AI 术语表：核心概念详解

智能体式 AI 指能在一定自主性下实现目标的 AI 系统：它们规划任务、通过工具执行操作、根据结果调整，并在较少人工指导下完成多步骤工作。它既包括单个智能体，也包括多智能体协作系统，区别于只会响应提示词的 AI。

AI 可接受使用政策是告知员工在工作中可以如何、不可以如何使用 AI 工具的文件：哪些工具获准使用、哪些数据绝不能输入、何时必须审核或披露 AI 输出，以及遇到问题向谁咨询。它是落实 AI 治理常见的第一步。

AI 智能体是借助 AI 模型、在一定自主性下分多个步骤实现目标的软件。它会决定下一步做什么，调用搜索、代码执行或业务应用等工具，观察结果并继续推进，直到任务完成或需要人工介入。

AI 检测器是用于判断文本、图像、音频或视频是否由 AI 生成的工具。文本检测器通过分析写作中的统计特征，给出概率或评分。其结果只是估计而非证据，独立研究已记录到漏检和误判的情况。

AI 治理是组织用来确保 AI 的开发和使用安全、合法、合乎伦理并符合自身目标的一套政策、流程、角色与控制措施，涵盖工具审批、数据保护、风险评估、问责、监控以及监管合规。

AI 工作流自动化是把 AI 模型嵌入自动化业务流程，通过连接应用、触发条件和规则，让任务在很少人工干预下自动运行。AI 负责需要判断的步骤，如邮件分类或起草回复，工作流则负责流转、调度和系统集成。

思维链（CoT）提示是一种让语言模型在给出最终答案前，先写出中间推理步骤的技巧。该方法由 Wei 等人于 2022 年提出，能提升算术、逻辑和规划等多步骤问题的准确率，也启发了后来的推理模型。

上下文窗口是语言模型一次能够处理的最大文本量，以 Token 计。它包括系统提示词、此前的对话内容、附带的文档以及模型自己的回复。超出窗口的内容，模型就无法看到。

嵌入（Embedding）是用一串数字（向量）表示一段数据含义的方式，数据可以是词语、句子、图片或文档。含义相近的内容，其向量在空间中也彼此接近，因此软件可以按语义而非字面关键词来搜索、比较和归类内容。

少样本提示是一种在提示词中加入少量任务示例的技巧，让模型从示例中归纳出规律，再应用到新的输入上。这一方法因 2020 年发表的研究而广为人知，该研究表明大语言模型仅凭示例就能学会完成任务。

微调是在现有 AI 模型的基础上，用规模较小、针对特定任务的数据集继续训练，使模型的行为、风格或输出格式适应特定用途。与只改变模型输入的提示词或检索不同，微调会改变模型的权重。

基础模型是在大规模、广泛数据上训练，并可适配多种不同任务（如写作、编程、图像分析或搜索）的大型 AI 模型。这一术语由斯坦福大学研究人员于 2021 年提出。大语言模型是最广为人知的基础模型。

生成式 AI 是一类能够根据训练数据中学到的规律，创造文本、图像、音频、视频或代码等新内容的人工智能。它不只做分类或预测，而是根据提示词生成全新的输出。聊天助手和 AI 绘图工具都是常见例子。

在 AI 领域，幻觉指模型输出看似合理、实则错误、缺乏依据甚至完全编造的内容，例如虚构的引文、数据或引语。原因在于语言模型生成的是“听起来可能正确”的文本，除非接入可靠来源，否则它并不会去查证事实。

推理（Inference）是使用已训练好的 AI 模型生成输出的阶段：模型接收提示词或图片等输入，产出预测或回答。训练只需进行一次，而每次有人使用模型都会发生推理，因此推理决定了响应速度和运行成本。

大语言模型（LLM）是在海量文本上训练、用于预测序列中下一个词元（Token）的 AI 模型。凭借这一简单目标，它能够写作、总结、翻译、回答问题和生成代码，是聊天助手、写作工具和大多数 AI 智能体背后的核心技术。

