第一部分：AI人工智能领域核心固有名词（按领域分类）
一、基础核心名词
- AI（Artificial Intelligence，人工智能）：研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学，核心是让机器具备"感知、推理、学习、决策"的类人能力，涵盖机器学习、深度学习、自然语言处理等多个分支，广泛应用于生活、工作、工业等各个领域。
- 弱人工智能（Weak AI）：又称"窄人工智能"，指专注于某一特定领域、具备单一功能的人工智能系统，不具备通用的思维能力，无法跨领域自主思考，是目前主流的AI形态（如语音助手、图像识别工具、聊天机器人）。
- 强人工智能（Strong AI）：又称"通用人工智能"，指具备与人类同等甚至超越人类的通用智能，能够理解、学习人类所有的知识和技能，具备自主意识、推理、决策和跨领域适应能力，目前仍处于理论研究阶段，尚未实现。
- 超人工智能（Super AI）：超越人类智能的人工智能，能够在所有领域（包括科学、艺术、哲学等）超越人类的认知和能力，自主进化、自我提升，是AI发展的终极形态，目前仅存在于科幻设想中。
- 机器学习（Machine Learning，ML）：AI的核心分支之一，指让计算机通过数据"自主学习"，无需明确编程指令，就能实现行为优化和模式识别的技术。核心是构建算法模型，让机器从数据中提取规律，进而做出预测或决策，分为监督学习、无监督学习、半监督学习、强化学习四大类。
- 深度学习（Deep Learning，DL）：机器学习的一个重要子领域，以"深度神经网络"为核心，模拟人类大脑的神经元结构，通过多层网络层级处理数据，能够自动提取数据的深层特征，适用于复杂场景（如图像识别、自然语言处理、语音合成），是当前AI技术突破的核心驱动力。
- 神经网络（Neural Network，NN）：深度学习的核心基础，模拟人类大脑神经元的连接方式，由输入层、隐藏层、输出层组成，通过神经元之间的权重调整，实现数据的传递和处理，是实现"学习"功能的核心载体。常见类型包括CNN（卷积神经网络）、RNN（循环神经网络）、Transformer（Transformer架构）等。
二、智能体与相关名词
- 智能体（Agent）：又称"智能代理"，指能够自主感知环境、做出决策、执行动作，以实现特定目标的智能系统。核心特点是"自主性、交互性、适应性"，可以独立完成任务，也可以与其他智能体或人类协作，广泛应用于自动驾驶、智能客服、机器人等领域（与用户提到的Agent一致）。
- 多智能体系统（Multi-Agent System，MAS）：由多个相互独立、相互协作的智能体组成的系统，每个智能体有自己的目标和能力，通过交互、协商完成复杂任务（如分布式机器人协作、智能交通调度）。
- 智能体工作流（Agent Workflow）：指智能体完成特定任务的步骤和流程，通过定义"感知-决策-执行"的逻辑的顺序，让智能体按流程自主推进任务，可根据任务反馈动态调整流程（与用户提到的工作流相关，聚焦智能体场景）。
- Skill（技能）：智能体具备的特定能力模块，是智能体完成任务的基础，每个Skill对应一项具体功能（如"文本生成Skill""数据查询Skill""图像识别Skill"），智能体可通过组合不同Skill，完成复杂任务（与用户提到的skill一致）。
三、数据与知识库相关名词
- 知识库（Knowledge Base，KB）：指存储、组织、管理和呈现知识的数据库，是AI系统获取知识的核心来源，包含结构化（如表格、数据库）和非结构化（如文档、图片）的知识，能够为AI模型提供推理、回答问题的依据（与用户提到的知识库一致）。
- 知识图谱（Knowledge Graph，KG）：一种结构化的知识库，以"实体-关系-实体"的三元组形式，呈现知识之间的关联（如"李白-朝代-唐朝"），能够帮助AI模型理解知识的逻辑关系，提升推理和问答的准确性，广泛应用于搜索引擎、智能问答。
