AI 知识百科
用通俗易懂的解释，认识人工智能世界里的重要概念。
AI
AI是让计算机模拟人类智能的技术。它擅长从数据中学习规律，实现“看、听、说、动”等能力，是强大的效率工具，而非有意识的智慧生命。
开始了解 →AGI
具备人脑级通用智能，可自主完成任何智力任务的 AI 理想形态。
开始了解 →提示词
提示词就是你对 AI 说的那句话。它决定了 AI 能给你什么质量的回答——同一个模型，换个问法，结果可能天差地别。
开始了解 →AI Agent
AI Agent是一种能够自主思考、规划并执行任务的智能助手。
开始了解 →LLM
基于海量文本训练，能理解并生成人类语言的巨型AI神经网络模型。
开始了解 →AIGC
人工智能自动生成文字、图片、音视频等数字内容的全新技术。
开始了解 →RAG
让AI先检索资料再回答，有效减少瞎编，答案更靠谱。
开始了解 →机器学习
让电脑从数据中自己找规律，而不是靠人写规则来编程。
开始了解 →深度学习
靠海量数据和算力堆出来的多层神经网络，能自己从数据里找特征。
开始了解 →微调
用少量特定数据，让通用大模型变得更擅长你的专属任务。
开始了解 →知识蒸馏
把大模型的推理智慧压缩进小模型，速度快十倍，性能掉一点。
开始了解 →幻觉
大模型一本正经地胡编乱造，听起来很真，其实是概率游戏。
开始了解 →思维与推理
让AI把解题步骤写出来再作答，准确率飙升，但本质仍是概率游戏。
开始了解 →具身智能
给AI装上身体，让它在物理世界的摔打中学会真本事。
开始了解 →世界模型
世界模型让 AI 从「预测下一个词」进化到「预测世界下一步」。它试图理解物理规律和因果关系，是自动驾驶、机器人、视频生成的底层能力。
开始了解 →词元
词元是 AI 处理语言的最小单位。大模型不是「读字」，而是把文字切成一个个词元再计算——这也是它们按量计费、有长度限制的原因。
开始了解 →AI普惠
AI普惠的意思是让 AI 不再是少数公司的特权，而是人人都用得起、用得上。开源模型和自主算力正在把它从「少数行业」推向「千行百业」。
开始了解 →多智能体系统
多智能体系统把多个 AI 代理组成一支「虚拟团队」，各管一摊、分工协作，去完成单个 AI 难以搞定的复杂任务。
开始了解 →智能经济
智能经济是以 AI 为核心驱动力、以数据为关键生产要素的新经济形态。AI 不再是工具，而是像水、电、算力一样的基础设施。
开始了解 →人类反馈强化学习
RLHF 通过人类的偏好排序来调整模型行为，是让 AI 输出更安全、更符合人预期的核心训练技术之一。
开始了解 →监督微调
用一批高质量的「问题—标准答案」继续训练基础模型，让它学会「按指令办事」、输出规范格式，是从「能接话」到「能干活」的关键一步。
开始了解 →提示工程
研究「怎么问 AI 才答得好」的方法论。同样一个模型，好的提示词能把准确率从 61% 拉到 95%。
开始了解 →上下文工程
管理 AI 的「记忆」的系统工程：检索、排序、缓存与 Token 预算。它决定了复杂 Agent 能多聪明、多省钱、多靠谱。
开始了解 →AI驱动科学发现
AI 化身「超级科研助手」，参与从假设生成到实验设计的科研全流程，正在加速药物、材料、气候等领域的突破。
开始了解 →一人公司
一个人借助 AI 工具就能跑通设计、运营、客服、技术的全流程，把「单打独斗」变成一门正经生意。
开始了解 →自主算力
国产 AI 芯片与超算集群的系统性升级，把算力的主动权握在自己手里，是 AI 竞争的「底座」。
开始了解 →生成式AI
能凭空生成全新文本、图像、视频、音频的 AI，是这波 AI 热潮真正的起点。
开始了解 →对齐
确保 AI 的行为与人类的价值观、意图保持一致，是贯穿 AI 全生命周期安全的核心议题。
开始了解 →思维链
让 AI 在给答案前先把推理过程一步步写出来，复杂题的正确率会大幅提升。
