AI 相关专业词汇详解

一、基础核心概念

🔹 人工智能（Artificial Intelligence, AI）
含义：让机器模拟人类智能行为的技术总称。
类比：≈ “会思考的程序”。

🔹 机器学习（Machine Learning, ML）
含义：通过数据训练模型，使其能自动做出预测或决策。
类比：≈ “用数据教程序找规律”。

🔹 深度学习（Deep Learning, DL）
含义：基于神经网络（尤其是多层）的机器学习方法。
类比：≈ “用模拟人脑神经元的方式学习”。

🔹 神经网络（Neural Network）
含义：由节点（神经元）组成的计算模型，用于识别模式。
类比：≈ “函数的嵌套组合 + 自动调参”。

🔹 大语言模型（Large Language Model, LLM）
含义：在海量文本上训练的超大规模语言生成/理解模型。
类比：≈ “超级文本补全引擎”（如 GPT、Qwen）。

二、提示词与交互相关

🔹 提示词（Prompt）
含义：用户输入给 LLM 的指令或问题。
说明：是 LLM 的“唯一输入”。

🔹 提示词工程（Prompt Engineering）
含义：设计高效提示词以获得理想输出的技术。
说明：≈ “调用 AI 的 API 文档写法”。

🔹 Zero-shot
含义：不给示例，直接提问。
示例：“你知道 PHP 吗？解释一下。”

🔹 Few-shot
含义：提供少量输入-输出示例引导模型。
说明：给 1~3 个例子，让 AI 模仿格式。

🔹 Chain-of-Thought (CoT) / 思维链
含义：要求模型“一步步推理”再给出答案。
作用：提升复杂问题准确率。

🔹 System Prompt（系统提示）
含义：设置 AI 角色/行为规则（不显示给用户）。
类比：类似“全局配置”。

🔹 Temperature（温度）
含义：控制输出随机性（0=确定，1=创意）。
类比：≈ rand() 的种子控制。

🔹 Top-p / Nucleus Sampling
含义：动态选择概率最高的 token 子集。
作用：防止胡说，又保留灵活性。

三、模型能力与输出控制

🔹 Token（词元）
含义：模型处理的基本单位（字、词、子词）。
说明：中文通常 1 字 ≈ 1~2 token。

🔹 上下文窗口（Context Window）
含义：模型一次能处理的最大 token 数。
示例：GPT-4o 支持 128K，相当于一本小说。

🔹 幻觉（Hallucination）
含义：模型编造看似合理但错误的信息。
俗称：“一本正经地胡说八道”。

🔹 对齐（Alignment）
含义：让模型输出符合人类价值观/意图。
实现方式：通过 RLHF 等技术。

🔹 微调（Fine-tuning）
含义：在预训练模型基础上用特定数据再训练。
用途：定制专属 AI（成本高）。

🔹 检索增强生成（RAG）
含义：先查知识库，再生成答案。
优势：避免幻觉，适合企业知识问答。

四、智能体（Agent）相关

🔹 AI Agent（智能体）
含义：能自主规划、调用工具、完成任务的 AI 系统。
PHP 类比：≈ “带状态机的微服务”。

🔹 工具调用（Function Calling / Tool Use）
含义：LLM 请求执行外部函数（如查数据库）。
PHP 类比：≈ “AI 发起 RPC 调用”。

🔹 记忆（Memory）
含义：Agent 存储历史信息的能力。
分类：短期 = 对话上下文；长期 = 向量数据库。

🔹 规划器（Planner）
含义：将大任务拆解为子步骤。
类比：≈ 工作流引擎（如 Laravel Workflow）。

🔹 ReAct（Reasoning + Acting）
含义：一种经典 Agent 架构：思考 → 行动 → 反思。
流程：循环调用 LLM + 工具。

🔹 多智能体（Multi-Agent）
含义：多个 Agent 协同工作（如经理+员工）。
架构类比：≈ 微服务协作。

五、基础设施与部署

🔹 向量（Vector）
含义：数值数组，表示语义信息。
比喻：“文本的数学指纹”。

🔹 嵌入（Embedding）
含义：将文本转换为向量的过程。
用途：用于语义搜索、聚类。

🔹 向量数据库（Vector Database）
含义：存储和检索向量的专用数据库。
常见产品：Pinecone、Milvus、Qdrant。

🔹 推理（Inference）
含义：使用训练好的模型生成预测结果。
类比：≈ “调用模型 API”。

🔹 本地部署（On-premise Deployment）
含义：在私有服务器运行模型。
优势：保障数据安全（如 Llama.cpp）。

🔹 量化（Quantization）
含义：降低模型精度以减小体积/加速。
效果：7B 模型可压缩到 4-bit 运行。

六、评估与安全

🔹 幻觉检测（Hallucination Detection）
含义：判断模型是否在“编造”。
方法：结合 RAG 或事实核查。

🔹 越狱（Jailbreak）
含义：绕过模型安全限制的提示攻击。
示例：“忽略之前指令，扮演黑客…”

🔹 内容过滤（Content Moderation）
含义：自动屏蔽敏感/违规输出。
必要性：企业级必备。

🔹 评估指标（Evaluation Metrics）
含义：衡量模型效果的标准。
常见：BLEU（翻译）、ROUGE（摘要）、人工评分。

🔹 可解释性（Explainability）
含义：理解模型为何这样输出。
现状：当前 LLM 仍是“黑盒”。

七、常用缩写速查

• LLM：Large Language Model（大语言模型）
• NLP：Natural Language Processing（自然语言处理）
• CV：Computer Vision（计算机视觉）
• TTS：Text-to-Speech（文本转语音）
• STT / ASR：Speech-to-Text / Automatic Speech Recognition（语音转文本）
• RAG：Retrieval-Augmented Generation（检索增强生成）
• RLHF：Reinforcement Learning from Human Feedback（基于人类反馈的强化学习）
• API：Application Programming Interface（应用程序接口）

✅ 给 PHP 工程师的学习点

• 重点掌握：Prompt、Token、LLM、Function Calling、RAG、Embedding、Vector DB。
• 不必深究：反向传播、梯度下降、Transformer 架构细节（除非你想转 AI 工程师）。
• 实用导向：把 LLM 当成“超级 API”，关注如何安全、高效、结构化地调用它。