AI词典
星图管发现，路线管顺序，词典管查阅。每个词都挂着能直接拿去用的项目。
- 大小
- 入门必读
- 常碰到
- 知道就行
- 颜色
- 稳定
- 还在变
- 已过时
全部词条34 个
- 上下文窗口Context Window模型没有记忆，你每问一次，整段对话都要从头重新读一遍，窗口就是这一次能读进去的量，输入和输出共用这个额度。
- 提示词Prompt模型做判断的依据只有这一次递过去的文字，它看不见你的屏幕，也不知道你的项目和偏好。所以同一个问题换个说法，答出来能差很远。
- Agent智能体Agent 和一问一答的 AI 应用差在一层：你给的是目标不是问题，它自己拆成几步，调工具动手做，做完看结果再决定下一步。
- LLM大语言模型一个把海量文字读过一遍、把里面的规律压进内部一大堆数字里的程序。
- Token词元模型不按字读，也不按词读，它读的是一串事先切好的小块。
- 多模态Multimodal除了文字，还能直接吃图片、声音、视频的模型，有的也能反过来产出这些。
- 工具调用Tool Calling模型本身只会吐字，碰不到真实世界。
- 幻觉Hallucination模型不是在查资料，它是在算下一个字最可能是什么。
- 记忆Memory模型每开一个新对话都是从零开始，上回说过的习惯、项目背景、你叫什么，全都不在了。
- 上下文工程Context Engineering一个 Agent 跑几十步，每一步都要把之前的结果重新塞回那个装不下的窗口，谁进谁不进总得有人定。
- 世界模型World Model人伸手之前会先在脑子里过一遍：这么一推，杯子会掉下去。
- 推理模型Reasoning Model回答前先在内部写一长串草稿的模型。
- 微调Fine-tuning拿一个已经训好的模型，用你自己攒的一批例子再训一小轮。
- 向量数据库Vector DB专门存放文字向量化之后那串数字的仓库，本事只有一个：你递进去一串数字，它很快找出库里最接近的几条。
- 预训练Pre-training模型从零开始的第一阶段训练：把海量文字倒进去，每读到一处都先让它猜下一个词，猜错就把内部的数字往回调一点。
- 蒸馏Distillation拿一个又大又贵的模型当老师，让它把一批问题先做一遍，再用它的答案去训练一个小模型。
- A2AAgent 间通信两家公司各自做的 Agent，彼此看不见，也不知道对方能干什么。
- Benchmark评测基准每家都说自己更强，没有同一份卷子就没法比。于是有人把题目和判分规则一起固定下来，所有模型做同一套题，分数才能横着摆在一起看。
- Embedding向量化把一段文字交给一个专门的小模型，换回一长串数字，相当于给这句话在一个大坐标系里定了个位。
- HarnessAgent 外壳模型本身只是一个吐字的接口，它看不见你的文件，也记不住上一步干过什么。
- MCP模型上下文协议AI 本身不知道你的数据库、笔记软件长什么样，得有人告诉它有哪些操作、每个操作要填什么。
- MoE混合专家一个几千亿参数的模型，回答你这一句话时并不会全体上工。MoE 把网络切成很多小块，每处理一个字只挑其中几块来算，其余的闲着。
- RAG检索增强生成模型的知识停在训练结束那天，也没见过你公司的文档，直接问内部规章只会瞎编。
- Skill技能包同一套活你每次都得重新交代一遍规矩，模型记不住上一回。
- Subagent子智能体主 Agent 干活时会把查资料、读代码这类脏活派出去，接活的那个独立实例就是子 Agent。
- Transformer变换器架构模型内部处理一句话的那套结构。
- Vibe Coding氛围编程以前改一行代码也得先看懂那一行。
- 参数量Parameters模型里可调的数字有多少个，7B 就是七十亿个。
- 分块Chunking把长文档切成一段一段再入库的动作。
- 数据集Dataset喂给模型学的那批例子，每条都是成对的：碰到这样的输入，就该给出这样的输出，还要统一成模型认得的格式。
- 提示工程师Prompt Engineer2023 年的模型对措辞很敏感，同一个要求换个说法结果就崩，想让它稳定吐出程序能读的格式更是碰运气。
- Agent 循环Agent LoopAgent 干活不是一口气算完，而是转圈：看一眼眼下什么情况，定一个动作，执行，再把结果读回来接着判断。
- LoRA低秩适配微调的省钱版。
- SOTA当前最强水平所有人都在同一批公开题目上比分，谁发出更高的一版，这个头衔就归谁，没有裁判，也没有申请流程。