开始了解 →氛围编程
用自然语言对话的方式编程，开发者凭「感觉」描述需求，AI 自动生成代码。
开始了解 →开源大模型
把大模型的权重、代码公开，让人人都能下载、修改、二次开发——中国开源大模型全球累计下载量已破百亿次。
开始了解 →数据要素
把数据确立为与土地、劳动力并列的关键生产要素，2026 年被定为国家「数据要素价值释放年」。
开始了解 →模型上下文协议
Anthropic 提出的一套开放标准协议，让 AI 模型能像「插插头」一样连接外部工具与数据源。
开始了解 →长上下文
让 AI 一次性处理百万级 Token 的上下文，78% 的企业用户把它列为采购大模型的首要需求。
开始了解 →推理型模型
先「想」再答的模型，用更多算力换更高准确率，代价是可能「想太多」。
开始了解 →强化学习
通过试错与奖励机制让系统学习最优策略，是 RLHF 与推理模型的重要基础。
开始了解 →工作废料
AI 生成的、质量低下的工作产物，不仅无用，还把工作量转嫁给同事。
开始了解 →被淘汰恐惧
因 AI 快速发展而产生的「被淘汰恐惧」，一种比普通职场焦虑更深的存在感动摇。
开始了解 →多模态
让 AI 同时理解和生成文本、图像、音频、视频等多种模态信息，像人一样综合感知世界。
开始了解 →思考懒惰
过度依赖 AI 导致的「思考懒惰」，把认知过程外包给 AI，能力会悄悄退化。
开始了解 →直接偏好优化
无需训练奖励模型，直接利用人类偏好数据优化模型，比 RLHF 更简单、更省钱。
开始了解 →领域专用模型
专为电信、金融、医疗、法律等行业训练的模型，术语更准、更懂行规、更贴合业务。
开始了解 →超节点
将成百上千颗 AI 芯片深度整合为巨型超级电脑，是训练前沿大模型的关键算力底座。
开始了解 →自然语言处理
让计算机理解、生成人类语言的技术，是语音助手、翻译、ChatGPT 等一切 AI 应用的基础。
开始了解 →计算机视觉
让机器「看懂」图像和视频：识别物体、理解场景、追踪运动，是自动驾驶、安防和医疗影像背后那双眼睛。
开始了解 →语音识别
把你说的话变成文字。语音识别（ASR）是语音助手、字幕、录音转写背后的核心能力，让机器「听懂」人话。
开始了解 →语音合成
把文字变成自然的人声。语音合成（TTS）让 AI 能「开口说话」，从有声书到导航播报，声音越来越像真人。
开始了解 →扩散模型
通过「先加噪、再去噪」生成图像的技术。扩散模型是 Midjourney、Stable Diffusion 等文生图工具背后的核心引擎。
开始了解 →Transformer
2017 年提出的一种神经网络架构，靠「注意力机制」并行处理序列。今天几乎所有大语言模型，都长在它身上。
开始了解 →注意力机制
让模型在处理每个词时，能「关注」到句子里其他更相关的词。它是 Transformer 的灵魂，也是大模型能理解上下文的关键。
开始了解 →低秩适配
只训练一小撮新增参数，就让大模型学会新任务。LoRA 把微调成本从「烧钱」降到「一杯咖啡」，人人可玩。
开始了解 →量化
把模型参数从高精度浮点数压成低比特整数，让大模型瘦身、提速、省内存，是「本地跑大模型」的关键。
开始了解 →投机采样
让小模型先「草拟」、大模型再「审稿」的提速技巧。投机采样能让大模型生成速度快上 2 到 3 倍，还不改答案。
开始了解 →端侧AI
在手机、电脑、汽车等设备本地运行 AI 模型，不联网也能用，更快、更省流量、更保护隐私。
开始了解 →智能体对智能体协议
定义一套统一的「对话规范」，让不同厂商、不同平台的 AI 智能体能够互相发现、通信与协作，像给 AI 之间开了「通用语言」。
开始了解 →向量数据库
专门存储和检索「向量」的数据库，是 RAG、语义搜索、推荐系统背后的引擎——让 AI 能按「意思」而不是按「字面」去找东西。
