AI 领域术语繁多，本文按类别系统解释 35+ 个常见术语，从 AI、LLM 到 RAG、Agent、Function Calling，帮你快速建立知识体系。
AI 领域术语繁多，刚接触时很容易一头雾水。本文按 类别 系统解释 35+ 个常见术语，从最基础的 AI、LLM 到 RAG、Agent、Function Calling，帮你快速建立知识体系。
一、基础概念
AI（Artificial Intelligence）— 人工智能
定义： 让机器模拟人类智能行为的科学和技术，包括学习、推理、感知、决策等能力。
范围： AI 是最大的概念，包含 ML 和 DL。
示例： 语音助手、推荐系统、自动驾驶都属于 AI。
ML（Machine Learning）— 机器学习
定义： AI 的一个子集，让计算机通过数据自动学习规律，而不需要显式编程。
核心： 给定数据 → 学习模型 → 对新数据做预测。
示例： 垃圾邮件分类、房价预测、图像识别。
# 简单示例：用 sklearn 训练一个分类模型
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
model.fit(X_train, y_train) # 训练
predictions = model.predict(X_test) # 预测DL（Deep Learning）— 深度学习
定义： ML 的一个子集，使用多层神经网络学习数据的分层表示。
特点： 自动从原始数据中提取特征，无需手动设计特征。
示例： 卷积神经网络（CNN）用于图像，循环神经网络（RNN）用于序列，Transformer 用于语言。
NLP（Natural Language Processing）— 自然语言处理
定义： 让计算机理解、生成人类语言的技术。
任务： 文本分类、情感分析、机器翻译、问答系统、文本生成等。
示例： 翻译软件、智能客服、文本摘要。
CV（Computer Vision）— 计算机视觉
定义： 让计算机”看懂”图像和视频的技术。
任务： 图像分类、目标检测、图像分割、人脸识别等。
示例： 人脸识别解锁、医疗影像诊断、自动驾驶视觉感知。
二、大语言模型
LLM（Large Language Model）— 大语言模型
定义： 在海量文本数据上训练的超大规模语言模型，能够理解和生成自然语言。
特点：
- 参数量巨大（数十亿到万亿级）
- 具备上下文学习能力（Zero-shot、Few-shot）
- 可迁移到多种下游任务
代表： GPT-4、Claude、Gemini、Llama、通义千问。
GPT（Generative Pre-trained Transformer）— 生成式预训练 Transformer
定义： OpenAI 提出的一系列 LLM 架构，基于 Transformer 的 Decoder-only 结构。
命名含义：
- Generative — 生成式，能生成文本
- Pre-trained — 预训练，先在大规模数据上学到语言知识
- Transformer — 基于 Transformer 架构
代表模型： GPT-3、GPT-3.5、GPT-4、GPT-4o。
Transformer
定义： 2017 年 Google 提出的神经网络架构，是当前所有主流 LLM 的基础。
核心机制： Self-Attention（自注意力），让模型能同时关注输入的所有位置，捕捉长距离依赖。
优势： 并行计算效率高，适合处理长序列。
Transformer 架构：
Encoder（编码器）→ 理解输入语义
Decoder（解码器）→ 生成输出文本
Decoder-only（如 GPT）→ 只解码，用于生成任务AIGC（AI Generated Content）— 人工智能生成内容
定义： 利用 AI 技术自动生成文本、图像、音频、视频等内容。
范围： 不仅限于语言模型，还包括文生图（Midjourney、DALL-E）、文生视频、AI 音乐等。
示例： 用 ChatGPT 写文章、用 Midjourney 生成图片、用 Sora 生成视频。
Multi-modal（多模态）
定义： 能同时处理多种类型输入（模态）的模型，如文本 + 图像 + 音频 + 视频。
示例： GPT-4o 能理解文本、图片、音频；Gemini 能处理文本、图像、视频、代码。
对比：
| 单模态 | 多模态 |
|---|---|
| 只能处理文本 | 能同时理解文本和图片 |
| 如 GPT-3 | 如 GPT-4o、Gemini |
AGI（Artificial General Intelligence）— 通用人工智能
定义： 具有人类级别智能的 AI 系统，能在任何智力任务上媲美人类。
现状： 当前所有模型都是 ANI（专用人工智能），只在特定任务上表现优秀。AGI 尚未实现。
