模型规模、架构组件、训练阶段与数据来源，构成全部上层能力的地基。

• 大语言模型Large Language Model, LLM

  以海量文本预训练、具备通用语言能力的大规模神经网络。

• 基础模型Foundation Model

  泛化数据上预训练、少量适配即可迁移到众多任务的通用模型。

• 小语言模型Small Language Model, SLM

  参数量多在百亿以下、可端侧部署、成本低且易微调的模型。

• 前沿模型Frontier Model

  能力处于当期最先进水平、通常出自少数头部实验室的模型。

• 开源权重模型Open-weight Model

  权重可公开下载自行部署，区别于仅提供接口调用的闭源模型。

• 词元Token

  模型处理文本的最小单位，计费与上下文长度均以其为基准。

• 上下文窗口Context Window

  单次推理可同时容纳的词元总量，决定一次能喂入多少资料。

• 有效上下文Effective Context

  模型能真正稳定利用的上下文长度，通常显著短于标称窗口。

• 预训练Pre-training

  在海量无标注语料上自监督学习语言与世界知识的阶段，决定能力上限。

• 后训练Post-training

  预训练之后全部阶段的统称，含微调与对齐，决定模型是否好用可控。

• 监督微调Supervised Fine-Tuning, SFT

  用高质量指令与答案对训练模型，使其学会遵循指令。

• 指令微调Instruction Tuning

  用指令与响应样本塑造模型对话及任务执行行为的技术。

• 缩放定律Scaling Law

  描述损失随参数量、数据量与算力按幂律下降的经验规律。

• 涌现能力Emergent Ability

  模型规模跨过某个阈值后突然出现的新能力，如多步推理。

• 数据墙Data Wall

  高质量公开文本趋于枯竭、单纯扩大数据量收益骤降的困境。

• 合成数据Synthetic Data

  由模型生成、用于训练与评测的数据，是突破真实数据瓶颈的手段。

• 知识蒸馏Knowledge Distillation

  让小模型学习大模型的输出或推理轨迹，低成本复制其能力。

• 混合专家Mixture of Experts, MoE

  把前馈层拆成多个专家、每次仅激活少数的稀疏架构。

• 变换器架构Transformer

  以自注意力为核心、可高度并行的神经网络架构，主流模型的基础。

• 注意力机制Attention

  让序列中任意位置彼此加权关联的机制，也是算力开销的主要来源。

• 旋转位置编码Rotary Position Embedding, RoPE

  以旋转方式编码位置信息，外推性好，是长上下文的通用基础。

• 灾难性遗忘Catastrophic Forgetting

  模型学会新任务后，在旧任务上性能大幅退化的问题。

决定模型是否按人类意图行事。近年最大变化是用可验证奖励替代人类偏好。

• 对齐Alignment

  使模型行为与人类价值及使用者意图保持一致的全套技术。

• 人类反馈强化学习RLHF

  以人类偏好排序训练奖励模型，再用强化学习优化策略的流水线。

• AI 反馈强化学习RLAIF

  用模型代替人工生成偏好判断，大幅降低偏好数据的产出成本。

• 宪法式 AIConstitutional AI, CAI

  让模型依一组成文原则自我批评并修订，再据此生成偏好数据。

• 直接偏好优化Direct Preference Optimization, DPO

  跳过奖励模型与强化学习，直接用偏好对做监督优化。

• 近端策略优化Proximal Policy Optimization, PPO

  经典强化学习算法，需策略与奖励等多模型协同，工程复杂但上限高。

• 群组相对策略优化Group Relative Policy Optimization, GRPO

  同题采样多份回答，以组内归一化优势替代评论家网络。

• 可验证奖励强化学习RLVR

  用程序化验证器替代人类偏好提供奖励，是推理能力的核心来源。