开始了解 →嵌入
把文字、图片、声音变成一串「能比较相似度」的数字向量，是 AI 理解语义、做搜索和推荐的第一块基石。
开始了解 →指令微调
用大量「指令—回答」数据训练模型，让它更好地理解「你想让我干什么」，从「会接话」变成「听指挥」。
开始了解 →宪法AI
Anthropic 提出的方法：先给 AI 一套成文的「宪法原则」，再让它依据原则自我批评、自我修正，省掉大量人工标注。
开始了解 →红队测试
主动扮演「攻击者」，用对抗性、诱导性的问题去「攻击」AI 系统，提前找出安全隐患、偏见和漏洞。
开始了解 →可解释AI
让 AI 的决策过程变得透明、可理解、可追溯——不再是一个只给结果、不给理由的「黑箱」。
开始了解 →算法偏见
AI 系统因训练数据或设计缺陷，对特定人群产生系统性、不公平的差别对待，是需要警惕和治理的问题。
开始了解 →联邦学习
数据不出本地，只把「模型更新」传回服务器汇总，让多方在不共享原始数据的前提下协作训练。
开始了解 →差分隐私
差分隐私通过往数据或输出里掺入可控的「噪声」，让人几乎无法反推出某个具体的人，是保护个体隐私的一套数学方法。
开始了解 →合成数据
合成数据是 AI 自己「造」出来的假数据——样子像真的、却不含真实个人信息，用来补充稀缺数据、规避隐私合规风险。
开始了解 →数据标注
数据标注就是给原始数据贴标签——告诉 AI「这是猫、那是狗」——是监督学习的地基，标签质量直接决定模型上限。
开始了解 →数据清洗
数据清洗是训练前的「大扫除」——去除重复、噪声和错误数据，把脏乱的数据整理成模型能放心吃进去的干净训练集。
开始了解 →基准测试
基准测试用一套标准化「考题」给模型打分，让不同模型能在同一把尺子下横向比较，是选型与发布时的关键依据。
开始了解 →锚定
锚定（Grounding）就是让模型的回答「扎根」在真实数据或检索结果上，而不是凭空发挥，是压低幻觉的关键手段。
开始了解 →温度
温度是控制模型输出「随机性」的旋钮：调低更稳更保守，调高更天马行空。写代码和写诗，需要不同的温度。
开始了解 →Top-p采样
Top-p（核采样）从「累积概率刚好够 p」的最小词集里抽样，动态决定候选范围，是比固定 Top-k 更灵活的一种采样方式。
开始了解 →结构化输出
结构化输出就是让模型按 JSON Schema 等固定格式返回结果，把「自由发挥」的文本变成程序能直接解析的数据。
开始了解 →函数调用
让模型不再只会「说」，还能「动手」——按需调用外部函数或 API，把天气、订单、数据库这些真实世界的能力接进来。
开始了解 →ReAct模式
「推理 + 行动」交替进行的循环：Agent 一边思考一边调用工具，直到得出答案。是许多智能体的默认工作方式。
开始了解 →规划-执行模式
先花一点时间把大任务拆成清晰的步骤清单，再按计划一步步执行，适合长线、多步的复杂任务。
开始了解 →反思模式
Agent 执行完一轮后，回头复盘自己的表现、找出错误，再带着教训重新来一遍，越做越好。
开始了解 →短期记忆
Agent 在当前会话里暂时保存的上下文——记得「刚才说了什么」，但会话一结束就清空，类似人的工作记忆。
开始了解 →长期记忆
跨会话持久保存的记忆，通常存在向量数据库或外部存储里，让 Agent 下次还能「认出你」、记住你的偏好。
开始了解 →监督者模式
一个主 Agent 当「主管」，把任务拆给多个子 Agent 分工执行，再汇总结果，适合复杂、可并行的任务。
开始了解 →对等模式
多个 Agent 平等协作、彼此直接通信，没有中央控制节点，靠协商和消息传递完成共同目标。
开始了解 →提示注入
攻击者在输入里埋藏恶意指令，诱导 Agent 忽略原设定、执行非预期操作，是 LLM 应用最常见的攻击方式之一。
开始了解 →沙箱