对比：
| 类型 | 说明 | 示例 |
|---|---|---|
| ANI | 专用智能，擅长特定任务 | AlphaGo、GPT-4 |
| AGI | 通用智能，媲美人类 | 尚未实现 |
| ASI | 超级智能，超越人类 | 理论概念 |
三、Prompt 相关
Prompt — 提示词
定义： 用户输入给大模型的文本指令，用于引导模型生成期望的输出。
示例：
# 简单 Prompt
"请帮我写一封辞职信"
# 复杂 Prompt
"你是一位资深程序员。请用 Python 写一个快速排序算法，
并附上时间复杂度分析。"System Prompt — 系统提示词
定义： 设定模型行为和角色的高级指令，用户通常不可见，由开发者设置。
示例：
messages = [
{"role": "system", "content": "你是一个有帮助的助手，回答要简洁。"},
{"role": "user", "content": "你好，今天天气怎么样？"}
]作用： 控制模型的语气、风格、行为边界。
Zero-shot — 零样本学习
定义： 不给任何示例，直接让模型完成任务。
示例：
Prompt: "请将以下中文翻译成英文：你好世界"
# 没有给任何翻译示例Few-shot — 少样本学习
定义： 在 Prompt 中提供几个示例，引导模型按照相同格式输出。
示例：
中文：你好 → 英文：Hello
中文：谢谢 → 英文：Thank you
中文：再见 → 英文：
# 模型会生成：GoodbyeChain-of-Thought — 思维链
定义： 引导模型在给出答案前，先展示推理步骤，提高复杂任务的准确性。
对比：
# 普通 Prompt
"8 × 7 + 3 = ?"
# 模型可能答错：59
# Chain-of-Thought Prompt
"8 × 7 + 3 = ? 请逐步思考。"
# 模型会输出：
# 8 × 7 = 56
# 56 + 3 = 59
# 答案：59效果： 对数学、逻辑推理等任务效果显著。
四、模型基础
Token — 词元
定义： 模型处理文本的最小单位，不一定是完整单词，可能是词的一部分。
示例：
文本："LangChain is awesome!"
分词：["Lang", "Chain", " is", " aw", "esome", "!"]
→ 6 个 Token不同模型的 Tokenizer 不同：
- GPT 系列：约 50,000 个 Token
- Claude：约 200,000 个 Token
Context Window — 上下文窗口
定义： 模型一次能处理的最大 Token 数，包括输入和输出。
示例：
| 模型 | 上下文窗口 |
|---|---|
| GPT-3.5 | 4K Tokens（约 3000 字） |
| GPT-4 | 8K~128K Tokens |
| Claude 3.5 | 200K Tokens |
| Gemini 1.5 | 1M Tokens |
影响： 上下文窗口越大，能处理的文档越长，但成本和延迟也越高。
Embedding — 嵌入
定义： 将文本转换为向量（数字数组），使语义相似的文本在向量空间中距离更近。
示例：
# 文本 → 向量（768 维）
"猫" → [0.12, -0.34, 0.56, ..., 0.23]
"狗" → [0.15, -0.32, 0.54, ..., 0.21] # 与"猫"的向量接近
"汽车" → [0.89, 0.45, -0.12, ..., -0.67] # 与"猫"的向量远
# 可以用余弦相似度衡量
cosine_similarity("猫", "狗") > cosine_similarity("猫", "汽车")用途： 语义搜索、相似度匹配、RAG。
Vector Database — 向量数据库
定义： 专门存储和检索 Embedding 向量的数据库，支持高效的相似度搜索。
常用数据库：
- Milvus — 开源、分布式
- Pinecone — 云服务、易用
- Weaviate — 开源、支持多种数据类型
- Chroma — 轻量、适合本地开发
- Faiss — Facebook 出品、快速
示例：
# 用户提问："如何部署 Python 项目？"
# 1. 将问题转为向量
query_embedding = embed("如何部署 Python 项目？")
# 2. 在向量数据库中搜索最相似的文档片段
similar_docs = db.search(query_embedding, top_k=3)
# 3. 将相似文档作为上下文提供给模型
response = llm.generate(prompt, context=similar_docs)五、模型训练与优化