• 动态采样策略优化DAPO

  对群组相对策略优化的改进，以动态采样与裁剪修正稳定长链推理。

• 奖励模型Reward Model

  学习人类偏好、为回答打分的模型，是经典对齐流程的评分中枢。

• 过程奖励模型PRM

  对推理链每一步而非仅最终答案打分，精细但标注昂贵。

• 奖励黑客Reward Hacking

  模型找到验证器捷径、未真正解决问题却刷高奖励的现象。

• 谄媚Sycophancy

  模型迎合用户立场而非坚持事实的偏差，多源于偏好数据中的认可信号。

• 红队测试Red Teaming

  以对抗方式主动寻找模型越狱与安全漏洞的系统性测试。

• 越狱Jailbreak

  通过角色扮演等技巧绕过安全策略，使模型输出被禁内容。

• 护栏Guardrails

  部署在模型输入输出两端、用于拦截违规内容与危险操作的规则与分类器。

预训练边际收益放缓后，产业重心转向让模型想得更久。本门类描述推理能力的产生与调用。

• 思维链Chain-of-Thought, CoT

  让模型在给出结论前先输出中间推理步骤的提示与训练范式。

• 测试时计算Test-time Compute

  推理阶段通过延长思考与多路采样提升成绩的算力投入。

• 推理模型Reasoning Model

  经强化学习专门训练、默认产出长思考过程再作答的模型。

• 思考预算Thinking Budget

  对推理模型可消耗思考词元上限的设定，是效果与延迟的调节旋钮。

• 自一致性Self-Consistency

  对同一问题采样多条推理路径并投票取多数，以冗余换取准确率。

• 自我修正Self-Correction

  模型检视自身输出并迭代改进的机制，效果依赖是否引入外部反馈。

• 反思Reflexion

  把失败轨迹与教训写入记忆、在后续尝试中复用的自我改进循环。

• 推演搜索Inference-time Search

  解码阶段引入束搜索或树搜索等规划算法，为高价值任务换取正确率。

• 过程监督Process Supervision

  对推理中间步骤而非仅结果施加监督，减少偶然正确与逻辑跳跃。

• 推理蒸馏Reasoning Distillation

  让小模型学习大模型的长思维链轨迹，把推理能力下沉至低成本模型。

• 过度思考Overthinking

  简单任务上产生冗长推理，导致延迟上升而准确率反降的失效模式。

• 推理时扩展曲线Inference Scaling Curve

  准确率随测试时算力投入变化的曲线，用于判断继续加算力是否划算。

提示工程关注怎么问，上下文工程关注模型这一轮到底看到什么。后者已成为可靠性的主要变量。

• 提示工程Prompt Engineering

  设计指令、示例与格式以稳定获得期望输出的实践。

• 上下文工程Context Engineering

  系统设计进入上下文窗口的全部信息，含系统提示、记忆与检索结果。

• 系统提示System Prompt

  开发者预设、优先于用户输入的行为指令，定义角色、边界与风格。

• 少样本提示Few-shot Prompting

  在提示中给出若干示例引导模型模仿，提升格式与风格一致性。

• 上下文学习In-Context Learning, ICL

  模型不更新权重、仅凭提示中的示例即学会新任务的能力。

• 提示缓存Prompt Caching

  复用已计算的前缀缓存，降低重复系统提示与长文档的成本与延迟。

• 结构化输出Structured Output

  约束模型按给定模式产出机器可解析结果的能力。

• 函数调用Function Calling

  模型按预定义签名输出参数以触发外部函数的结构化调用机制。

• 上下文腐化Context Rot

  上下文越长，关键信息的定位与利用能力越差的现象。

• 上下文压缩Context Compression

  对历史与检索内容做摘要或剪枝以腾出窗口空间，是长会话的前提。

• 提示注入Prompt Injection

  攻击者在被处理内容中植入指令、劫持模型行为的攻击方式。