把 Agent 的代码执行环境隔离起来，让它跑在受控的「笼子」里，防止恶意或出错的代码影响宿主系统。
开始了解 →切片
把长文档切成一小块一小块，让检索时能精准命中、召回更准，是 RAG 质量的基础工程。
开始了解 →混合检索
把关键词检索的「精确」和向量检索的「懂意思」合二为一，让 RAG 的召回又准又全。
开始了解 →重排序
对初筛结果做二次精排，把最相关的答案顶到最前面，是 RAG 里性价比极高的一环。
开始了解 →查询改写
在检索前把用户口语化的问题「翻译」成更适合搜索的形式：补全指代、规范用词，让系统更容易命中。
开始了解 →多轮检索
在对话过程中反复检索、动态补充上下文，让 AI 在长对话里不「断片」，每一轮都答得又新又全。
开始了解 →专家混合
用路由把模型拆成多个「专家」，每次只激活少数几位，用更少的计算撬动超大模型的性能。
开始了解 →小语言模型
参数量小、能本地部署的语言模型，跑得快、耗电少、不传数据，适合端侧助手与垂直场景。
开始了解 →键值缓存
把注意力层的键值对缓存下来，避免逐字生成时的重复计算，用显存换推理速度的关键技术。
开始了解 →FlashAttention
高效注意力实现，通过分块计算与重算，大幅降低显存占用并提升计算速度，是长上下文模型的标配。
开始了解 →vLLM
高吞吐的开源推理引擎，用 PagedAttention 分页管理显存，让单卡服务更多并发请求。
开始了解 →SGLang
SGLang 是一套专为大模型推理设计的结构化生成语言框架，用「约束 + 前缀缓存」把复杂输出（如 JSON、函数调用）做到又快又稳。
开始了解 →参数高效微调
参数高效微调（PEFT）不碰模型绝大部分参数，只训练或插入极少量的新参数，就能让大模型学会新任务——省显存、省时间，还能一个底座复用出无数个专长模型。
开始了解 →QLoRA
QLoRA 把「量化」和 LoRA 打包成一套方案，让原本要烧一张专业显卡的大模型微调，硬是塞进了单张消费级显卡——显存省到原来的几十分之一，效果几乎不打折。
开始了解 →课程学习
课程学习借鉴人类「先易后难」的教法，按难度顺序给 AI 安排训练数据，让模型先打好基础、再啃硬骨头，收敛得更稳、学得更好。
开始了解 →数据增强
数据增强通过翻转、旋转、加噪、改写、合成等方式，把一份数据变出好几份「长得像又不一样」的新样本，是小数据集和贵数据时代最划算的省钱术之一。
开始了解 →LLM作为裁判
LLM-as-a-Judge 用一个大模型自动评估另一个模型的输出，把昂贵又缓慢的人工评测，变成可规模化、可复现的自动化流程。
开始了解 →SWE-bench
用真实 GitHub 上的 issue 和对应代码改动来考 AI：给它一段问题描述和一个代码仓库，看它能不能像工程师一样定位 bug、写出补丁。
开始了解 →WebArena
WebArena 搭了十几个真实的网站环境，让 AI 像人一样点击、填写、浏览，去完成「订机票」「改密码」这类真实任务，看它到底会不会「上网干活」。
开始了解 →视觉语言模型
同时「看得懂图、说得出话」的模型。给它一张照片，它能描述、回答、甚至推理图里的内容，是把「眼睛」和「嘴巴」接到一起的 AI。
开始了解 →多模态大模型
把文字、图像、声音甚至视频都装进同一个模型里的大模型。它能「听、看、读、说」，把不同感官的信息打通，是通往「通用 AI」的重要一步。
开始了解 →文生图
你写一句话，它画一张图。文生图把文字描述变成图像，从「一只穿宇航服的猫」到「赛博朋克风格的街景」，都能生成出来。
开始了解 →文生视频
一句话，生成一段会动的视频。文生视频把文字描述变成连续画面，让 AI 从「会画静态图」进阶到「会拍动态片」。
开始了解 →文生3D
一句话，生成一个可以转着看的三维模型。文生3D 把文字描述变成 3D 资产，正在改变游戏、影视和设计的制作流程。
