89 lines
6.8 KiB
Markdown
Executable File
89 lines
6.8 KiB
Markdown
Executable File
# 专有名词速查表
|
||
|
||
> 按主题集中解释文中专有名词，遇到陌生词随时回查。
|
||
|
||
## 大模型与基础概念
|
||
|
||
| 术语 | 用途（做什么） |
|
||
| ---------------- | ----------------------------------------------- |
|
||
| LLM | 大语言模型，Agent 的「大脑」；本大纲只讲应用层调用，不涉及训练 |
|
||
| Token | 模型处理文本的最小单位；中文 1 字约 1\~2 token，计费按 token |
|
||
| 上下文窗口 | 模型单次能「看到」的最大 token 数，超出需截断或压缩 |
|
||
| 采样参数 | temperature / top-p / top-k 控制随机性；工具调用建议 0\~0.3 |
|
||
| Embedding | 把文本转成高维向量，语义相近则向量距离近；RAG 底座 |
|
||
| OpenAI 兼容接口 | 统一 chat/completions 格式，改 base\_url 即可切换模型 |
|
||
| Function Calling | 模型按 tools Schema 输出「调用哪个工具、传什么参数」 |
|
||
| Prompt 工程 | 设计指令让模型稳定输出符合要求的结果 |
|
||
| Few-shot | 提示中放入若干「输入→输出」示例让模型模仿 |
|
||
| CoT | 思维链，引导模型先逐步推理再给答案 |
|
||
| 幻觉 | 模型生成看似合理但为编造的内容；靠检索溯源抑制 |
|
||
| Ollama / vLLM | 本地跑模型（调试）/ 高吞吐推理服务（生产） |
|
||
|
||
## AI Agent 核心概念
|
||
|
||
| 术语 | 用途（做什么） |
|
||
| ----------------- | --------------------------- |
|
||
| Agent | 能自主「感知→规划→调用工具→反馈迭代」闭环的程序 |
|
||
| RAG | 先从知识库检索相关片段再作答，缓解幻觉、支持引用溯源 |
|
||
| ReAct | 思考→行动→观察 循环，最基础 Agent 范式 |
|
||
| Plan-and-Execute | 先生成完整计划再逐步执行，适合长周期任务 |
|
||
| Reflexion | 失败后反思错误再重试 |
|
||
| AutoGPT | 自主目标拆解循环执行；原型惊艳但生产可控性差 |
|
||
| ToT / GoT | 思维树 / 思维图，推理开销巨大，工业落地极少 |
|
||
| MAS | 多智能体系统：流水线、分层管控、辩论校验、黑板四种模式 |
|
||
| Human-in-the-loop | 高危节点插入人工确认，提升可靠性与合规性 |
|
||
| Checkpointer | 把 Agent 状态落盘，支持中断后恢复执行 |
|
||
| 短期/工作/长期记忆 | 当前会话 / 本任务中间态 / 跨会话持久化 |
|
||
| Bad-case | 效果差的输入样本，归类后驱动迭代优化 |
|
||
| Devin | AI 软件工程师概念产品，AI 研发助手的范式参考 |
|
||
|
||
## 主流框架与平台
|
||
|
||
| 术语 | 用途（做什么） |
|
||
| -------------------- | ----------------------------------- |
|
||
| LangChain | 模型封装、Prompt 模板、Chain、Tools 等基础组件脚手架 |
|
||
| LangGraph | 图状态化 Agent 框架，企业生产级 Agent 事实标准 |
|
||
| LlamaIndex | 数据接入、分块、索引、检索一体化的 RAG 框架 |
|
||
| CrewAI | 角色化多智能体框架，内容创作原型上手快 |
|
||
| AutoGen | 微软多 Agent 框架，Agent 间自然语言对话协作；⚠️ 已进维护模式，新框架为 Microsoft Agent Framework（MAF） |
|
||
| Semantic Kernel | 微软插件化框架，适合 Python / .NET 混合团队；⚠️ 已并入 MAF 进入维护模式 |
|
||
| Assistants API | OpenAI 托管式 Agent，快速原型；逻辑黑盒 |
|
||
| Dify | 低代码 Agent 平台，快速验证业务思路 |
|
||
| MCP | Model Context Protocol，Agent 工具接入的标准协议（跨进程共享工具，见阶段四） |
|
||
| LangSmith / LangFuse | 链路追踪与评测平台 |
|
||
| Ragas | RAG 评估库：忠实度 / 答案相关性 / 检索质量指标 |
|
||
| Streamlit | Python 快速 Web 框架，给 Agent Demo 做前端 |
|
||
|
||
## 工程工具与基础设施
|
||
|
||
| 术语 | 用途（做什么） |
|
||
| ---------------------------- | ------------------------------- |
|
||
| pydantic v2 | 数据校验库，生成 JSON Schema，兜底解析脏 JSON |
|
||
| loguru | 结构化日志，记录 Agent 全链路输入输出 |
|
||
| tenacity | 声明式重试策略，专治 LLM 网络抖动 |
|
||
| python-dotenv | 从 .env 读取密钥与配置 |
|
||
| FastAPI | 高性能 Web 框架，自动校验入参、支持 SSE 流式 |
|
||
| SSE / WebSocket | 服务器单向推送文本流 / 双向长连接 |
|
||
| Docker / Compose | 打包应用成镜像 / 一键拉起整套环境 |
|
||
| K8s | 容器集群编排：自动扩缩容、滚动发布 |
|
||
| Redis / PostgreSQL / MongoDB | 会话缓存 / 结构化业务数据 / 非结构化记忆 |
|
||
| pgvector | PostgreSQL 向量扩展：向量与业务数据同库、事务一致，中小规模首选 |
|
||
| pytest / ruff / mypy | 单测 / 代码风格检查 / 静态类型检查 |
|
||
| OpenTelemetry | 可观测性标准协议：一次埋点、trace/指标/日志多后端（Langfuse/LangSmith 均支持 OTLP 接入） |
|
||
|
||
## 存储、检索与外部服务
|
||
|
||
| 术语 | 用途（做什么） |
|
||
| ----------------------------- | ----------------------------- |
|
||
| 向量数据库 | 存储 Embedding 向量并做相似度检索，RAG 载体 |
|
||
| Chroma / FAISS | 本地调试；FAISS 纯内存不持久化 |
|
||
| Milvus / Qdrant / Pinecone | 生产级向量库，支持多租户与混合检索 |
|
||
| BM25 | 关键词匹配稀疏检索，与向量检索组成混合检索 |
|
||
| Reranker | 对粗召回结果二次精排，提升准确率 |
|
||
| Tavily / SerpAPI / DuckDuckGo | Agent 联网搜索能力 |
|
||
| PyMuPDF / PaddleOCR | PDF 解析 / 图片文字识别 |
|
||
| Jupyter / E2B | 交互式内核 / 云端沙箱，代码型 Agent 执行器 |
|
||
| RPA | 机器人流程自动化，接入办公自动化 Agent |
|
||
| AgentBench / GAIA | 公开 Benchmark，仅供横向认知 |
|
||
|