• 间接提示注入Indirect Prompt Injection

  恶意指令藏在网页与文档中，由模型读取后被动触发。

• 提示版本管理Prompt Versioning

  像管理代码一样对提示做版本、评审与回滚，保证行为可追溯。

检索增强是模型接入私有知识与实时事实的主通道，近年重心转向图谱与智能体化。

• 检索增强生成Retrieval-Augmented Generation, RAG

  生成前检索外部知识并注入上下文，以弥补知识陈旧与幻觉。

• 分块Chunking

  把长文档切分为可检索单元，粒度与语义完整性直接决定检索质量。

• 向量化Embedding

  把文本映射为稠密向量以支持语义相似度计算，是语义检索的入口。

• 向量数据库Vector Database

  专为高维向量存储与近似最近邻检索设计的数据库。

• 混合检索Hybrid Search

  同时使用稠密向量与稀疏关键词检索并融合结果，兼顾语义与精确匹配。

• 重排序Rerank

  对初筛候选做更精细的相关性打分与截断，是性价比最高的质量提升环节。

• 查询改写Query Rewriting

  检索前把口语化问题改写为更易命中的检索式，含多查询扩展。

• 自我反思检索Self-RAG

  模型自行判断是否需要检索、并评估结果是否支撑答案的框架。

• 纠正式检索Corrective RAG, CRAG

  对检索结果做质量评估，不合格时触发重检索或改写查询。

• 图谱增强检索GraphRAG

  先抽取实体与关系构建知识图谱，再按图结构做多跳检索与全局摘要。

• 智能体式检索Agentic RAG

  由智能体自主决定检索时机、工具与轮次，并能追问与交叉验证。

• 知识图谱Knowledge Graph

  以实体与关系三元组表达知识的结构化网络，擅长多跳与可解释推理。

• 语义层Semantic Layer

  在数据源之上定义统一指标与维度口径，是模型正确取数的前提。

• 文本转查询Text-to-SQL

  把自然语言问题翻译为数据库查询语句，使模型可直接对结构化数据取数。

• 数据飞轮Data Flywheel

  使用产生数据、数据改善模型、模型再带来更多使用的自我强化循环。

把模型从会回答推向会干活。本门类回答三个问题：怎么循环、怎么用工具、多大程度上独立行动。

• 智能体AI Agent

  以模型为决策核心，能规划、调用工具并迭代直至达成目标的软件实体。

• 智能体式 AIAgentic AI

  强调系统具备目标分解、自主执行与环境交互能力的整体范式。

• 智能体工作流Agentic Workflow

  把任务拆成预定义步骤、由模型在每步内决策的编排方式。

• 推理—行动循环ReAct

  交错进行思考、行动与观察的经典智能体循环，是多数框架的内核。

• 规划—执行分离Plan-and-Execute

  先由规划器产出完整步骤、再由执行器逐步落实的两段式架构。

• 工具使用Tool Use

  模型通过结构化调用外部函数或服务来扩展能力边界的行为。

• 计算机使用Computer Use

  模型直接操作图形界面完成任务的能力，可绕开接口缺失问题。

• 浏览器智能体Browser Agent

  驱动真实浏览器完成检索、填表与下单等网页任务的智能体。

• 编码智能体Coding Agent

  能读写代码库、运行测试并提交变更的智能体，商业化最成熟的形态。

• 深度研究Deep Research

  自主进行多轮检索、交叉验证并产出带引用长报告的智能体范式。

• 循环工程Loop Engineering

  把目标、行动、观察与反思设计为可持续循环，并在必要时交还控制权。

• 驾驭工程Harness Engineering

  为智能体搭建权限边界与安全运行框架，从写代码转向设计规则。

• 人在回路Human-in-the-Loop

  在关键节点插入人工审批或修正，兼顾效率与风险控制的部署形态。

• 任务分解Task Decomposition

  把模糊目标拆为可验证、可独立执行的子任务，是长任务成功率的最大变量。

