1. AI（人工智能）
让机器完成原本需要人类智能的任务。
比如：识别图片、听懂语音、回答问题、生成文字。

2. 机器学习（Machine Learning）
AI 里最常见的一种方法。
核心不是把规则全写死，而是让机器从数据里学规律。

3. 深度学习（Deep Learning）
机器学习的一类重要方法。
它通常用很多层神经网络，特别擅长处理图片、语音、文本。

4. 大模型 / 大语言模型（LLM）
在海量文本上训练出来的模型。
它擅长聊天、写作、总结、翻译、写代码。
像 ChatGPT 这类就属于大语言模型应用。

5. 模型（Model）
可以理解成一个“根据输入给出输出”的系统。
比如：

• 输入一句话，输出回答
• 输入一张图，输出识别结果

6. 数据（Data）
AI 学习的原料。
没有数据，模型学不到东西；数据差，结果通常也差。
数据可以是文字、图片、音频、表格、用户行为记录等。

7. 训练（Training）
让模型通过大量数据不断调整自己，学会规律的过程。
你可以把它理解成反复练习。

8. 推理（Inference）
训练完成后，模型真正拿来使用的过程。
比如你问 ChatGPT 一个问题，它给你回答，这就是推理。

9. 参数（Parameters）
模型内部存储规律的一大堆数值。
参数越多，通常表示模型容量越大，但不代表一定更好。

10. Token
这是大模型里很重要的词。
可以把它粗略理解成模型处理文字时切出来的“文本小单位”。
它不完全等于“一个字”或“一个单词”，但你先这么近似理解就够用。

常见场景：

• 输入越长，消耗的 token 越多
• 输出越长，消耗的 token 也越多
• 很多 AI 产品按 token 收费

11. 上下文（Context）
模型当前回答时能看到的那部分信息。
包括：

• 你这次输入的话
• 前面对话内容
• 系统给它的说明
• 额外提供的资料

上下文越完整，回答通常越贴题。
但上下文也有长度限制。

12. 上下文窗口（Context Window）
模型一次性能处理的信息上限。
你可以把它理解成 AI 的“当前工作记忆容量”。
如果内容太长，前面的信息可能装不下。

13. 提示词（Prompt）
你发给 AI 的任务说明。
提示词不只是一个问题，也可以是一整套要求。

例如：

• 你是谁
• 要做什么
• 输出给谁看
• 用什么格式
• 有什么限制

提示词越清楚，输出通常越稳定。

14. Prompt Engineering（提示词工程）
就是更系统地设计提示词，让模型更稳定地产出你想要的结果。
说简单点，就是“更会提需求”。

15. 幻觉（Hallucination）
指 AI 一本正经地说错话，或者编出并不存在的信息。
这是大模型最常见的问题之一。
所以涉及事实、数据、法规、医疗、财务时一定要核实。