- 数据集（Dataset）：用于训练、测试AI模型的数据集合，是机器学习和深度学习的基础，包含输入数据（如文本、图像、语音）和对应的标签（如分类结果、标注信息）。常见数据集有ImageNet（图像识别）、COCO（目标检测）、GLUE（自然语言处理）等。
- 数据标注（Data Annotation）：对原始数据进行处理、标注，为AI模型提供"学习样本"的过程，比如给图像标注物体类别、给文本标注情感倾向、给语音标注文字内容，标注质量直接影响模型的训练效果。
- 数据预处理（Data Preprocessing）：AI模型训练前的核心步骤，对原始数据进行清洗、去噪、归一化、标准化、分割等处理，去除无效数据，统一数据格式，让数据更适合模型训练，提升模型的准确性和训练效率。
- 语料库（Corpus）：专门用于自然语言处理（NLP）领域的数据集，包含大量的文本数据（如句子、段落、文章），用于训练语言模型、实现文本分类、翻译、情感分析等功能，比如中文的"人民日报语料库"、英文的"Wikipedia语料库"。
四、模型训练与优化相关名词
- 模型（Model）：AI系统中用于处理数据、实现学习和预测的核心算法框架，是"数据"与"输出结果"之间的桥梁。不同的任务对应不同的模型（如图像识别用CNN模型、文本生成用Transformer模型）。
- 模型微调（Model Fine-tuning）：指在预训练模型（已经训练好的基础模型）的基础上，使用少量特定领域的数据，进一步调整模型参数，让模型适配特定任务或场景，无需从零开始训练，大幅节省训练成本和时间（与用户提到的模型微调一致）。
- 预训练模型（Pre-trained Model，PTM）：基于大规模通用数据训练完成的基础模型，具备通用的知识和能力，可通过微调适配不同的具体任务（如BERT、GPT系列、千问模型等，均属于预训练模型）。
- LoRA（Low-Rank Adaptation，低秩适配）：一种高效的模型微调技术，核心是在不改变预训练模型原有参数的前提下，通过添加少量可训练的低秩矩阵，实现模型的微调，大幅降低微调的计算成本和存储成本，广泛应用于大语言模型的微调（与用户提到的lora一致）。
- Fine-tune（微调）：与"模型微调"一致，是LoRA、全参数微调等微调方式的统称，本质是通过少量数据调整模型参数，适配特定任务。
- 全参数微调（Full Parameter Fine-tuning）：模型微调的一种方式，调整预训练模型的所有参数，适配特定任务，效果较好，但计算成本高、消耗资源多，适用于数据量充足、资源充足的场景。
- 冻结（Freeze）：模型训练中的常用操作，指固定模型的部分参数（通常是预训练模型的底层参数），只训练模型的顶层参数或新增参数，减少计算量，避免模型过拟合。
- 过拟合（Overfitting）：模型训练中的常见问题，指模型过度"记住"训练数据的细节（包括噪声数据），导致模型在训练数据上表现极好，但在未见过的测试数据上表现较差，泛化能力弱。解决方法包括增加数据量、正则化、 dropout等。
- 欠拟合（Underfitting）：模型训练中的常见问题，指模型未能充分学习到训练数据中的规律，导致在训练数据和测试数据上表现都较差，通常是因为模型复杂度不足、训练数据不足或训练次数不够。
- 正则化（Regularization）：用于解决模型过拟合的技术，通过在模型损失函数中添加惩罚项，限制模型参数的大小，避免模型过度复杂，常见的正则化方式有L1正则化、L2正则化。
- Dropout：深度学习中常用的正则化技术，在模型训练过程中，随机"关闭"一部分神经元，避免神经元之间过度依赖，提升模型的泛化能力。
- 损失函数（Loss Function）：用于衡量AI模型预测结果与真实结果之间的差距，是模型训练的"导航仪"，模型通过最小化损失函数的值，调整参数，提升预测准确性。常见的损失函数有交叉熵损失、均方误差损失等。
- 优化器（Optimizer）：用于调整模型参数、最小化损失函数的算法，决定了模型训练的速度和效果。常见的优化器有SGD（随机梯度下降）、Adam、RMSprop等。
