遇到问题有人答，学到东西有处放

让机器表现出智能行为的总称，包括感知、推理、学习与决策。它是目标，而不是某一种具体技术。

让程序从数据中自动学习规律的方法，而非由人逐条编写规则。是当前实现人工智能的主流路径。

使用多层神经网络自动提取特征的机器学习分支，是图像、语音与大模型的技术基础。

能够生成文本、图像、音频、视频等新内容的 AI，代表应用包括 ChatGPT、Claude、Midjourney 等。

使用带标签的数据学习输入到输出的映射，典型任务为分类与回归，如垃圾邮件识别、房价预测。

在没有标签的数据中发现结构，常见方法有聚类、降维与异常检测。

智能体通过与环境交互、根据奖励信号试错学习策略，适用于游戏、机器人与调度优化。

在海量文本上训练、参数规模巨大的语言模型，核心能力是预测下一个 token，从而完成生成、问答、总结等任务。

2017 年提出的基于自注意力机制的神经网络架构，是当今几乎所有大语言模型的基础结构。

让模型在处理某个位置时动态关注序列中其他相关位置，解决长距离依赖问题，是 Transformer 的核心。

模型处理文本的基本单位，一个汉字可能对应 1-2 个 token。计费、上下文长度与生成速度均以 token 计量。

把词语、句子或图片映射为高维向量，使语义相近的内容在向量空间中距离更近，是检索与 RAG 的基础。

模型单次可以处理的 token 上限，包括输入与输出。超出窗口的内容会被截断或需要检索压缩。

在大规模通用数据上训练基础模型的过程，之后通常还需要指令微调与对齐才能成为可用的助手。

在预训练模型基础上，用领域数据继续训练以适配特定任务或风格。成本高于提示词，适合固化能力。

基于人类反馈的强化学习，用人类偏好训练奖励模型来对齐模型输出，是 ChatGPT 类助手的关键步骤。

模型同时理解和生成多种类型的信息（文本、图像、音频、视频），如 GPT-4o、Gemini 等。

模型在训练集上表现很好但泛化到新数据时变差，常因模型复杂度过高或数据不足导致，可用正则化与早停缓解。

输入给模型的指令与上下文，包括角色、任务、约束与输出格式，直接决定输出质量。

系统化设计、迭代与评测提示词的方法，常用技巧包括少样本示例、思维链与结构化输出约束。

生成前先从知识库检索相关片段并放入上下文，让回答有据可依，显著降低幻觉，是企业私有知识落地的主流方案。

专门存储和检索嵌入向量的数据库，支持相似度搜索，是 RAG 与语义检索的核心组件。

以大模型为大脑，具备规划、工具调用与记忆能力，能自主拆解并执行多步任务的系统。

模型根据任务需要调用外部函数或服务（搜索、数据库、计算器），把生成能力与真实世界操作连接起来。

开放协议，用统一方式描述工具、资源与提示词，让不同 AI 客户端复用同一套外部集成，被视为 AI 应用的 USB-C。

以文件夹形式封装的可复用能力包（指令、脚本与资源），让智能体按需加载并执行特定工作流。

模型生成看似流畅但不符合事实的内容，源于按概率生成而非检索事实，必须通过引用、交叉验证与人工复核控制。

控制生成随机性的参数：温度越低输出越稳定保守，越高越发散有创意。事实型任务建议低温。

用更低精度（如 4bit、8bit）表示模型权重以降低显存与延迟，代价是少量效果损失，是本地部署的关键技术。

冻结原模型、只训练少量低秩适配器的微调方法，大幅降低显存与训练成本，单卡即可完成领域微调。

使用训练好的模型对新输入产生输出的过程，关注延迟、吞吐与成本，常用 vLLM 等服务化方案。

攻击者在输入或外部文档中嵌入指令，诱导模型忽略原任务或泄露信息，是智能体安全的主要风险之一。

在数据使用前移除或替换姓名、证件号、联系方式等敏感字段，降低隐私泄露风险。

主动模拟攻击与滥用场景来发现模型或应用的安全漏洞，上线前的重要环节。

让模型的判断依据能够被人理解与审查，在医疗、金融、司法等高风险场景中尤为关键。