16. 知识截止 / 知识更新范围
模型不是实时知道全世界最新发生的事。
它知道什么，取决于训练数据覆盖到哪里，以及产品有没有接入搜索或外部资料。
所以它可能：

• 不知道最新新闻
• 不知道你公司新文档
• 不知道刚发生的变化

17. 多模态（Multimodal）
表示模型不只会处理文字，还能处理多种类型的信息。
比如：

• 文本
• 图片
• 音频
• 视频

能看图、听语音、读文档的 AI，通常都属于多模态能力的一部分。

18. 语音识别（ASR）
把人说的话转成文字。
比如会议录音转文字。

19. 语音合成（TTS）
把文字转成语音。
比如导航播报、AI 配音。

20. 文生图
根据文字描述生成图片。
比如你输入“黄昏下的现代城市街道”，模型生成一张图。

21. 向量（Vector）
这是技术里常见但容易吓人的词。
你可以先把它理解成：
把文字、图片等内容转成机器更容易比较的数字表示。

这样模型或系统就能判断：

• 哪两段话意思接近
• 哪些文档最相关

22. 向量数据库（Vector Database）
专门用来存这些“向量表示”的数据库。
它的核心用途通常不是精确查字，而是做“语义相似检索”。

比如你问一个问题，它可以帮系统找出意思最接近的几段资料。

23. 嵌入（Embedding）
就是把文本、图片等内容转换成向量表示的过程或结果。

你可以把它理解成：
把一句话变成一串能表示其含义位置的数字。

这是很多知识库问答、RAG、推荐系统里的基础能力。

24. RAG
RAG 可以简单理解成：
先找资料，再让大模型回答。

比如：

1. 先从知识库检索相关文档
2. 把文档内容一起发给模型
3. 模型基于这些资料生成答案

RAG 的作用是：

• 让模型利用你的私有资料
• 降低胡编概率
• 提高回答和业务内容的贴合度

25. 微调（Fine-tuning）
在已有模型基础上继续训练，让它更适合某一类任务或风格。

比如让它：

• 更懂行业术语
• 更符合固定输出格式
• 更稳定地完成某类工作

通俗讲，微调像“专项训练”。

26. 预训练（Pretraining）
模型在海量通用数据上进行的大规模基础训练。
这是它获得通用能力的主要来源。

你可以把它理解成先打基础。

27. Agent
Agent 可以理解成：
不只是回答一句话，而是会为了目标连续做事的 AI 系统。

它可能会：

• 拆解任务
• 搜索资料
• 调用工具
• 执行多步流程
• 根据结果继续下一步

所以 Agent 比普通聊天更像“会行动的助手”。

28. 工作流（Workflow）
指一连串按步骤执行的任务流程。
比如：

• 读邮件
• 提取重点
• 分类
• 生成回复草稿
• 写入系统

很多 AI 产品的价值，不在聊天本身，而在嵌入工作流。

29. API
API 可以理解成软件之间沟通的接口。
开发者通过 API，把 AI 能力接到自己的产品里。

比如：

• 在 App 里接入问答
• 在系统里接入自动总结
• 在网站里接入翻译功能

30. 开源模型 / 闭源模型
开源模型：模型权重或代码相对开放，开发者可自行部署或修改。
闭源模型：由公司提供服务，但核心细节和权重不完全公开。

简单理解：

• 开源更灵活，可控性更高
• 闭源通常使用更方便，但依赖服务方

31. 本地部署
把模型部署在自己的电脑、公司服务器或私有环境中运行。
常见原因：

• 数据安全
• 隐私要求
• 成本控制
• 自主可控

32. 云端部署
模型运行在云服务器上，通过网络调用。
优点通常是方便、弹性强、上手快。

33. 蒸馏（Distillation）
把大模型的能力尽量迁移到更小的模型上。
目的是降低成本、提高速度。

你可以理解成：
让小模型学习大模型。

34. 量化（Quantization）
一种让模型更省资源的技术。
通常目的是减少显存占用、降低部署成本、提升运行效率。

零基础不用深究，只要知道它和“让模型更轻、更便宜”有关就行。

35. Benchmark（基准测试）
用一套标准题目或任务去评估模型表现。
比如比谁回答更准、谁推理更强、谁代码能力更好。

但要注意：
基准分数高，不等于你真实业务里一定更好用。

36. 对齐（Alignment）
让模型更符合人类期望的过程。
比如让它：

• 更安全
• 更守规则
• 更少输出有害内容
• 更符合用户意图

37. RLHF
全称可以先不用硬背。
你只需要知道它大致是：
通过人类反馈来优化模型回答方式的方法。

这也是很多聊天模型变得更像“能交流的助手”的重要原因之一。

38. 准确率 / 召回率
这是评估模型或检索系统时常见的指标。

可以先粗略理解：

• 准确率：给出的结果里，有多少是真的对
• 召回率：本来应该找出来的正确结果，找回来了多少

比如筛风险内容时：

• 准确率低，误报多
• 召回率低，漏掉的多

39. 温度（Temperature）
控制模型输出“发散程度”的一个参数。

可以粗略理解成：

• 低温度：更稳、更保守、更一致
• 高温度：更活、更发散、更有创造性

写正式总结时通常希望低一点；做创意发想时可以高一点。

40. 推理成本
指模型每次真正运行、给出结果时花的钱和资源。
AI 产品能不能做成生意，推理成本是很关键的一环。

41. 延迟（Latency）
就是响应速度。
用户发出请求后，要等多久才有结果。
如果太慢，体验就会明显下降。

42. 安全护栏（Guardrails）
是为了限制模型输出风险内容、违法内容、越权行为而设置的约束机制。

43. OCR
把图片或扫描件里的文字识别出来。
比如：

• 识别身份证
• 识别发票
• 识别纸质文档

44. 结构化数据 / 非结构化数据
结构化数据：格式清楚、字段明确的数据，比如表格、数据库记录。
非结构化数据：没有固定字段的内容，比如文章、PDF、录音、图片。

AI 特别擅长处理大量非结构化数据。

45. 语义搜索
不是按关键词逐字匹配，而是按“意思是否接近”来找内容。

比如你问“怎么报销差旅费”，系统也许能找到标题并不完全一样、但内容相关的“出差报销流程”。

最实用的几组区别，一次记清

AI 和搜索引擎的区别

• 搜索引擎：帮你找资料
• AI：帮你理解、整理、生成答案

RAG 和微调的区别

• RAG：给模型补资料
• 微调：改变模型习惯和能力表现

训练 和 推理的区别

• 训练：学习阶段
• 推理：使用阶段

开源 和 闭源的区别

• 开源：更可控、更灵活
• 闭源：通常更省事、直接可用

聊天机器人 和 Agent 的区别

• 聊天机器人：你问一句，它答一句
• Agent：它会为了目标连续执行步骤

普通人最该优先记住的 10 个词

如果你不想一次记太多，先记这 10 个就够：

1. AI
2. 大模型
3. 数据
4. 模型
5. 训练
6. 推理
7. 提示词
8. 幻觉
9. RAG
10. Agent

只要这 10 个词清楚了，你已经能看懂大多数 AI 产品介绍。

最后给你一个最短理解版

你可以把现在常见的 AI 系统理解成这样：

• 模型 是大脑
• 数据 是它学东西的材料
• 训练 是学习过程
• 推理 是正式上班
• Prompt 是你给它下任务
• RAG 是给它查资料
• Agent 是让它不仅会说，还会按步骤做事