- 迭代（Iteration）：模型训练的一次参数更新过程，即模型读取一批数据、计算损失、调整参数的过程，多次迭代后，模型的损失逐渐降低，性能逐渐提升。
- 轮次（Epoch）：指模型完整遍历一次所有训练数据的过程，一个Epoch包含多个Iteration，通常模型需要训练多个Epoch才能达到较好的效果。
- 批量大小（Batch Size）：模型训练中，每次迭代读取的数据量，批量大小过大可能导致内存不足，过小可能导致训练不稳定，需根据硬件资源调整。
五、自然语言处理（NLP）相关名词
- NLP（Natural Language Processing，自然语言处理）：AI的核心分支之一，研究计算机如何理解、处理、生成人类语言（包括书面语、口语），实现人与计算机的自然语言交互，核心任务包括文本分类、情感分析、机器翻译、问答系统、文本生成等。
- RAG（Retrieval-Augmented Generation，检索增强生成）：一种结合"检索"和"生成"的技术，核心是在生成文本之前，先从知识库中检索与问题相关的信息，再基于检索到的信息生成准确、有依据的回答，解决大语言模型"幻觉"（生成虚假信息）、知识滞后的问题（与用户提到的RAG一致）。
- 大语言模型（Large Language Model，LLM）：基于Transformer架构，通过大规模文本语料预训练而成，能够理解和生成人类语言，具备强大的上下文理解、推理、生成能力，是NLP领域的核心突破，如GPT系列、千问模型等。
- Tokenizer（分词器）：大语言模型的核心组件之一，将人类语言（文本）分割成模型能够识别的最小单位（称为"token"，令牌），比如将"我在学习AI"分割成"我、在、学习、AI"四个token，不同模型的分词规则不同。
- 上下文窗口（Context Window）：大语言模型能够处理的最大文本长度（以token为单位），窗口越大，模型能够记住的上下文信息越多，越能理解长文本、复杂对话，但计算成本也越高。
- Prompt（提示词）：用户向大语言模型输入的指令、问题或文本，用于引导模型生成符合需求的输出，Prompt的设计直接影响模型的输出效果（即"提示工程"）。
- 提示工程（Prompt Engineering）：研究如何设计、优化Prompt，让大语言模型更准确、高效地完成任务的技术，核心是通过明确指令、补充上下文、设定格式，引导模型输出符合预期的结果。
- Few-shot Learning（少样本学习）：指模型通过少量样本（几个到几十个），就能快速学习并适配新任务，无需大量标注数据，是大语言模型的重要能力之一。
- Zero-shot Learning（零样本学习）：指模型在没有任何训练样本的情况下，仅通过Prompt引导，就能完成新任务，体现了大语言模型的通用能力。
- 文本生成（Text Generation）：NLP的核心任务之一，指模型根据输入的Prompt，生成符合逻辑、连贯、有意义的文本，如写文章、写代码、写文案等，是大语言模型的核心应用场景。
- 情感分析（Sentiment Analysis）：NLP的核心任务之一，指模型识别文本中的情感倾向（如正面、负面、中性），广泛应用于舆情分析、客户反馈处理、商品评价分析等。
- 机器翻译（Machine Translation，MT）：NLP的核心任务之一，指模型将一种语言的文本翻译成另一种语言，保持语义不变，如中文翻译成英文、英文翻译成日文，分为统计机器翻译、神经机器翻译（目前主流）。
- 问答系统（Question Answering，QA）：NLP的核心任务之一，指模型根据用户提出的问题，从知识库或文本中提取准确的答案，如智能问答机器人、搜索引擎问答。
- 命名实体识别（Named Entity Recognition，NER）：NLP的核心任务之一，指模型从文本中识别出具有特定意义的实体，如人名、地名、机构名、时间、数字等，广泛应用于信息提取、知识图谱构建。