开始了解 →人形机器人
长得像人、像人一样走动的机器人。人形机器人把人形的灵活和 AI 的大脑结合起来，有望进入工厂、家庭，成为通用的「机器劳动力」。
开始了解 →机器人操作系统
机器人的「安卓系统」。ROS 提供一套开源框架，把硬件抽象、通信、感知、导航等基础能力打包好，让开发者不用重复造轮子。
开始了解 →仿真到现实
先在仿真里把机器人练到「满分」，再让它到现实里上岗。Sim-to-Real 研究怎么把虚拟环境里学到的本事，顺利迁移到真实世界。
开始了解 →GPU
GPU 本是给游戏画面加速的显卡核心，因为特别擅长并行计算，成了训练 AI 大模型的主力硬件。
开始了解 →TPU
谷歌专为机器学习设计的定制芯片，专攻张量运算，是谷歌云上训练和推理大模型的主力。
开始了解 →NPU
专门跑神经网络推理的处理器，功耗极低，藏在手机、耳机和摄像头里，让 AI 离线也能跑。
开始了解 →HBM
高带宽内存，把内存芯片像「叠高楼」一样堆起来，给 AI 芯片提供极高的数据传输速率。
开始了解 →内存危机
AI 爆发式增长对内存芯片的需求猛增，导致全球供应短缺、价格飙涨，被戏称为「内存末日 RAMageddon」。
开始了解 →智算中心
专门为 AI 计算任务设计的数据中心，从供电、散热到网络都围绕 GPU 集群重新打造，是 AI 时代的新基建。
开始了解 →算力网络
把分散在全国各地的算力资源像电网一样联网调度，按需分配、统一计费，让算力成为一种随时可取用的公共资源。
开始了解 →越狱
用精心设计的提示词绕过 AI 的安全限制，诱使它说出本该拒绝的话，是模型安全领域最棘手的攻防对抗之一。
开始了解 →对抗样本
经过精心构造的输入，在人眼看来几乎没变化，却能骗过 AI 让它看错、判错，是模型脆弱性最直观的证明。
开始了解 →数据治理
对数据的质量、安全、合规和生命周期进行系统性管理，让数据从「一堆乱账」变成可靠、可用的资产。
开始了解 →AI法案
欧盟给 AI 立的第一部「规矩」：按风险高低把 AI 应用分成几档，风险越高管得越严，从禁止到透明告知层层加码。
开始了解 →负责任AI
一套让 AI「别闯祸」的伦理原则：公平、透明、隐私、安全、问责，一个都不能少，贯穿 AI 从开发到上线的全过程。
开始了解 →递归自我改进
AI 不再靠人类调教，而是自己动手改进自己、越改越强。这是通往「超级智能」想象中最关键、也最让人警惕的一环。
开始了解 →不透明递归
让模型不靠「说人话」来思考，而是把问题在内部循环处理很多遍，再直接吐出答案——一种更省、更快的隐性推理方式。
开始了解 →递归深度
不透明递归的「刻度盘」：模型内部那几层被循环执行了多少遍。次数越多，思考越深，算力和时间也花得越多。
开始了解 →词元经济学
把 AI 的一切花销都换算成「词元」来算账：谁在烧钱、哪里能省、怎么花最划算，是 AI 时代最基本的成本意识。
开始了解 →词元吞吐量
AI 系统每秒能「吐出」多少个词元。它决定了回答快不快、能不能扛住高并发，是衡量推理性能的核心指标。
开始了解 →语义缓存
别把缓存只当「一模一样才命中」：语义缓存能识别「换个说法但意思相同」的问题，直接复用旧答案，省下重复计算的成本。
开始了解 →Agent网关
所有 AI 智能体请求的统一「总闸门」：集中做鉴权、限流、路由、监控，让成百上千个 Agent 有秩序地进进出出。
开始了解 →计算机使用
让 AI 像人一样「看屏幕、点鼠标」：通过截图和像素级推理，直接操作浏览器和桌面软件，把「会说」变成「会做」。
开始了解 →浏览器自动化
让 Agent 自动操控浏览器完成点击、填表、抓取等网页操作，把重复的「人工点网页」交给程序来做。
开始了解 →击杀开关
给 Agent 装一个「紧急刹车」：一键或自动停止它的执行，防止失控时造成更大损害。
