AI · 专业术语

LLM

通过海量文本训练出的超大规模语言模型，能理解和生成人类语言

GPT

OpenAI 开发的生成式预训练模型系列，LLM 的代名词

MCP

Anthropic 提出的模型上下文协议，标准化 LLM 与外部工具的连接方式

RAG

先检索相关知识再生成回答，让 LLM 说话有据可查

LoRA

冻结原始模型权重，只训练两个小矩阵来完成微调，把大模型定制化的显存门槛砍掉一个数量级。

UCP

Google 联合 Shopify 等零售巨头推出的开放标准，让 AI Agent 能替用户完成从选品到支付的全购物流程。

Claude

Anthropic 开发的 AI 助手，以安全性和长文本能力著称

Hallucination

LLM 生成看似正确但实际错误或虚构的内容

QLoRA

先把模型量化到 4-bit 再跑 LoRA 微调，让 65B 参数的大模型塞进一张 48GB 显卡。

ACP

让不同框架构建的 AI Agent 能互相对话、协作的开放通信协议，由 IBM 发起并已并入 Linux 基金会。

MTEB

评估文本嵌入模型质量的大规模基准测试，覆盖 8 类 NLP 任务和 112 种语言。

RLHF

用人类反馈训练 AI 对齐人类偏好的核心技术

Prompt Engineering

设计和优化输入提示词以引导 LLM 产生最佳输出的技术

PEFT

只动模型参数的一小部分就完成微调的一类方法总称，LoRA 是其中最流行的代表。

AP2

Google 联合 60+ 支付巨头推出的开放协议，用加密签名的 Mandate 证明 AI Agent 的每笔交易确实经过用户授权。

Fine-tuning

在预训练模型基础上用特定数据进一步训练，让模型适应特定任务

AG-UI

CopilotKit 开源的事件驱动协议，用 16 种结构化事件标准化 AI Agent 与前端应用之间的实时双向通信。

GGUF

让大模型跑在你自己电脑上的「万能打包格式」——一个文件搞定权重、分词器和配置。

MRL

像俄罗斯套娃一样训练嵌入模型——一个向量可以按需截短，精度几乎不掉。

CDP

Chrome 浏览器暴露的底层调试协议，通过 WebSocket 直连浏览器内核，是 Puppeteer、Playwright 和 AI Agent 浏览器操控的共同基座。

CSA

DeepSeek V4 的核心注意力机制之一：先把 KV 缓存压缩 4 倍，再用闪电索引器只挑最相关的块做注意力。

HCA

DeepSeek V4 的另一核心注意力机制：把 128 个 token 压成 1 个，压缩后序列极短，直接做全量注意力。

Context Window

LLM 单次对话能处理的最大文本长度

SWE-Agent

能自主解决 GitHub Issue 的 AI 软件工程 Agent

Chain of Thought

引导 LLM 逐步推理而非直接给出答案的提示技巧

A2UI

Google 开源的声明式 UI 协议，让 AI Agent 用 JSON 描述界面意图，客户端用原生组件渲染——不执行任意代码。

DPO

不需要奖励模型就能对齐人类偏好的简化训练方法

A2A

Google 提出的 Agent 间通信协议，让不同 AI Agent 能互相协作

Embedding

将文本转换为高维向量表示，捕捉语义信息的技术

Vector Database

专门存储和检索高维向量的数据库，RAG 系统的核心组件

Prompt Injection

通过恶意输入操纵 LLM 绕过安全限制或执行非预期行为的攻击

HuggingFace

AI 领域最大的开源模型和数据集共享平台

GRPO

DeepSeek 提出的群组相对策略优化，不需要奖励模型的强化学习方法

GraphRAG

用知识图谱增强 RAG 的检索能力，支持多跳推理

SFT

用人工标注的指令-回答对训练模型遵循指令的监督微调方法

ReAct

让 LLM 交替进行推理和行动的 Agent 范式

Semantic Search

基于语义理解而非关键词匹配的智能搜索技术

Few-shot

在提示词中提供少量示例来引导 LLM 学习任务模式

TTS

将文本转换为自然语音的 AI 技术

RL

通过试错和奖励信号让 AI 学习最优策略的机器学习范式

Quantization

降低模型参数精度以减少内存占用和加速推理的压缩技术

NLP

让计算机理解、处理和生成人类语言的 AI 技术领域

MPS

Apple Silicon 的 GPU 加速框架——让 Mac 上的机器学习训练和推理直接利用 Apple GPU，PyTorch 通过 MPS 后端支持。

VRAM

显卡上的专用内存，决定了能运行多大的 AI 模型

OCR

从图片中识别和提取文字的技术

AMR

能自主感知环境、规划路径并避障的移动机器人，仓储物流领域的「AI 搬运工」。

MMEB

评估多模态嵌入模型的统一基准，覆盖图文检索、分类、VQA 等 36 个数据集。

SOTA

当前技术水平的最高点，AI 论文中最常见的评价标准

Reranking

对初步检索结果进行精细化重排序以提升相关性的技术

MMR

在检索结果中平衡「相关性」和「多样性」的排序算法，RAG 系统的标配去重策略。

FDE

前线部署工程师——深入客户一线，把业务需求快速变成可上线方案的全能型工程师。

Chunking

将长文档切分为适合检索的小段落的预处理技术

STS-B

给两句话打「像不像」的分数——NLP 模型语义理解能力的经典考题。

HGEMM

用半精度浮点数做矩阵乘法，让 GPU 跑深度学习又快又省显存的核心计算内核。

Tokenizer

将文本切分为模型可处理的 token 序列的预处理工具

GGML

让大模型脱离 Python 和 GPU 束缚的 C 语言张量库，也是 GGUF 格式的前身。