✅ 词汇解释：

一、基础层

1. Artificial Intelligence (AI)

   • 人工智能，使机器模拟人类智能，应用于推荐系统、图像识别等。

2. Machine Learning (ML)

   • 机器学习，系统通过无显式编程从数据中自动学习模式。

3. Deep Learning (DL)

   • 深度学习，通过多层神经网络逐步提取特征。

4. Supervised Learning

   • 监督学习，使用标注过的数据训练已知输入与输出映射。

5. Unsupervised Learning

   • 无监督学习，发现数据中的隐藏结构，如聚类。

6. Reinforcement Learning (RL)

   • 强化学习，系统通过与环境交互获取奖励信号，改进决策。

7. Transfer Learning

   • 迁移学习，将已有任务的知识迁移至新的相关任务。

8. Few-shot Learning

   • 小样本学习，用极少量标注样本完成新类别识别。

9. Zero-shot Learning

   • 零样本学习，通过语义描述泛化识别从未见过的类别。

二、大模型层

1. Large Language Model (LLM)

   • 大语言模型，具备强大语言理解和生成能力。

2. Transformer

   • 神经网络架构，通过自注意力机制处理序列数据，是LLM 的基石。

3. Self-Attention

   • 让模型在序列处理时理解每个词语与其他词语的依赖关系。

4. Positional Encoding

   • 为序列添加位置信息，使得模型理解词序。

5. Pre-training

   • 模型在大规模无标注数据上学习通用语言表示的阶段。

6. Fine-tuning

   • 在预训练模型基础上使用特定领域数据进行再训练。

7. RLHF (Reward Learning from Human Feedback)

   • 通过人类反馈进行强化学习，优化语言模型。

8. Alignment

   • 确保AI行为符合人类价值观与预期。

9. Prompt Engineering

   • 设计输入指导模型生成预期内容。

10. Prompt Injection

    • 恶意注入指令以绕过AI的安全限制。

11. Context Window

    • AI模型单次处理的最大token数量，限制对话信息量。

12. Token

    • 文本的最小语义单元，AI以token为单位进行处理。

13. Temperature

    • 控制AI输出随机性的参数，影响生成内容的多样性。

14. Top-k Sampling

    • 在概率最高的k个token中随机选择，影响生成结果的保守程度。

15. Beam Search

    • 通过维护多个候选序列提升生成质量。

16. Chain-of-Thought (CoT)

    • 让AI进行逐步推理，提高数学、代码等任务的准确性。

三、Agent 与推理层

1. AI Agent

   • 能自主完成目标的系统，如订票、下单等。

2. MCP (Model Context Protocol)

   • 标准化调用外部工具的接口，便于多个插件整合。

3. Tool Use / Function Calling

   • AI调用外部工具或API完成具体任务，如搜索、编写代码。

4. ReAct 风格

   • 思考后行动，形成完整的任务执行流程。

5. Planning

   • 将复杂任务拆解为可执行的子任务。

6. Memory

   • 存储和调用信息，使AI具有上下文感知能力。

7. Reflection

   • AI对自己的行为进行反思以优化决策。

8. Tree of Thoughts

   • 在每个推理节点探索多种路径，增强应对复杂问题的能力。

9. Reasoning Model

   • 专门训练以完成多步推理任务，如数学、代码生成。

10. Agentic Workflow

    • 多个Agent协作完成任务，模拟真实团队。

11. System 1 / System 2

    • System 1 为快速响应，System 2 为深度推理，AI的不同处理模式。

四、RAG 与知识层

1. RAG (Retrieval-Augmented Generation)

   • 通过检索外部知识库，增强生成内容的准确性。

2. Retrieval

   • 从大规模文档中找到与查询最相关的片段。

3. Embedding

   • 将文本等映射为低维向量，便于语义相似度计算。

4. Vector Database

   • 存储和检索语义向量数据，是RAG的重要基础设施。

5. Semantic Search

   • 基于语义而非关键字进行搜索。

6. Knowledge Graph

   • 以图结构存储实体及其关系，便于推理。

7. Hallucination

   • 生成内容虽看似合理但与事实不符。

8. Grounding

   • 确保模型输出真实可靠，避免幻觉。

五、训练与优化层

1. Backpropagation

   • 计算损失函数对参数的梯度，训练核心。

2. Loss Function

   • 衡量预测结果与真实值之间差距的函数，评价模型表现。

3. Overfitting / Underfitting

   • 过拟合：在训练效果好但泛化差；欠拟合：训练和新数据表现都不佳。

4. Regularization

   • 通过惩罚项防止过拟合。

5. Batch Normalization

   • 对数据进行标准化处理，提高训练速度与稳定性。

6. Dropout

   • 随机丢弃部分神经元，防止过拟合。

7. Adam Optimizer

   • 自适应学习率的优化器，提升训练效率。

8. Learning Rate

   • 控制参数更新速度的超参数，过大过小都会影响效果。

9. Batch Size

   • 影响训练速度与模型泛化。

10. Epoch

    • 模型完整遍历所有训练数据的训练轮次。

六、NLP与CV层

1. Natural Language Processing (NLP)