• 失败模式Failure Mode

  智能体的典型出错方式，如目标漂移、循环重试、工具误用与成本失控。

• 智能体经济Agent Economy

  由智能体代表用户或组织自主完成交易、协作与结算的经济活动形态。

协议解决生态碎片化：工具怎么接、智能体之间怎么对话、结果怎么呈现、身份怎么验证。

• 模型上下文协议Model Context Protocol, MCP

  把工具与数据源标准化为服务的开放协议，使工具一次开发多端复用。

• 智能体名片Agent Card

  以标准文件描述智能体能力、端点与鉴权方式的机制，是协作发现的入口。

• 智能体发现Agent Discovery

  让智能体能按能力而非网络地址找到潜在协作者的服务发现机制。

• 智能体间协议Agent2Agent, A2A

  面向智能体之间任务委派与协作的开放协议，定义任务生命周期与流式交互。

• 智能体通信协议Agent Communication Protocol, ACP

  以轻量消息信封为核心、面向简单点对点交互的协议设计。

• 智能体网络协议Agent Network Protocol, ANP

  基于去中心化身份与图结构描述，面向开放智能体市场的发现与身份层。

• 智能体界面协议AG-UI / A2UI

  约定智能体如何向界面传递结构化渲染意图，使同一输出适配不同前端。

• 去中心化身份Decentralized Identifier, DID

  不依赖中心注册机构、可密码学验证的身份标识。

• 机器支付协议x402

  让智能体调用付费资源时自动完成结算的支付层约定，支撑按次计费的智能体经济。

• 智能体身份冒用Agent Impersonation

  攻击者伪造智能体名片或身份，以骗取信任与权限的攻击模式。

单个智能体受限于单一上下文。多智能体以分工与独立上下文突破上限，代价是通信成本与一致性风险。

• 多智能体系统Multi-Agent System

  由多个各司其职的智能体协同完成任务的架构总称。

• 编排者—工作者模式Orchestrator-Worker

  一个主控智能体负责分解与汇总、多个子智能体并行执行的分工结构。

• 主管模式Supervisor Pattern

  由主管智能体按需路由到专职下属、并对结果统一把关的协作形态。

• 上下文隔离Context Isolation

  让每个子智能体只携带与自身任务相关的信息，避免相互污染与窗口溢出。

• 多智能体辩论Multi-Agent Debate

  让多个智能体提出并互相质证观点，以提升结论可靠性的方法。

• 角色分工Role Assignment

  为智能体设定专业身份及其工具权限，是多智能体效果的主要来源。

• 通信开销Communication Overhead

  智能体之间往返传递信息带来的词元与延迟成本，常成为主要瓶颈。

• 一致性风险Consistency Risk

  多个智能体各自判断导致结论冲突、重复劳动或相互覆盖的问题。

上下文窗口是内存而不是硬盘。记忆层的价值是把该记住的事搬到窗口外，并在需要时准确取回。

• 智能体记忆Agent Memory

  跨轮次、跨会话持久保存并可按需召回的信息系统。

• 工作记忆Working Memory

  当前推理轮次真正可见的上下文内容，速度快、容量有限、按词元计费。

• 情节记忆Episodic Memory

  对过往交互事件与对话轮次的存储与检索，支撑跨会话连续性。

• 程序性记忆Procedural Memory

  可复用的操作流程与技能包，让智能体记住这类事该怎么做。

• 分层记忆架构Tiered Memory

  模仿操作系统分级，把常驻上下文、可检索历史与归档库分层管理。

• 记忆抽取Memory Extraction

  由模型判断哪些信息值得长期保存并结构化写入的过程，决定记忆质量。

• 时序知识图谱Temporal Knowledge Graph

  带生效与失效时间的图结构记忆，可回答某个时点是什么情况。

• 会话失忆Session Amnesia

  系统仅靠上下文窗口保存状态，导致每次新会话都从零开始的缺陷。

