06.11 术语表
所属:全栈开发面试题库 / 学习路径 / 06 AI Agent
| 中文术语 | 英文/缩写 | 一句话准确解释 | 出现阶段 |
|---|---|---|---|
| 大语言模型 | LLM | 在海量文本上预训练、按上下文预测下一段内容的大规模神经网络模型 | 阶段 1 |
| Transformer | Transformer | 以自注意力机制为核心的模型结构,是当前主流大模型的基础架构 | 阶段 1 |
| 注意力机制 | Attention | 让模型在处理每个词时按相关性分配对上下文中其他词的关注权重 | 阶段 1 |
| 分词 | Tokenization | 把文本切分成模型可处理的最小片段(token)的过程 | 阶段 1 |
| 词元 | Token | 模型处理与计费的基本单位,一个词或子词对应一个或多个 token | 阶段 0、阶段 1 |
| 上下文窗口 | Context Window | 一次请求中模型能同时看到的输入与输出总长度上限,超出需截断或压缩 | 阶段 1 |
| 截断策略 | Truncation | 上下文超长时按规则丢弃历史、摘要压缩或报错退出的处理方式 | 阶段 1 |
| 采样温度 | temperature | 控制输出随机性的参数,越低越确定保守,越高越发散多样 | 阶段 1 |
| 核采样 | top_p | 按概率累积截断候选词范围的采样参数,与 temperature 共同影响随机性 | 阶段 1 |
| 最大输出长度 | max_tokens | 限制本次模型最多生成的 token 数量,超出即停止 | 阶段 1 |
| 停止序列 | stop | 遇到指定字符串即结束生成的输出控制参数 | 阶段 1 |
| 多模态 | Multimodal | 模型可同时处理或生成文本、图像、音频等多种类型信息 | 阶段 1 |
| 提示词 | Prompt | 发给模型的输入指令与上下文信息,决定模型要完成的任务 | 阶段 0、阶段 2 |
| 零样本 | zero-shot | 不给示例,仅凭指令让模型完成任务的调用方式 | 阶段 2 |
| 少样本 | few-shot | 在提示词中给出少量示例,引导模型按示例格式与风格作答 | 阶段 2 |
| 思维链 | CoT | 让模型把推理过程分步写出来,以提升复杂推理任务正确率的方法 | 阶段 2 |
| JSON 模式 | JSON Schema | 用结构化字段定义约束输出格式的契约,保证解析可预期 | 阶段 2 |
| 结构化输出 | Structured Output | 模型按约定 Schema 直接产出可被程序解析的结构化数据 | 阶段 2 |
| 提示词模板 | Prompt Template | 把固定指令与可变变量分离、可复用与版本管理的提示词组织方式 | 阶段 2 |
| 评测集 | Evaluation Dataset | 固定一批带标准答案或打分标准的用例,用于回归衡量模型与提示词效果 | 阶段 2、阶段 7 |
| 函数调用 | Function Calling | 模型根据工具定义决定是否调用外部函数,并返回结构化调用参数的机制 | 阶段 3 |
| 工具调用 | Tool Calling | Function Calling 的泛称,模型把请求交给外部工具执行再回填结果 | 阶段 3 |
| 工具 Schema | Tool Schema | 用 JSON 描述工具名称、用途、参数类型与约束的定义文件 | 阶段 3 |
| 幂等 | Idempotency | 同一工具被重复执行多次,结果与执行一次相同,重试不会产生副作用 | 阶段 3 |
| 模型上下文协议 | MCP | 标准化 AI 应用连接外部数据源、工具与工作流的开放协议,分为客户端与服务端 | 阶段 3 |
| 工具沙箱 | Sandbox | 隔离执行工具代码的受限环境,限制文件、网络与系统访问以控制风险 | 阶段 3、阶段 7 |
| 检索增强生成 | RAG | 先从知识库检索相关资料,再把资料带入上下文让模型生成带依据答案的技术路线 | 阶段 4 |