开始了解 →幂等性
同一个操作执行一次和执行十次，结果都一样。它是 Agent 工具调用「可安全重试」的根基。
开始了解 →最小权限
只给 Agent 完成当前任务所需的最小权限，把「一旦失控能造成的破坏」降到最低。
开始了解 →批评者模式
一个 Agent 负责生成，另一个 Agent 专门挑刺审核，用「红脸白脸」把结果打磨得更靠谱。
开始了解 →死锁
多个 Agent 互相卡着对方要用的资源，谁都不让谁，整个系统僵在原地动不了。
开始了解 →循环
Agent 陷进「做→不满意→重做」的怪圈，反复执行同样动作却始终到不了终点。
开始了解 →熔断
检测到 Agent 持续异常时，自动切断它的执行链路，防止一个小故障滚成系统级灾难。
开始了解 →少样本学习
给模型看几个「问题→答案」的例子，它就能照葫芦画瓢学会新任务，不用重新训练。
开始了解 →零样本学习
一个例子都不给，模型光靠指令就能完成它没见过的任务，靠的是训练里积累的通用理解力。
开始了解 →上下文学习
模型不更新任何参数，只靠提示里给的几个示例，当场学会任务怎么做。
开始了解 →思维树
让模型像下棋一样，同时展开多个推理分支，互相比较、回溯，最后挑出最优的一条路。
开始了解 →人在回路
让 AI 在关键节点停下来等人拍板，把人的判断插进自动化流程里，兼顾效率与安全。
开始了解 →LangChain
把大模型应用拼成积木：链式调用、记忆、工具、Agent，一套框架全搞定，是 LLM 开发的事实标准。
开始了解 →LangGraph
用「图」来编排 Agent：节点是步骤、边是流向，状态可检查、可回溯，适合复杂多步、多 Agent 协作的场景。
开始了解 →AutoGen
微软开源的 Multi-Agent 框架：让多个 AI 角色互相对话、互相挑错，自动把任务从「一句话」推进到「一个结果」。
开始了解 →CrewAI
给每个 Agent 分配「角色和任务」，像组建一支团队一样搭 Multi-Agent 系统：有目标、有分工、有协作，适合业务自动化。
开始了解 →FAISS
Meta 开源的高效向量相似度检索库：把海量向量组织成索引，毫秒级找到「最相似」的那一批，是 RAG 的基石之一。
开始了解 →Milvus
专为向量打造的分布式数据库：海量向量存得下、查得快，自带索引与扩展能力，是生产级 RAG 的常见底座。
开始了解 →近邻搜索
在向量空间里找「离你最近」的那几个点。它是推荐、检索、RAG 等一切「找相似」功能背后的共同底座。
开始了解 →召回率
衡量检索系统「找得全不全」的指标——在所有真正相关的文档里，有多少被成功找了出来。
开始了解 →精确率
衡量检索结果「找得准不准」的指标——在所有被返回的结果里，真正相关的那部分占多大比例。
开始了解 →RRF融合
将多个检索结果列表融合为单一排序的算法：只看名次、用倒数打分，简单抗噪，是混合检索的常用策略。
开始了解 →停止词元
让模型在生成到特定标记时停止的特殊词元，是控制输出边界、避免话痨和节省成本的关键。
开始了解 →流式输出
边生成边展示结果的技术，把长回答逐 Token 实时推送，大幅降低用户感知延迟。
开始了解 →系统提示词
为模型设定的全局规则和角色定义，贯穿所有轮次、优先级更高，是决定 AI 身份与边界的「隐形宪法」。
开始了解 →日志概率
模型对下一个词元的置信分布（对数形式），是衡量不确定性、做采样与检测幻觉的底层信号。
开始了解 →安全多方计算
多方在不暴露各自数据的情况下协同计算的密码学技术，靠秘密共享与碎片运算兼顾隐私与正确结果。
开始了解 →同态加密
在加密数据上直接进行计算的密码技术，让云端「能算却看不到」，兼顾隐私与算力。
开始了解 →基础模型
在大规模数据上预训练的通用模型，是各类下游应用共享的「底座」，也是这一轮 AI 爆发的根基。