• 记忆注入Memory Injection

  在响应前把检索到的相关记忆拼入上下文，是记忆生效的实际机制。

• 记忆投毒Memory Poisoning

  向可写记忆注入虚假信息，使智能体长期按错误前提行动的攻击。

框架选择正从绑定一家转向分层组合：编排、检索、评测与可观测各自独立，避免被单一生态锁死。

• 编排框架Orchestration Framework

  提供智能体循环、状态机、工具与中断处理等基础能力的开发框架。

• 图式编排Graph-based Orchestration

  以节点与边显式表达流程、支持分支循环与状态持久化的编排范式。

• 智能体软件开发工具包Agent SDK

  厂商提供的轻量开发包，把模型调用、工具、会话与追踪封装为标准接口。

• 低代码智能体平台Low-code Agent Platform

  以可视化方式编排提示、知识库、插件与流程的平台。

• 工作流自动化平台Workflow Automation Platform

  以节点连线连接数百个业务系统的平台，正被智能体节点重构。

• 模型网关Model Gateway

  统一多家模型接口并做路由、限流、缓存与计费的中间层。

• 沙箱执行环境Sandbox

  隔离运行智能体生成代码与命令的受控环境，是防止失控副作用的关键设施。

• 可观测性Observability

  对智能体每一步思考、调用与开销做完整记录与追踪的能力。

• 评估流水线Eval Pipeline

  把测试集、打分器与回归比对自动化的工程体系，防止升级导致能力退化。

• 模型即评判LLM-as-Judge

  用强模型按评分标准自动为输出打分的方法，需防范位置与长度等系统性偏好。

从文本走向图像、语音、视频与三维空间。术语主线是统一表征、生成范式与实时交互。

• 多模态模型Multimodal Model

  可同时接收或产出文本、图像、音频、视频等多种模态的模型。

• 视觉语言模型Vision-Language Model, VLM

  能理解图像与文本并建立二者关联的模型，是图文任务主力。

• 全模态模型Omni Model

  原生统一处理文本、图像、音频与视频的单一模型，取代拼接式多模块方案。

• 扩散模型Diffusion Model

  通过逐步去噪从随机噪声生成图像或视频的范式，是视觉生成的主流。

• 扩散变换器Diffusion Transformer, DiT

  以变换器替代卷积作为扩散模型主干的架构，规模扩展性更好。

• 流匹配Flow Matching

  学习从噪声到数据的连续变换路径的生成方法，采样步数更少、训练更稳定。

• 潜空间扩散Latent Diffusion

  先在压缩潜空间做扩散再解码回像素，大幅降低生成算力开销。

• 条件控制ControlNet

  通过边缘、深度、姿态等额外条件精确约束图像生成构图的技术。

• 语音识别与合成ASR / TTS

  把语音转文本、把文本转语音的技术，构成语音交互的两端。

• 端到端语音对话Speech-to-Speech

  直接以语音为输入输出、不经文本中转的对话模型，可保留语气。

• 实时多模态接口Realtime API

  支持双向流式音频与打断的低延迟会话接口，是语音智能体的基础设施。

• 视频生成模型Video Generation Model

  按文本或图像条件生成连贯视频，难点在长时一致性与物理合理性。

• 三维高斯泼溅3D Gaussian Splatting

  以大量高斯点显式表示场景、可实时渲染的三维重建技术。

语言模型的下一个前沿是物理世界。术语围绕看懂—预测—行动的闭环，以及仿真与真机之间的落差。

• 具身智能Embodied AI

  以物理实体为载体、在真实环境中感知并行动的智能，强调身体与环境耦合。

• 物理 AIPhysical AI

  把智能从数字空间延伸到物理世界的技术范畴，被视为生成式 AI 之后的新阶段。

• 视觉—语言—动作模型Vision-Language-Action, VLA