Training — 训练
定义： 用大量数据训练模型，让模型学习语言规律和知识的过程。
阶段：
- 预训练（Pre-training） — 在海量无标注数据上学到语言基础
- 微调（Fine-tuning） — 在特定领域数据上进一步训练
- 对齐（Alignment） — 让模型输出符合人类价值观
预训练：海量文本 → 通用语言模型
↓
微调：领域数据 → 领域专用模型
↓
对齐：人类反馈 → 安全、有用的模型Inference — 推理
定义： 用训练好的模型对新输入生成输出的过程，也叫 预测（Prediction） 或 生成（Generation）。
对比：
| 阶段 | 说明 | 计算量 |
|---|---|---|
| Training | 训练模型，更新参数 | 极大，需要数百张 GPU |
| Inference | 用模型生成回答 | 相对小，单卡可运行 |
示例：
# 推理过程
response = model.generate("你好，世界！")
print(response) # "你好！有什么我可以帮你的吗？"Fine-tuning — 微调
定义： 在预训练模型基础上，用特定领域的数据继续训练，让模型适应特定任务。
适用场景：
- 通用模型在领域任务上效果不够好
- 需要模型输出特定格式
- 需要模型学习领域知识
示例：
# 通用模型
model = ChatGPT()
# 用法律领域数据微调
fine_tuned_model = model.fine_tune(
training_data="legal_documents.jsonl",
epochs=3
)
# 微调后，模型更懂法律术语
response = fine_tuned_model("什么是不可抗力？")
# "不可抗力是指不能预见、不能避免并不能克服的客观情况..."成本： 需要标注数据和计算资源，成本较高。
RLHF（Reinforcement Learning from Human Feedback）— 基于人类反馈的强化学习
定义： 用人类对模型输出的评分来进一步优化模型，让输出更符合人类偏好。
流程：
1. 收集人类对多个模型输出的排序/评分
2. 训练奖励模型（Reward Model）
3. 用强化学习（PPO）优化语言模型效果： 让模型回答更有用、更安全、更符合人类期望。
应用： GPT-4、Claude 都使用了 RLHF。
LoRA（Low-Rank Adaptation）— 低秩自适应
定义： 一种高效的微调方法，只训练少量参数（低秩矩阵），大幅降低微调成本。
对比：
| 方法 | 训练参数 | 成本 | 效果 |
|---|---|---|---|
| 全量微调 | 全部参数（如 175B） | 极高 | 最佳 |
| LoRA | 约 0.1%~1% 参数 | 低 | 接近全量 |
示例：
from peft import get_peft_model, LoraConfig
config = LoraConfig(
r=16, # 秩（低秩维度）
lora_alpha=32, # 缩放系数
target_modules=["q_proj", "v_proj"],
)
model = get_peft_model(base_model, config)
# 只需训练约 0.5% 的参数
model.train(fine_tuned_data)优势： 在消费级 GPU 上也能微调大模型。
RAG（Retrieval-Augmented Generation）— 检索增强生成
定义： 在模型生成回答前，先从外部知识库检索相关信息，作为上下文提供给模型。
流程：
用户提问
→ 将问题转为 Embedding
→ 在向量数据库中检索相关文档
→ 将文档作为上下文 + 问题一起发给模型
→ 模型生成基于事实的回答示例：
# 不使用 RAG
model = ChatGPT()
response = model("公司年假政策是什么？")
# 模型可能编造答案
# 使用 RAG
docs = vector_db.search("公司年假政策", top_k=3)
prompt = f"""
基于以下文档回答问题：
{docs}
问题：公司年假政策是什么？
"""
response = model(prompt)
# 模型基于检索到的文档回答优势：
- 解决模型训练数据过时的问题
- 提供可溯源的事实依据
- 降低幻觉
适用： 企业知识库问答、客服系统、文档搜索。
Hallucination — 幻觉
定义： 模型生成看似合理但实际错误的内容，也叫 模型幻觉。
示例：
用户："请介绍《红楼梦》的主要情节"
模型："《红楼梦》是鲁迅于 1950 年创作的小说..."