- 语义理解（Semantic Understanding）：指模型理解文本的深层含义，而不仅仅是表面文字，包括理解句子的逻辑关系、情感倾向、上下文关联等，是实现自然语言交互的核心。
- 幻觉（Hallucination）：大语言模型的常见问题，指模型生成的文本看似连贯、合理，但实际上是虚假的、没有依据的信息（如编造人名、数据、事件），主要原因是模型对知识的记忆不准确或上下文理解偏差。
六、其他核心技术名词
- MCP（Model Compression and Pruning，模型压缩与剪枝）：指通过减少模型参数数量、降低模型复杂度，在不明显降低模型性能的前提下，缩小模型体积、提升运行速度，适配手机、边缘设备等资源有限的场景（与用户提到的MCP一致）。常见方式包括剪枝（删除冗余参数）、量化（将高精度参数转为低精度）、蒸馏（用大模型训练小模型）。
- 模型蒸馏（Model Distillation）：模型压缩的一种方式，又称"知识蒸馏"，用训练好的大模型（教师模型），训练一个小模型（学生模型），让小模型学习大模型的知识和预测逻辑，实现"小模型具备大模型的性能"，适用于边缘设备部署。
- 模型量化（Model Quantization）：模型压缩的一种方式，将模型中的高精度参数（如32位浮点数）转换为低精度参数（如8位整数），减少模型的存储体积和计算量，提升模型运行速度，几乎不影响模型性能。
- 边缘计算（Edge Computing）：指将AI模型部署在边缘设备（如手机、摄像头、物联网设备）上，而非云端服务器，实现数据本地处理、实时响应，减少网络延迟，保护数据隐私，适用于自动驾驶、物联网等场景。
- 云计算（Cloud Computing）：指将AI模型部署在云端服务器上，通过网络为用户提供AI服务，无需用户本地部署模型，具备算力强、可扩展性强的特点，适用于大规模模型训练、复杂任务处理。
- 计算机视觉（Computer Vision，CV）：AI的核心分支之一，研究计算机如何"看懂"图像、视频，实现图像识别、目标检测、图像分割、人脸识别、场景理解等功能，广泛应用于监控、自动驾驶、医疗影像、人脸识别等领域。
- CNN（Convolutional Neural Network，卷积神经网络）：一种专门用于处理图像、视频的神经网络，通过卷积操作提取图像的空间特征（如边缘、纹理、形状），是计算机视觉领域的核心模型。
- Transformer架构：2017年提出的神经网络架构，核心是"自注意力机制"，能够捕捉文本、图像中的长距离依赖关系，是目前大语言模型、部分计算机视觉模型的核心架构（如GPT系列、BERT、ViT等）。
- 自注意力机制（Self-Attention）：Transformer架构的核心，能够让模型在处理数据时，自动关注数据内部的关联关系（如文本中不同词语之间的联系），无需手动设计特征，大幅提升模型的理解能力。
- 强化学习（Reinforcement Learning，RL）：机器学习的四大类之一，指智能体通过与环境交互，"试错"式学习，通过奖励（正向反馈）和惩罚（负向反馈），调整自身行为，最终实现目标最大化。适用于自动驾驶、机器人控制、游戏AI等场景。
- 监督学习（Supervised Learning）：机器学习的四大类之一，指用带有标签的训练数据，训练模型学习"输入-标签"的对应关系，进而对新数据进行预测，适用于分类、回归等任务（如垃圾邮件识别、房价预测）。
- 无监督学习（Unsupervised Learning）：机器学习的四大类之一，指用没有标签的训练数据，让模型自主提取数据的规律和特征，适用于聚类、降维等任务（如用户分群、数据压缩）。
- 半监督学习（Semi-Supervised Learning）：机器学习的四大类之一，结合监督学习和无监督学习，用少量带标签的数据和大量无标签的数据训练模型，兼顾训练效果和数据成本。
