AI行业术语全集（完整版）

这篇是综合速查页，适合在学习、开发、选型和沟通时快速定位概念。它不是替代前面专题词典，而是把常见术语按工作流串起来。

基础层

AI：让机器完成需要智能参与的任务。

ML：机器学习，从数据中学习规律。

DL：深度学习，使用多层神经网络学习复杂表示。

Model：输入到输出的计算系统。

Dataset：训练、验证或测试使用的数据集合。

大模型层

LLM：大语言模型，处理和生成文本。

Token：模型处理文本的基本单位。

Prompt：给模型的任务指令和上下文。

Context Window：模型一次能处理的上下文长度。

Hallucination：模型生成不真实内容。

应用架构层

RAG：检索增强生成，用外部资料辅助回答。

Agent：能规划、调用工具并执行任务的系统。

Tool Calling：模型调用外部函数或服务。

Workflow：按固定节点组织 AI 任务流程。

Knowledge Base：用于检索和问答的知识库。

数据和检索层

Embedding：文本、图片等内容的向量表示。

Vector Database：存储和检索向量的数据库。

Chunk：文档切分后的片段。

Reranker：对检索结果重新排序的模型。

训练和部署层

Fine-tuning：在已有模型上继续训练。

LoRA：低成本微调方法。

Quantization：降低模型数值精度以节省资源。

Inference：使用模型生成结果。

Latency：请求延迟。

安全和治理层

Alignment：让模型行为符合人类意图和规则。

Prompt Injection：通过输入攻击模型规则。

PII：个人可识别信息。

Human-in-the-loop：关键流程中加入人工审核。

使用建议

遇到新术语时，先判断它属于基础模型、应用架构、数据检索、训练部署还是安全治理。AI 项目的成功通常不是单个模型决定，而是数据、流程、评估、安全和产品体验共同决定。