# 错误：作者是曹雪芹，不是鲁迅；时间也不对常见类型：
- 事实错误 — 编造不存在的事实
- 逻辑错误 — 推理过程矛盾
- 引用虚构 — 编造不存在的论文或链接
缓解方法：
- 使用 RAG 提供事实依据
- 要求模型标注信息来源
- 设置 System Prompt 禁止编造
Structured Output — 结构化输出
定义： 引导模型输出指定格式的 structured data（如 JSON），而非自由文本。
示例：
# 要求模型输出 JSON
prompt = """
请输出以下学生的信息，格式为 JSON：
{
"name": "姓名",
"age": 年龄,
"grade": "成绩"
}
学生：张三，18 岁，成绩 A
"""
# 模型输出
response = '''
{
"name": "张三",
"age": 18,
"grade": "A"
}
'''应用：
- OpenAI 的
response_format={"type": "json_object"} - Claude 的
response_format参数 - 配合 Function Calling 使用
六、Agent 与工具
Agent — 智能体
定义： 能自主感知环境、做出决策、执行动作以达成目标的系统。在 AI 领域，指能自主使用工具、规划任务的 LLM 应用。
核心能力：
- 规划（Planning） — 分解复杂任务
- 工具使用（Tool Use） — 调用外部工具
- 记忆（Memory） — 记住历史对话和结果
- 反思（Reflection） — 根据结果调整策略
示例：
# 简单 Agent：查天气并穿衣建议
agent = create_react_agent(
model="gpt-4o",
tools=[get_weather, recommend_clothes]
)
result = agent.invoke("北京今天该穿什么？")
# Agent 自动：
# 1. 调用 get_weather("北京")
# 2. 根据天气调用 recommend_clothes(温度)
# 3. 生成最终建议Multi-Agent — 多智能体
定义： 多个 Agent 协作完成复杂任务，每个 Agent 有专门的角色和职责。
架构：
Manager Agent（管理者）
├── Researcher Agent（研究员）— 搜索信息
├── Writer Agent（写手）— 撰写内容
└── Reviewer Agent（审核）— 检查质量示例：
# 多个 Agent 协作写文章
researcher = Agent(role="researcher", tools=[search])
writer = Agent(role="writer", tools=[editor])
reviewer = Agent(role="reviewer", tools=[validator])
workflow = Workflow()
workflow.add_agent(researcher)
workflow.add_agent(writer)
workflow.add_agent(reviewer)
workflow.run("写一篇关于 AI 的文章")Tool — 工具
定义： Agent 可调用的外部函数或 API，扩展 Agent 的能力。
示例：
from langchain_core.tools import tool
@tool
def get_weather(city: str) -> str:
"""获取指定城市的天气"""
return requests.get(f"https://api.weather.com/{city}").text
@tool
def search(query: str) -> list:
"""搜索互联网"""
return google_search(query)Plugin — 插件
定义： 与 Tool 类似，指可插拔的扩展模块，让 Agent 能调用外部服务。
区别： Plugin 更强调”可插拔”的概念，通常有完整的配置和生命周期。
示例： ChatGPT 的 Plugin 市场，可安装 Wolfram Alpha、Khan Academy 等插件。
Function Calling — 函数调用
定义： 模型输出结构化数据（JSON），指定要调用的函数名和参数，由用户代码执行。
注意： 模型不会直接执行你的函数，只是建议调用哪个函数、填什么参数。
流程：
用户："北京天气怎么样？"
→ 模型返回：{"function": "get_weather", "args": {"city": "北京"}}
→ 你的代码执行 get_weather("北京")
→ 将结果回传给模型
→ 模型生成自然语言回答API 示例：
messages = [
{"role": "user", "content": "北京天气怎么样？"}
]
response = openai.chat.completions.create(
model="gpt-4o",
messages=messages,
functions=[{
"name": "get_weather",
"description": "获取指定城市天气",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string"}
}
}
}]
)
# 模型返回
{
"role": "assistant",
"function_call": {
"name": "get_weather",
"arguments": '{"city": "北京"}'
}
}Tool Calling — 工具调用
定义： Function Calling 的更广义叫法，支持调用多种类型的工具（函数、API、搜索等）。
区别：
| 叫法 | 来源 | 说明 |
|---|---|---|
| Function Calling | OpenAI 早期叫法 | 主要指调用函数 |
| Tool Calling / Tool Use | OpenAI 新叫法 + Anthropic | 更通用，支持多种工具类型 |
实际使用中，两者基本等价。
MCP（Model Context Protocol）— 模型上下文协议
定义： Anthropic 提出的开放协议，让大模型能标准化地连接外部工具和数据源。
类比： MCP 之于 AI 工具，就像 USB 之于外设 — 统一接口，即插即用。
架构：
AI 模型（Host）
↓
MCP Server（工具服务器）
↓
外部工具（数据库、API、文件系统）优势：
- 一套协议，多个模型共用
- 工具开发一次，多处使用
- 安全可控，用户授权后才连接
示例：
# MCP Server 暴露一个搜索工具
from mcp import Server, tool
@tool