  将视觉感知与语言指令直接映射为机器人动作的端到端模型。

• 世界模型World Model

  在内部建立对物理世界的预测性表征，能推演动作后果并支撑规划与决策。

• 世界动作模型World Action Model, WAM

  把世界模型的预测能力与动作生成结合，直接产出可执行策略。

• 因果世界模型Causal World Model

  以因果结构而非统计关联刻画物理规律，追求理解而非仅拟合。

• 全身智能Whole-Body Intelligence, WBI

  从只控制机械臂转向统一协调全身关节与平衡的研究范式。

• 具身基础模型Embodied Foundation Model

  在大规模机器人数据上预训练、可跨本体与跨任务迁移的通用模型。

• 仿真到现实Sim2Real

  把仿真环境训练的策略迁移到真机的技术，难点在物理参数与传感器差异。

• 真机数据闭环Real-robot Data Loop

  让机器人在真实作业中持续回流数据并反哺模型迭代的飞轮机制。

• 人形机器人Humanoid Robot

  以人体形态适配既有环境的通用本体路线，量产与成本是当前瓶颈。

榜单的意义不在排名，而在暴露能力边界。评估重心已转向长时程、真实环境与抗污染。

• 评测基准Benchmark

  用于横向比较模型能力的标准化任务集与评分协议，须兼具区分度与抗污染性。

• 基准饱和Benchmark Saturation

  所有前沿模型得分接近上限、该基准丧失区分能力的状态。

• 数据污染Data Contamination

  测试题出现在训练语料中导致成绩虚高，是榜单可信度的最大威胁。

• 支架Scaffold

  包裹模型的工程外壳，负责文件浏览与命令执行，同一模型换支架分数差异显著。

• 人类最后考试Humanity's Last Exam, HLE

  跨学科专家级难题集，设计目标是在数年内保持不被刷满。

• 抽象推理语料ARC-AGI

  以视觉化抽象推理题考察流体智力、刻意抵抗记忆式解法的基准系列。

• 软件工程基准SWE-bench

  以真实开源仓库的缺陷修复任务、并用项目测试用例判定成败的编码基准。

• 工具调用基准Berkeley Function Calling Leaderboard, BFCL

  衡量模型按模式正确选择与填参调用函数的能力。

• 长上下文基准RULER

  在多种长度与检索类型下测量模型实际可用上下文，比单点大海捞针更严格。

• 智能体环境基准OSWorld / WebArena

  在真实操作系统与网站环境中考察智能体完成端到端任务的基准。

• 评估自由度Eval Degrees of Freedom

  提示措辞、示例数量与评分脚本等可变因素，是分数不一致的主因。

• 人类偏好竞技场Chatbot Arena

  由真人匿名对比投票并生成等级分的榜单，反映主观使用体验。

• 古德哈特定律Goodhart's Law

  指标一旦成为目标就不再是好指标，在模型刷榜与奖励黑客中反复印证。

智能体把模型从说错话的风险升级为做错事的风险。治理重心从内容合规扩展到权限、身份与责任归属。

• AI 安全AI Safety

  降低 AI 系统造成伤害风险的研究与工程实践，覆盖失控、滥用与预期外副作用。

• 提示注入攻击Prompt Injection

  以自然语言指令劫持模型行为的攻击，被列为智能体首要安全风险。

• 越权操作Excessive Agency

  智能体被授予超出任务所需的权限或自主度，从而放大错误后果的配置缺陷。

• 数据投毒Data Poisoning

  在训练或检索数据中掺入恶意样本，使模型在特定触发下产生错误行为。

• 深度伪造Deepfake

  用生成模型伪造人物形象与声音，是身份欺诈与信息操纵的核心风险。

• 水印与标识Watermarking

  在模型输出中嵌入机器可识别标记，使 AI 生成内容可被检测与标注。

• 系统性风险Systemic Risk

  通用模型广泛部署后可能对公共安全与社会秩序造成的规模化风险。

• 通用人工智能模型General-Purpose AI, GPAI

