解读

基础模型层

1. LLM（大语言模型）
海量文本训练而成的AI大脑，能够理解、生成人类语言，支持对话、写作、编程、推理。
举例：GPT-4、Claude、Llama3。
2. Token（词元）
模型处理文本的最小单元，把句子切分成小块，AI逐块读取信息，也是计费、长度限制的计量单位。
3. Context Window（上下文窗口）
单次对话模型能够记住的最大内容上限，一般以Token计量；内容超过上限，模型会遗忘前文信息。

交互与知识库层

4. Prompt（提示词）
向AI下达的指令，相当于任务说明书，指令清晰度直接决定输出质量。
5. Embedding（向量嵌入）
将文字、图片转化为高维数字向量，让计算机判断内容是否相似，是检索的基础。
6. Vector DB（向量数据库）
专门存储向量数据的数据库，快速完成相似度检索；代表：Pinecone、Milvus、Weaviate。
7. RAG（检索增强生成）
先检索外部知识库资料，再让模型组织答案，有效缓解AI“幻觉”，适合企业私有知识库问答。

智能体与能力层

8. Agent（智能体）
具备感知环境、自主规划、执行任务能力的AI系统，类似数字员工，可以主动完成复杂目标。
9. Tool / Function（工具/函数）
Agent可调用的外部能力，比如搜索引擎、计算器、数据库API，拓展模型原生能力边界。
10. Skill（技能）
封装完整的一套能力包，整合提示词、工具、执行流程，Agent可直接调用完成一类任务，例如数据分析技能。

模型优化与风险名词

11. Fine-tuning（微调）
在预训练大模型基础上，使用专属业务数据继续训练，让模型适配特定场景、理解行业业务。
12. Hallucination（幻觉）
模型输出看似合理，但事实错误、完全虚构内容，比如编造参考文献、虚假数据。

AI名词科普 大模型基础概念 RAG与Agent入门