开始了解 →对话模型
对话模型是专门为「来回多轮聊天」优化的 AI 模型，能记住上下文、理解语气，让对话像真人一样自然。
开始了解 →代码模型
代码模型是专门练过代码的 AI：会生成、会补全、会调试，还能读懂整个项目的上下文，是程序员的「副驾驶」。
开始了解 →嵌入模型
嵌入模型把文字、图片变成一串数字（向量），让「意思相近」的东西在数学上靠得近，是搜索、推荐和 RAG 的地基。
开始了解 →重排序模型
重排序模型对初筛出来的候选结果做「精挑细选」，把最相关的那条顶到最前面，是提升搜索和 RAG 精度的关键一环。
开始了解 →人工智能+
「人工智能+」不是新技术，而是一场渗透：把 AI 装进制造、医疗、教育、农业等各行各业，让传统产业被 AI 重新做一遍。
开始了解 →垂直模型
垂直模型是「专才」：不追求什么都懂，而是在某个行业或场景里钻得极深，用更少的参数干更精的活。
开始了解 →可信AI
可信 AI 不是口号，而是一套硬指标：安全、公平、透明、可追溯、可问责，让人敢把重要的事交给 AI。
开始了解 →测试驱动开发
测试驱动开发反着来：先写「将来要验证的测试」，再写让测试通过的代码，用一次次红转绿，逼出更清晰、更可靠的设计。
开始了解 →持续集成
持续集成让开发者频繁把代码合到主干，并自动跑测试和构建——问题早发现、集成不爆炸，是软件交付的地基。
开始了解 →GitHub Copilot
GitHub Copilot 是你的「AI 结对程序员」：在编辑器里实时补全代码、回答问题、写测试，让写代码从打字变成「描述 + 确认」。
开始了解 →Cursor
Cursor 是一个把 AI 内置到编辑器里的「AI 原生」编程工具，能自动补全、对话改码，甚至替你完成整个项目级的改动。
开始了解 →Claude Code
Claude Code 是 Anthropic 推出的终端 AI 编码助手，像一个住进你项目里的资深工程师，能读写文件、跑命令，还能自己动手把任务做完。
开始了解 →代码审查
代码审查本是人类互相检查代码的流程，AI 加入后能秒级扫出 bug、安全隐患和可读性问题，让每一行代码多一道「安检」。
开始了解 →调试
调试是程序员排查 bug 的老手艺，AI 加入后能读报错、看日志、定位问题根源，甚至直接给出修复方案，把「查 bug」从几小时变成几分钟。
开始了解 →重构
重构是在不改变功能的前提下，把代码「理顺」——改命名、拆函数、去重复，让代码更好读、更好维护。AI 能把这项又苦又细的活干得又快又稳。
开始了解 →单元测试生成
单元测试是给「最小单元」的代码写验证用例。AI 能读懂你的函数、自动生成测试，还能补上那些容易漏掉的边界情况。
开始了解 →规划
规划是 AI 智能体把一个大目标拆成可执行小步骤的能力。目标越大、越模糊，规划能力就越决定一个 Agent 是「能办事」还是「瞎折腾」。
开始了解 →工具选择
工具选择是 AI 智能体面对一堆可用工具时，挑出「最该用哪个」的能力。选对了事半功倍，选错了就是浪费调用甚至办砸任务。
开始了解 →观察
观察是 AI 智能体执行完工具后，读取返回结果、更新自身状态的一步。它是「行动—反馈—调整」闭环里承上启下的关键环节。
开始了解 →实体提取
实体提取是从对话里抓出「关键信息」并记下来的能力——人名、日期、偏好、进度，把它们存进长期记忆，让 AI 下次不再重复问你。
开始了解 →摘要记忆
把长对话压成一段摘要存进记忆，让 AI 用极少的成本记住「说了什么」，是长会话和长期记忆的省心方案。
开始了解 →情景记忆
记录 Agent 亲身「经历」过的具体事件——什么时候做了什么、结果如何，让 AI 拥有自己的「经历回忆」，从过去的成功和失败中学习。
开始了解 →语义记忆