- API（Application Programming Interface，应用程序编程接口）：AI模型的调用接口，开发者通过API，无需了解模型的内部结构和训练细节，就能在自己的程序中调用AI模型的功能（如调用千问API实现文本生成、调用图像识别API实现图片分析）。
- 微调平台（Fine-tuning Platform）：提供模型微调服务的平台，用户可在平台上上传数据、选择模型、设置微调参数，完成模型微调，无需搭建本地训练环境，如火山方舟、阿里云PAI等。
- 工作流（Workflow）：指完成某一任务的标准化步骤和流程，在AI领域，特指AI系统处理任务的完整流程（如"数据输入-模型处理-结果输出-反馈优化"），也可指智能体完成任务的步骤序列（与用户提到的工作流一致）。
- 算力（Computing Power）：指AI模型训练和运行所需的计算能力，通常用"浮点运算次数/秒（FLOPS）"衡量，算力越强，模型训练速度越快、能够处理的任务越复杂，核心依赖GPU、TPU等硬件。
- GPU（Graphics Processing Unit，图形处理器）：AI模型训练和运行的核心硬件，擅长并行计算，能够快速处理大规模数据和复杂的神经网络运算，是深度学习不可或缺的硬件支撑（如NVIDIA的A100、H100 GPU）。
- TPU（Tensor Processing Unit，张量处理单元）：谷歌专门为AI模型（尤其是深度学习模型）设计的专用芯片，专注于张量运算，算力密度高、功耗低，适用于大规模模型训练和部署。
第二部分：主流大语言模型汇总（含核心特点）
说明：以下汇总目前AI领域主流的大语言模型，包括国内、国外模型，详细说明其开发机构、核心特点及应用场景，方便学习过程中区分和选择。
一、国内主流大语言模型
- 千问模型（Qwen）
- 开发机构：字节跳动
- 核心特点：基于Transformer架构，通过大规模中文语料预训练，具备强大的中文理解和生成能力，支持多轮对话、文本生成、代码生成、翻译等多种任务；模型系列丰富（如Qwen-7B、Qwen-14B、Qwen-72B），适配不同算力场景；支持微调，可通过LoRA等方式适配特定领域需求；开源版本可本地部署，闭源版本提供API调用。
- 应用场景：智能客服、内容创作、代码开发、智能问答、企业知识库问答等。
- 火山模型（Volcano Model）
- 开发机构：字节跳动火山引擎
- 核心特点：基于字节跳动自研技术，涵盖通用大模型、行业大模型（如金融、教育、医疗），具备高效的文本生成、推理、检索增强（RAG）能力；支持模型微调、定制化开发，提供完善的API和微调平台（火山方舟）；适配企业级场景，注重数据安全和隐私保护。
- 应用场景：企业智能办公、行业咨询、内容生成、智能检索、定制化AI解决方案等。
- 文心一言（ERNIE Bot）
- 开发机构：百度
- 核心特点：基于百度自研的ERNIE架构，聚焦中文场景，具备强大的语义理解、文本生成、多模态生成（文本、图像、语音）能力；支持多轮对话、代码生成、知识问答，集成百度百科等知识库，减少幻觉；提供API调用、企业版定制、本地部署等服务。
- 应用场景：智能搜索、内容创作、企业客服、教育科普、多模态生成等。
- 通义千问（Tongyi Qianwen）
- 开发机构：阿里巴巴
- 核心特点：基于Transformer架构，结合阿里巴巴的电商、金融等场景数据，具备通用的文本生成、推理、问答能力，尤其擅长电商、企业办公相关场景；支持模型微调、RAG检索增强，提供API调用和企业级解决方案；模型系列丰富，适配不同算力需求。
- 应用场景：电商文案生成、企业办公自动化、智能客服、金融咨询、知识管理等。
- 讯飞星火（iFlytek Spark）
- 开发机构：科大讯飞
- 核心特点：聚焦中文语音和自然语言处理，具备强大的语音转文字、文字转语音、文本生成、多轮对话能力；结合教育、医疗等行业场景，推出行业定制模型；支持本地部署、API调用，适配边缘设备；注重语音与文本的协同交互。
- 应用场景：教育AI（错题分析、教案生成）、医疗咨询、语音助手、智能办公、实时翻译等。