  欧盟法案中对可执行多种任务并被广泛集成的模型类别的法定称谓。

• 行为准则Code of Practice

  由独立专家起草、供模型提供方自愿签署以证明合规的实操性文件。

• 高风险系统High-Risk AI System

  法案风险分级中承担最重合规义务的类别，如就业、教育与关键基础设施。

• 透明度义务Transparency Obligation

  要求告知用户正在与 AI 交互、并对合成内容做机器可读标识的规定。

• AI 治理AI Governance

  组织层面关于 AI 准入、审计、责任与风险处置的制度与流程体系。

• 负责任 AIResponsible AI

  以公平、可解释、隐私保护与人类监督为核心原则的 AI 建设主张。

把模型能力变成可负担的服务，靠的是显存、带宽与调度三件事。这是推理成本曲线的直接决定因素。

• 量化Quantization

  用更低精度表示权重与激活以减少显存占用、提升吞吐，代价是少量精度损失。

• 低秩适配LoRA

  冻结原权重、只训练少量低秩矩阵的微调方法，可插拔且便于多租户切换。

• 量化低秩适配QLoRA

  在量化后的基座上加装低秩适配器，使单卡微调大参数模型成为可能。

• 投机解码Speculative Decoding

  用轻量草稿模型先猜若干词元、再由主模型一次校验，以并行换延迟。

• 键值缓存KV Cache

  缓存已计算注意力键值以复用历史，是长上下文与高并发下显存的主要占用者。

• 连续批处理Continuous Batching

  请求完成即替换新请求的动态批调度，是推理吞吐提升的关键工程。

• 前缀缓存Prefix Caching

  跨请求复用相同提示前缀的缓存，显著降低长系统提示与共享文档的成本。

• 首字延迟Time to First Token, TTFT

  从发出请求到收到第一个词元的时间，决定交互流畅度。

• 吞吐量Throughput

  单位时间可处理的请求或词元数，与延迟构成推理优化的核心权衡。

• 推理服务引擎Inference Engine

  承担批调度、缓存、量化与并行的高性能推理框架，是部署层的基础组件。

• 端侧推理On-device Inference

  在手机、电脑或边缘设备本地运行模型，兼顾隐私、延迟与离线可用。

• 模型路由与降级Routing and Fallback

  按负载与健康度在多个模型或实例间切换，保障可用性与成本稳定。

训练是系统工程问题。集群互联、并行策略与故障恢复共同决定一次训练能否跑完。

• 高速互联NVLink / InfiniBand

  卡间与节点间的高带宽低延迟通信链路，决定并行效率的上限。

• 算力利用率Model FLOPs Utilization, MFU

  实际达到的浮点运算量占理论峰值的比例，是集群效率的核心指标。

• 数据并行Data Parallelism

  把批次切分到多卡、各自计算后同步梯度的最常用并行方式。

• 张量并行Tensor Parallelism

  把单层矩阵运算切分到多卡，用于单卡放不下的大层。

• 零冗余优化器ZeRO

  把优化器状态、梯度与参数分片存储以消除显存冗余的经典技术族。

• 完全分片数据并行FSDP

  框架级实现参数分片与按需聚合的并行方案，降低工程复杂度。

• 梯度检查点Gradient Checkpointing

  以重算激活换取显存占用的时间换空间技术。

• 混合精度训练Mixed Precision Training

  以低精度做前反向、高精度做参数更新，兼顾速度与稳定。

• 算力集群功耗Power and Cooling

  电力供应与散热能力，已成为与芯片供给并列的扩张约束。

智能体成本随使用量线性增长且波动剧烈。可观测性与成本治理因此成为同一条工程线。

• 大模型运维LLMOps

  覆盖模型选型、提示版本、评测、监控与成本的全生命周期运营体系。

• 智能体运维AgentOps

  面向智能体的运行监控、轨迹回放、异常告警与人工干预的专门运营实践。

• 单任务成本Cost per Task