| 文本切分 | Chunking | 把长文档切成适合检索与拼装的小段文本的过程 | 阶段 4 |
| 嵌入向量 | Embedding | 把文本映射为一组数值向量,使语义相近的文本在向量空间中距离更近 | 阶段 4 |
| 向量相似度 | Vector Similarity | 用余弦距离等度量衡量两段文本向量语义接近程度的指标 | 阶段 4 |
| 元数据过滤 | Metadata Filtering | 按时间、标签、部门等标量条件先筛文档,再做向量相似度检索 | 阶段 4 |
| 关键词检索 | BM25 | 基于词项匹配与词频统计的传统检索算法,擅长精确术语匹配 | 阶段 4 |
| 混合检索 | Hybrid Search | 结合关键词检索与向量检索两路结果,融合排序后返回候选段落 | 阶段 4 |
| 重排 | Rerank | 对初筛召回的候选结果用更强模型或规则二次精排,保留最相关段落 | 阶段 4 |
| 幻觉 | Hallucination | 模型生成看似合理但无依据、与事实不符或编造来源的内容 | 阶段 4、阶段 7 |
| 拒答 | Refusal | 资料不足或问题超出范围时,模型明确表示无法回答而非强行编造 | 阶段 4 |
| 增量索引 | Incremental Indexing | 文档新增、修改、删除时局部更新向量索引,避免全量重建 | 阶段 4 |
| RAG 评测框架 | RAGAS | 以召回、忠实度、答案相关性等指标系统化评估 RAG 链路质量的工具 | 阶段 4 |
| 反思推理 | ReAct | 模型交替进行推理思考与工具行动、观察结果的 Agent 循环模式 | 阶段 5 |
| 规划执行 | Plan-Execute | 先由规划模块拆解任务步骤,再逐步执行并按反馈修订计划的模式 | 阶段 5 |
| 自我反思 | Reflection | Agent 对已完成步骤自检并修正错误的自我改进机制 | 阶段 5 |
| 子智能体 | subagent | 被主 Agent 委派负责某一类子任务的独立 Agent,完成后返回结果 | 阶段 5 |
| 编排 | Orchestration | 对多步骤、多工具、多 Agent 的流程与状态进行调度与组织 | 阶段 5、阶段 6 |
| 上下文压缩 | Context Compaction | 把冗长历史与中间结果摘要或裁剪,释放上下文窗口空间的手段 | 阶段 5 |
| 长期记忆 | Long-term Memory | 跨会话持久化存储用户偏好、历史事实与结论,按需检索回上下文 | 阶段 5 |
| 检查点 | Checkpoint | 持久化 Agent 当前状态的快照,用于长任务中断后断点续跑 | 阶段 5、阶段 6 |
| 预算控制 | Budget Control | 对 Agent 可消耗的步数、token、时间与成本设上限并兜底退出 | 阶段 5 |
| 状态图 | State Graph | LangGraph 中以节点、边与共享状态描述 Agent 流程的编排模型 | 阶段 6 |
| 服务端推送事件 | SSE | 服务器单向流式推送数据到前端的协议,用于逐字返回模型输出 | 阶段 6 |
| 轨迹追踪 | Trace | 记录一次请求链路中各模型调用、工具调用与状态变化的可回放日志 | 阶段 6 |
| 语义缓存 | Semantic Cache | 按问题语义相似度命中历史回答,避免重复调用模型以降本提速 | 阶段 6 |
| 提示注入 | Prompt Injection | 在输入或资料中夹带恶意指令,诱导模型偏离原定任务的攻击方式 | 阶段 7 |
| 最小权限 | Least Privilege | 工具与账号只授予完成任务所必需的最小权限,降低滥用与越权风险 | 阶段 3、阶段 7 |
| 任务完成率 | Task Completion Rate | 评测中 Agent 独立完成目标任务的用例占比,是 Agent 类项目核心指标 | 阶段 7 |
| Bad case 回流 | Case Feedback Loop | 把线上出错的样本回收进评测集,驱动提示词、工具与检索持续改进的闭环 | 阶段 7 |