存下脱离场景的事实与概念——定义、规则、常识，是 AI 的「知识库」。和记经历的「情景记忆」互补，构成 Agent 的长期记忆体系。
开始了解 →黄金数据集
一套人工精挑、标注到「公认正确」的测试集，是衡量 AI 质量、防止模型「改着改着就变差」的基准尺。
开始了解 →A/B测试
把用户随机分成两组，各给一个版本，比一比哪个效果更好，用数据而不是拍脑袋做决策。改模型、改提示词前的「保险」。
开始了解 →人工评估
请真人评估员给 AI 的输出打分、挑毛病、提反馈，是衡量「好不好用、安不安全、像不像人话」的终极尺子。
开始了解 →自动化评估
用程序或另一个模型自动给 AI 输出打分、查错，几秒钟跑成千上万条。贵在快和能规模化，是人工评估的「跑量搭档」。
开始了解 →微服务
把一个大 AI 系统拆成一个个独立的小服务，各自开发、各自部署、各自扩缩容，坏了一个不影响整体，改一个不用全量重发。
开始了解 →无服务器
不用自己管服务器：代码按需触发、用完即走，只为实际运行的时间付费。适合 AI 里「偶尔跑一下」的推理和函数任务。
开始了解 →容器化
把 AI 应用连同依赖、环境一起打包成「标准集装箱」，走到哪环境都一致，开发测试线上不再「在我机器上明明能跑」。
开始了解 →Kubernetes
Kubernetes 是管理容器的「指挥官」，负责调度、扩缩容与自愈，是 AI 模型在生产环境稳定运行的地基。
开始了解 →推理服务
把训练好的模型打包成一个「随时可调用的 API」，让 App 在毫秒级拿到预测结果——这是模型从「实验室」走向「生产」的关键一步。
开始了解 →模型版本管理
像 Git 管代码一样管理模型：每一次训练、每一个参数、每一条数据，都有迹可循，随时能复现、对比和回滚。
开始了解 →灰度发布
像「金丝雀进矿井」一样，先让一小撮真实用户试用新模型，确认没问题再逐步放量，把上线风险降到最低。
开始了解 →模型监控
模型上线不是终点，而是「值班」的开始：持续盯着性能、延迟与输出质量，在它变差之前发现问题。
开始了解 →数据漂移
当真实世界的数据悄悄变了，而模型还停留在「旧世界」——数据漂移就是那个让模型悄悄失灵的元凶。
开始了解 →模型衰减
模型不会永远「年轻」：随着环境慢慢改变，它的表现会一点一点下滑——模型衰减，就是 AI 版的「生锈」。
开始了解 →状态空间模型
一种处理序列的新思路：不再「每个位置都看全部位置」，而是用一个隐藏状态把信息「压缩着往后传」，又省又强。
开始了解 →Mamba
基于「选择性状态空间」的序列模型：该记的牢牢记住，无关的直接略过，处理超长文本时又快又省。
开始了解 →路由网络
MoE 里的「调度员」：每个请求来了，先决定该交给哪几个「专家」处理——分对了，又强又省。
开始了解 →梯度检查点
训练大模型时用「多算一遍」换「少存一点」：不把中间激活全部存下，只在需要时重算，显存占用大幅下降。
开始了解 →混合精度训练
训练时让大部分计算用半精度 FP16 跑、关键部分用 FP32 兜底，速度更快、显存更省，精度几乎不损失。
开始了解 →分布式训练
把训练任务拆到多台机器、多张 GPU 上一起干，让原本要跑几个月的模型，几周甚至几天就能训完。
开始了解 →数据并行
最简单的并行方式：每张 GPU 都放一份完整的模型，各自吃不同的数据批次，算完梯度再汇总同步。
开始了解 →模型并行
模型太大一张卡装不下，就把它切成几块，不同层放到不同 GPU 上，一起把一个模型算完。
开始了解 →流水线并行
把模型按层切到不同设备，让多批数据像流水线一样层层传递，减少设备空闲，提升整体吞吐。
开始了解 →数据版本控制
像管理代码一样管理数据：给每次数据集变化存档，出了问题能回溯，实验才能复现、可信。
开始了解 →特征存储
一个集中管理「特征」的仓库：训练和推理用同一套特征，省去重复计算，也保证线上线下一致。
开始了解 →