- 人工智能
- 让机器完成某些需要智能表现的任务。学习时不要把人工智能等同于聊天机器人，聊天只是其中一种交互方式，真正重要的是任务、数据、模型、工具和反馈如何组合。
- 机器学习
- 让系统从数据中学习规律的方法，适合处理分类、预测、排序、聚类等问题。机器学习系统依赖数据质量，也会受训练数据和评估指标影响。
- 深度学习
- 使用多层神经网络学习复杂模式的方法。图像识别、语音识别、自然语言处理和生成模型都大量使用它，但它仍然需要数据、算力、评估和工程约束。
- 大语言模型
- 基于大量文本和其他数据训练、能够理解和生成语言的模型。擅长续写、总结、改写、翻译、问答、代码和结构化输出，但不天然保证事实正确。
- 生成式 AI
- 能生成新内容（文本、图片、音频、视频、代码、结构化数据）的 AI。价值在于提高创作和组织效率，风险在于幻觉、版权、隐私和低质量内容泛滥。
- Prompt
- 给模型的任务说明。它不是咒语，而是对背景、目标、输入、输出、约束和验收的表达。好的 Prompt 能减少歧义，让模型更容易给出可用结果。
- 上下文
- 模型回答时能看到的信息，包括当前问题、前文对话、提供的资料、示例、规则和系统约束。上下文越相关结果越稳，越杂越可能干扰。
- 上下文工程
- 有意识地组织上下文，让模型看到正确资料、遵守正确规则、按正确格式输出。它比单条 Prompt 更系统，包含资料选择、示例、历史、工具结果和状态管理。
- Token
- 模型处理文本的基本单位。输入和输出越长消耗 token 越多，成本和延迟通常越高，因此长文任务要控制材料和输出，不要无脑塞入所有资料。
- Embedding
- 把文本或其他内容转成向量来表示语义相似度。知识库检索常用它找相关资料，它能帮你“找相似”，但不能判断资料是否正确。
- RAG
- 检索增强生成。一般先从资料库检索相关片段，再让模型基于片段回答。它能让模型使用外部资料，但仍需要资料治理、引用检查和回答评估。
- 微调
- 用特定数据继续训练模型，让它更适应某类任务或风格。普通学习者初期不需要微调，很多问题用更好的 Prompt、知识库和工作流就能解决。
- 工具调用
- 让模型在需要时调用搜索、计算、数据库、文件、浏览器或业务接口。它让 AI 能做更多事，也带来权限和安全问题，所有外部副作用都要有确认点。
- 结构化输出
- 让模型按 JSON、表格、字段或固定模板输出。它适合办公、数据处理、知识库和程序接口，因为比长段自然语言更容易检查和复用。
- 评估
- 判断 AI 输出是否达到目标的过程，可以是人工 Rubric、测试用例、自动打分、对照答案或线上指标。没有评估，AI 使用只能凭感觉。
- 幻觉
- 模型生成不真实或无依据内容的现象，包括编造事实、编造来源、混淆时间、过度自信、把推断写成事实。事实型任务必须核验。
- Agent
- 能围绕目标调用工具、执行步骤、保存状态并输出结果的 AI 系统。关键不是名字，而是输入、步骤、工具、输出、失败处理、权限和人工检查点。
- Skill
- 一个可复用的单项能力，例如总结会议、整理日报、改写内容。多个 Skill 可以组合成工作流或 Agent，先把 Skill 做稳再谈 Agent。
- 工作流
- 一组可重复执行的步骤，可以是手动、半自动或自动。优秀工作流有输入标准、处理步骤、输出模板、评估标准和复盘机制。
- Rubric
- 分项评分标准，把“好不好”拆成可观察维度，例如目标清晰度、上下文充分度、输出结构、风险意识、可执行性，是 AI 教学和质量控制的核心工具。
- 人工检查点
- AI 输出进入下一步前由人确认的位置。涉及外部发送、公开发布、客户信息、法律医疗投资、删除文件、付款和权限变化时，必须设置人工检查点。