模型上下文协议（MCP）是 Anthropic 于 2024 年 11 月推出的开放标准，用于把 AI 应用连接到外部工具和数据源。开发者只需通过 MCP 服务器把某个系统接入一次，任何兼容 MCP 的客户端（如 AI 助手或编程工具）都可以使用它。

多模态 AI 指能在同一系统中理解或生成多种类型数据的模型，数据类型包括文本、图像、音频和视频。例如，多模态助手可以读取一张图表照片并用文字解释，或者用语音回答口头提问。

开放权重模型是指公开发布训练好的参数（权重）、任何人都可以按发布方许可下载、在自有硬件上运行并通常可以微调的 AI 模型。它不同于只能通过厂商应用或 API 使用的封闭模型。开放权重并不总是等于开源。

提示词是你提供给 AI 模型、告诉它要做什么的输入内容，可以是问题、指令、背景信息、示例或文件。模型依据提示词生成回应，因此提示词是否清晰、完整，会在很大程度上决定输出质量。

推理模型是一类经过专门训练、会先分步骤思考问题再给出最终答案的语言模型，这一过程常被称为“思考”。在分步推理上投入更多计算，能提升数学、编程、规划和多步骤分析等任务的效果，但响应更慢、成本更高。

检索增强生成（RAG）是一种在语言模型作答时，从企业文档、搜索索引等外部来源检索相关信息并提供给模型的技术。模型基于检索到的内容生成回答，因此答案更及时、更具体，也更便于核查。

按席位计费是软件厂商按用户（席位）收取固定费用的计费模式，通常按月或按年结算。许多 AI 企业方案以及办公软件的 AI 附加功能都采用这种方式。成本可预测，但取决于有多少人获得使用权限，而非实际用量。

影子 AI 指员工在未经组织 IT、安全或合规团队知情、批准或监督的情况下，在工作中使用 AI 工具、模型或功能。常见例子包括把公司数据粘贴到个人聊天机器人账号中，或在未经审核的软件中开启 AI 功能。

系统提示词是在对话开始前提供给 AI 模型的一组指令，用于规定它在整个会话中的角色、语气、规则和输出格式。系统提示词通常由开发者编写或在应用设置中配置，模型会将其应用于之后的每一条用户消息。

温度参数是控制语言模型输出随机程度的设置。数值低时，模型倾向于选择概率最高的 Token，回答更稳定、聚焦；数值高时，会更多选择概率较低的 Token，文本更多样、更有创意，但也更易出错。许多 API 和部分应用允许调整它。

文本生成视频是一类根据文字描述（提示词）生成视频片段的生成式 AI。模型会生成符合所描述场景、风格和动作的画面，许多工具也支持以图片为起点生成视频（图生视频）。它常用于营销、社交媒体内容、原型制作和分镜脚本。

词元（Token）是语言模型读取和生成文本的基本单位。分词器会把文本切分成 Token，一个 Token 可以是完整的词、词的一部分、标点或空格。上下文窗口等模型限制和 API 价格，通常都按 Token 而不是字数计算。

按 Token 计费是 AI 服务商按模型处理的 Token 数量收费的计费模式，价格通常以每百万 Token 计，输入与输出分别定价。这是语言模型 API 的标准计费方式，因此成本会随发送和接收的文本量直接增减。

工具调用（又称函数调用）让语言模型能够以结构化方式请求外部软件执行操作，例如以 JSON 格式输出函数名和参数。应用程序负责运行工具（如搜索、计算或数据库查询），再把结果返回给模型。

Transformer 是一种神经网络架构，由 2017 年的论文《Attention Is All You Need》提出，通过“注意力机制”处理序列数据。注意力机制让模型衡量输入中每个部分与其他部分的相关程度。当今大多数语言、图像和多模态模型都以 Transformer 为基础。

向量数据库用于存储嵌入向量（文本、图像等数据的数值表示），并能快速找出与查询向量最相似的条目。它是语义搜索和检索增强生成的常用存储层，帮助 AI 系统迅速查到相关内容。