def search_web(query: str) -> str:
"""搜索互联网"""
return google.search(query)
server = Server(tools=[search_web])
server.run()支持的工具： 数据库查询、文件读写、HTTP 请求、搜索引擎等。
Workflow — 工作流
定义： 将多个步骤（可能涉及多个模型、工具、人类决策）编排成自动化流程。
对比：
| 模式 | 说明 | 适用场景 |
|---|---|---|
| 单次对话 | 一问一答 | 简单问答 |
| Agent | 自主规划、调用工具 | 中等复杂度任务 |
| Workflow | 固定流程、可编排 | 复杂业务逻辑、需要确定性 |
示例：
# 用 LangGraph 编排工作流
workflow = StateGraph(ArticleState)
# 定义步骤
workflow.add_node("research", research_article)
workflow.add_node("write", write_article)
workflow.add_node("review", review_article)
workflow.add_node("publish", publish_article)
# 定义流程
workflow.add_edge("research", "write")
workflow.add_edge("write", "review")
workflow.add_conditional_edges("review", {
"approve": "publish",
"revise": "write"
})
app = workflow.compile()
app.invoke({"topic": "AI 趋势"})应用： 自动化内容生成、代码审查、数据处理流水线。
Memory — 记忆
定义： Agent 记住历史对话、经验和知识的能力。
类型：
| 类型 | 说明 | 示例 |
|---|---|---|
| 短期记忆 | 当前对话的历史消息 | 上下文窗口中的消息 |
| 长期记忆 | 跨会话存储的知识 | 向量数据库存储的用户偏好 |
示例：
# 短期记忆：对话历史
messages = [
{"role": "user", "content": "我叫小明"},
{"role": "assistant", "content": "你好，小明！"},
{"role": "user", "content": "你还记得我叫什么吗？"},
# Agent 从 messages 中找到"小明"
]
# 长期记忆：持久化存储
from langchain_community.memory import VectorMemory
memory = VectorMemory(storage=vector_db)
memory.save_context({"user": "小明"}, {"assistant": "你好！"})
# 下次对话时检索总结：术语关系图
AI（人工智能）
└── ML（机器学习）
└── DL（深度学习）
└── Transformer
└── LLM（大语言模型）
├── GPT
├── Claude
└── Gemini
LLM 使用方式：
├── Prompt（提示词）
│ ├── Zero-shot
│ ├── Few-shot
│ └── Chain-of-Thought
├── Fine-tuning（微调）
│ ├── RLHF（人类反馈强化学习）
│ └── LoRA（高效微调）
└── Agent（智能体）
├── Tool / Plugin / Function Calling
├── MCP（工具连接协议）
├── Memory（记忆）
├── Workflow（工作流）
└── Multi-Agent（多智能体协作）
LLM 基础概念：
├── Token（词元）
├── Context Window（上下文窗口）
├── Embedding（嵌入向量）
├── Vector Database（向量数据库）
├── RAG（检索增强生成）
├── Hallucination（幻觉）
└── Structured Output（结构化输出）
应用领域：
├── NLP（自然语言处理）
├── CV（计算机视觉）
├── Multi-modal（多模态）
└── AIGC（AI 生成内容）
终极目标：AGI（通用人工智能）快速参考表
| 类别 | 术语 | 一句话总结 |
|---|---|---|
| 基础 | AI / ML / DL | 从大到小：人工智能 → 机器学习 → 深度学习 |
| 基础 | NLP / CV | 处理语言 vs 处理视觉 |
| 模型 | LLM / GPT / Transformer | 大语言模型 / OpenAI 系列 / 基础架构 |
| 模型 | AIGC / Multi-modal / AGI | AI 生成内容 / 多模态 / 终极目标 |
| Prompt | Prompt / System Prompt | 用户输入 / 开发者设定的角色指令 |
| Prompt | Zero-shot / Few-shot / CoT | 不给示例 / 给示例 / 让模型展示推理过程 |
| 基础 | Token | 模型处理文本的最小单位 |
| 基础 | Context Window | 模型一次能处理的最大 Token 数 |
| 基础 | Embedding | 文本转向量，语义相似的向量距离近 |
| 基础 | Vector Database | 存储和检索向量，支持语义搜索 |
| 训练 | Training / Inference | 训练模型 vs 用模型生成回答 |
| 训练 | Fine-tuning / RLHF / LoRA | 领域微调 / 人类反馈对齐 / 高效微调 |
| 优化 | RAG | 检索外部知识再回答，减少幻觉 |
| 优化 | Hallucination | 模型编造错误信息 |
| 优化 | Structured Output | 输出 JSON 等结构化数据 |
| Agent | Agent | 能自主规划、使用工具的系统 |
| Agent | Multi-Agent | 多个 Agent 协作 |
| 工具 | Tool / Plugin / Function Calling | 外部工具 / 可插拔扩展 / 模型输出函数调用 |
| 工具 | MCP | 标准化连接 AI 和工具的协议 |
| 流程 | Workflow | 编排多个步骤的自动化流程 |
| 记忆 | Memory | 短期（对话历史）+ 长期（持久化存储） |
掌握这些术语后，阅读 AI 论文、文档和教程会顺畅很多。建议结合实战逐步深入，理论 + 实践效果最佳。