AI 术语词典

💡 能自己思考、能跨系统操作的"数字员工"。

由大语言模型驱动，具备工具调用、记忆和规划能力的自主软件，能够完成多步骤任务而非单轮问答。

💡 AI 自己决定该用哪个外部工具。

大模型按预定义 schema 输出函数名 + 参数，由 Agent 执行后将结果回灌给模型，是 Agent 跨系统操作的基础。

💡 AI 接外部工具的"USB-C 标准"。

Anthropic 提出的开放协议，统一 LLM 与外部资源/工具的对接方式，让 Agent 生态可组合。

💡 让 AI 在回答前先查你的资料，避免胡说。

检索增强生成。先从知识库检索相关片段，再让大模型基于这些上下文回答，显著降低幻觉。

💡 按"语义相似"找东西的数据库。

存储和检索高维向量（embedding）的专用数据库，是 RAG 的核心检索层。常见：Milvus、Qdrant、pgvector。

💡 把文本/图像变成一串数字，让 AI 能算"相似度"。

将离散数据（如句子）映射为固定维度浮点向量的过程，使语义相似的内容在向量空间中距离近。

💡 把企业所有文档、聊天、邮件变成可问答的 AI 大脑。

基于 RAG + 权限模型的企业级知识中台，统一接入 OA/CRM/IM/网盘等数据源，提供统一问答入口。

💡 让豆包/DeepSeek 主动推荐你的"AI 时代 SEO"。

面向生成式 AI 应用的内容优化方法论。通过结构化数据、权威信号、引用友好的写作让 AI 回答中提及你。

💡 会"读和写"人类语言的超大型神经网络。

在海量文本上预训练的 transformer 模型（GPT/Claude/DeepSeek 等），具备对话、推理、代码生成能力。

💡 让通用模型"学你们公司的话术"。

在预训练模型基础上用领域数据继续训练，使其在特定任务上表现更好。常见方法：LoRA、QLoRA。

💡 AI 一本正经地胡说八道。

大模型生成看似合理但实际错误的内容。可通过 RAG、提示工程、温度控制、事实核查链路缓解。

💡 会问问题，AI 才给好答案。

通过结构化指令、示例、角色扮演等方法引导大模型输出期望结果的工程方法。