   • 处理、理解与生成人类语言，如客服、翻译、输入法。

2. Computer Vision (CV)

   • 图像与视频的识别与处理，如人脸识别、自动驾驶、医学影像分析。

3. CNN (Convolutional Neural Network)

   • 处理网格数据，具平移不变性。

4. RNN (Recurrent Neural Network)

   • 处理序列数据，能记忆前文上下文。

5. LSTM / GRU

   • RNN的改进版本，解决长期依赖、梯度消失问题。

6. Word Embedding

   • 文本映射为向量空间，便于语义计算。

7. Attention Mechanism

   • 在处理序列数据时自动关注重要内容。

七、扩散模型与生成层

1. Diffusion Model

   • 通过逐步加噪和去噪生成图像。

2. Stable Diffusion / DALL-E / Midjourney

   • 文生图模型，各有特色，如稳定性、艺术风格、生成能力。

3. Score-based Model

   • 学习数据分布的梯度，生成符合要求的数据。

4. VAE (Variational Autoencoder)

   • 编码-解码结构学习潜在表示，用于图像生成。

5. GAN (Generative Adversarial Network)

   • 通过竞争提升生成质量。

6. Text-to-Image / Image-to-Image / Inpainting

   • 文生图、图生图、图像修复三种生成方式。

八、多模态与前沿技术

1. Multimodal

   • 能处理多种类型数据（如文本、图像、音频），接近人类感知方式。

2. Vision Transformer (ViT)

   • 将Transformer结构应用于图像识别。

3. CLIP

   • 训练图像与文本之间的映射，实现图像搜索和图像可控。

4. SAM (Segment Anything Model)

   • 图像分割模型，分割任意物体。

5. GPT-4V / Large Multimodal Model

   • 支持多模态输入的模型，提升任务灵活性。

6. Video Generation

   • 基于文本或图像生成视频。

九、AI安全与伦理

1. AI Safety

   • 研究AI行为是不是可控、可靠。

2. Explainability / Interpretability

   • 使人类能理解AI决策过程，需区分模型层面和应用层面。

3. Bias / Fairness

   • 训练数据或模型设计造成的偏差，需向公平性看齐。

4. Privacy

   • 确保AI在训练与应用过程中保护用户隐私。

5. Adversarial Attack / Robustness

   • 攻击方式与防御机制，保障AI免受干扰。

6. Alignment Problem / Value Alignment

   • 使AI的行为与人类意图一致，是AI发展核心挑战。

7. AI Governance

   • AI的法律监管框架，如欧盟AI Act。

十、部署与应用

1. Edge AI / On-device Inference

   • 在本地设备上运行模型，隐私重要，但需优化模型体积。

2. Model Compression / Quantization / Pruning

   • 通过各类压缩技术使模型适应边缘设备。

3. Knowledge Distillation

   • 大模型训练小模型，缩小差距。

4. API / Inference / Latency / Throughput

   • 提供AI能力接口，关注延迟与吞吐效率。

十一、数据相关

1. Training Data / Test Data / Validation Data

   • 不同数据的用途。

2. Data Augmentation

   • 对数据施加变换提升泛化能力。

3. Label / Annotation / Data Pipeline

   • 标注、大数据处理流程，是AI训练的重要环节。

4. Crowdsourcing / Synthetic Data

   • 多种数据获取方式。

十二、工程实践层

1. Harness Engineering / Context Engineering / Agent Skills

   • 构建AI系统的关键环节，包括约束、工作效率、功能技能。

2. System Prompt / User Prompt

   • AI行为与输出的关键影响因素，需精准设计。

3. Codex / GitHub Copilot

   • AI编程工具，提升开发效率。

十三、社区术语与工具

1. OpenClaw / Hermes Agent / Manus / Codex / GPT-4V

   • 各种开源或商业化AI助手或工具，涵盖AI编程、推理、图像处理。

2. AIGC (AI Generated Content)

   • AI生成的内容，包括文本、图像、音乐等。

3. RAG Pipeline / Prompt Injection /Reflection / Feedback Loop / Constraint Design / Engineering Frameworks

   • AI模型的优化与调整机制。

---

重点技术术语与通俗解释：

• Prompt Engineering (提示工程)： 优化输入指令，使其生成高质量输出。
• RLHF (Reinforcement Learning from Human Feedback)： 通过人类反馈改进语言模型质量。
• RAG (Retrieval-Augmented Generation)： 检索增强生成，避免模型知识过时或错误。
• Token（词元）： 文本被切分的最小语义单位，影响生成效果。
• Vision Transformer (ViT)： 继承Transformer结构用于图像处理，提升模型能力。
• Self-Attention： 增强模型对上下文的理解，提高文本处理质量。
• Embedding： 文本/图像映射为向量后便于语义计算。
• Adam Optimizer： 优化神经网络训练，更精准地调整参数。

---