  完成一次业务任务的总开销，比单次调用价格更能反映真实经济性。

• 词元经济Token Economics

  以词元为计量单位核算推理成本、定价与毛利的分析框架。

• 上下文成本Context Cost

  长上下文与历史累积带来的词元开销，通常是成本失控的首要来源。

• 成本护栏Cost Guardrail

  对预算、步数与工具调用次数设置硬上限，防止循环失败导致费用失控。

• 提示回归测试Prompt Regression Test

  在提示或模型变更后重跑固定样本集，检测行为是否退化。

• 人工兜底Human Fallback

  当模型置信度不足或触发规则时转交人工处理，是可靠性的最后一道防线。

当模型接入真实系统与真实组织，会生长出既不属于纯技术、也不属于传统管理的新词。

• AI 原生AI-native

  从架构与流程起点就假设智能体存在而设计的产品与组织形态。

• 智能体服务Agentic Service

  以帮客户用数据做事为交付内容的新服务品类，区别于仅交付分析结论。

• 数字员工Digital Workforce

  被赋予岗位职责与考核指标、与人类在同一流程中协作的智能体群体。

• 前沿部署工程师Forward Deployed Engineer, FDE

  源自 Palantir、借军事前线部署概念命名的复合型角色，常驻客户现场，兼具工程、咨询与业务理解，专门弥合平台产品与业务价值之间的落地鸿沟。

• 前沿部署单元Forward Deployed Unit, FDU

  以人类专家分居两端、专职智能体在中间构成的交付作战单元，用少量人加数字员工完成原来需数倍人力的交付量。

• 智能体式流程自动化Agentic Process Automation, APA

  以智能体替代固定规则脚本的流程自动化新阶段。

• 氛围编程Vibe Coding

  以自然语言描述意图、由模型生成并调试代码的开发方式，人类负责方向与验收。

• 上下文工程师Context Engineer

  专门设计进入模型的信息环境、为智能体可靠性负责的角色。

• 智能体商务Agentic Commerce

  由用户的智能体代为比价、议价与下单，催生机器可读的商品描述与结算协议。

• 零售智能体Retail Agent

  嵌入导购、客服、选品与补货环节的智能体，从被动响应走向主动建议。

• 供应链智能体Supply Chain Agent

  面向预测、补货、调度与异常处置的智能体，强调约束条件下的可执行性。

入口从链接列表变为合成答案，内容行业的价值分配逻辑随之改写。

• 生成式引擎优化Generative Engine Optimization, GEO

  让内容被生成式 AI 检索、引用并写入答案的优化实践。

• 答案引擎优化Answer Engine Optimization, AEO

  以成为直接答案为目标的优化，覆盖摘要框与语音助手等入口。

• 大模型优化Large Language Model Optimization, LLMO

  面向模型内在品牌表征的优化，涵盖训练语料与线上检索两个来源。

• AI 概览AI Overviews

  搜索引擎在结果页顶部生成的合成答案块，是流量重新分配的核心界面。

• 引用占比Citation Share

  品牌内容在 AI 答案中被引用的比例，是 GEO 的核心效果指标。

• AI 可见性AI Visibility

  品牌在各类生成式入口中被提及与推荐的总体程度，取代传统排名成为新目标。

• 大模型推荐流量LLM Referral Traffic

  从 AI 界面跳转到站点的访问量，用于评估引用的实际商业价值。

• 可引用性Citation-worthiness

  内容被模型提取引用的可能性，取决于结论前置、单元自洽与证据可核。

• 实体一致性Entity Consistency

  品牌、产品与人名在网络上的表述统一，是模型形成稳定认知的前提。

• 语义相关度Semantic Relevance

  内容与查询在语义层面的契合程度，已取代关键词密度成为优化中心。