- 智谱清言（ChatGLM）
- 开发机构：智谱AI（清华大学团队孵化）
- 核心特点：基于GLM架构，开源友好，多个模型版本（如ChatGLM-3、ChatGLM-4）可本地部署，适配个人和中小企业；具备强大的中文理解、文本生成、代码生成能力，支持微调，计算成本较低；集成RAG能力，可对接知识库。
- 应用场景：个人学习、代码开发、小型企业客服、内容创作、本地AI应用开发等。
- DeepSeek（深度求索）
- 开发机构：DeepSeek（深度求索公司）
- 核心特点：开源大语言模型，涵盖通用模型（DeepSeek-7B/16B）、代码模型（DeepSeek-Coder）、数学模型（DeepSeek-Math），擅长代码生成、数学推理，中文和英文处理能力均衡；支持本地部署、微调，适合开发者和研究者使用；模型性能优秀，性价比高。
- 应用场景：代码开发、数学计算、学术研究、内容创作、智能问答等（与用户提到的deepseek一致）。
二、国外主流大语言模型
- ChatGPT
- 开发机构：OpenAI
- 核心特点：基于GPT架构（Generative Pre-trained Transformer），是目前最具影响力的大语言模型之一，具备强大的文本生成、推理、多轮对话、代码生成能力；支持多语言处理，英文表现最优；通过GPT-3.5、GPT-4等版本迭代，性能不断提升，GPT-4支持多模态输入（文本、图像）；提供API调用，闭源模型，不支持本地部署。
- 应用场景：内容创作、代码开发、智能问答、翻译、教育科普、创意生成等（与用户提到的CHAT-GPT一致）。
- GPT-4
- 开发机构：OpenAI
- 核心特点：ChatGPT的升级版本，具备更强的推理、理解、多模态处理能力，上下文窗口更大（支持128k token），能够处理超长文本、复杂任务；支持图像、文本混合输入，生成的内容更准确、更连贯，幻觉问题大幅改善；提供API调用，分为基础版和高级版（GPT-4 Turbo）。
- 应用场景：复杂文本分析、代码开发与调试、多模态生成、学术研究、企业决策支持等。
- GPT-3.5
- 开发机构：OpenAI
- 核心特点：GPT系列的经典版本，性价比高，算力消耗低，具备良好的文本生成、多轮对话、代码生成能力，上下文窗口适中（支持4k/16k token）；是目前应用最广泛的大语言模型之一，API调用成本低，适合中小企业和个人使用。
- 应用场景：智能客服、内容创作、简单代码生成、多轮对话、翻译等。
- Claude（Claude 2、Claude 3）
- 开发机构：Anthropic
- 核心特点：以"安全、可控"为核心优势，具备强大的文本生成、推理、长文本处理能力，上下文窗口极大（Claude 3 Opus支持200k token），能够处理完整的书籍、文档；支持多语言处理，中文表现较好；提供API调用，闭源模型，注重数据隐私保护。
- 应用场景：长文本分析、文档总结、法律文书处理、学术研究、企业知识库管理等。
- Llama 2（Meta Llama 2）
- 开发机构：Meta（脸书）
- 核心特点：开源大语言模型，涵盖7B、13B、70B等多个版本，支持本地部署，适合开发者和研究者使用；具备良好的文本生成、推理、多轮对话能力，英文表现最优，中文支持不断优化；支持微调，可适配特定领域需求，算力要求适中。
- 应用场景：学术研究、本地AI应用开发、内容创作、代码生成、小型企业智能服务等。
- Mistral（Mistral 7B、Mistral Large）
- 开发机构：Mistral AI（法国创业公司）
- 核心特点：开源与闭源结合，Mistral 7B开源可本地部署，性能优秀、算力消耗低，擅长文本生成和推理；Mistral Large为闭源模型，具备更强的多语言处理、代码生成、推理能力，上下文窗口大，API调用成本较低。
- 应用场景：本地AI开发、内容创作、代码开发、智能问答、多语言翻译等。