Skip to content

术语索引 ​

基本概念 ​

提示(Prompt): 提示是用户提供给 AI 模型的输入,常见形式包括问题、指令或陈述等,用以引导模型作答。提示的质量与结构深刻影响输出,因此提示工程是高效运用 AI 的关键技能。

上下文窗口(Context Window): 指 AI 模型单次可处理的最大 token 总量(含输入与生成内容)。这一固定上限是关键约束:超出窗口的信息会被忽略;窗口越大,越能支撑复杂对话与长文档分析。

上下文学习(In-Context Learning): 指模型仅凭提示中的示例即可适应新任务,而无需重新训练。这使单一通用模型能即时适配众多具体任务。

零样本、单样本与少样本提示(Zero-Shot, One-Shot, & Few-Shot Prompting): 这类技术向模型提供零个、一个或少量任务示例以引导作答。一般而言,示例越多,模型越能把握用户意图,并在该任务上提升准确度。

多模态(Multimodality): 指 AI 理解并处理多种数据类型(如文本、图像、音频)的能力,从而支持更灵活、更接近人类的交互,例如描述图像或应答语音提问。

接地(Grounding): 将模型输出锚定到可验证的真实世界信息源,以提高事实准确性并抑制幻觉。常见做法包括 RAG 等技术,从而提升 AI 系统的可信度。

核心 AI 模型架构 ​

Transformer: 大多数现代 LLM 所依托的基础神经网络架构。其核心创新是自注意力机制,可高效处理长文本序列并捕捉词语间的复杂关联。

循环神经网络(RNN): 早于 Transformer 的一类基础架构。RNN 顺序处理信息,借循环结构保留对先前输入的「记忆」,因而适用于文本与语音等任务。

混合专家(MoE): 一种高效架构:由「路由」网络为每个输入动态挑选少数「专家」子网络。模型因此可拥有海量参数,同时把计算成本控制在可接受范围。

扩散模型(Diffusion Models): 擅长生成高质量图像的生成式模型。思路是对数据注入随机噪声,再训练模型精细逆转该过程,从而由随机噪声生成新样本。

Mamba: 较新的序列建模架构,基于选择性状态空间模型(SSM),在长上下文上尤为高效。选择性机制可聚焦相关信息、抑制噪声,有望成为 Transformer 的有力替代之一。

LLM 开发生命周期 ​

强大语言模型的开发分阶段推进:首先是预训练(Pre-training),在海量通用互联网文本上训练基础模型,习得语言、推理与世界知识;继而是微调(Fine-tuning),以规模较小、面向任务的数据继续训练,使能力贴合特定用途;最后是对齐(Alignment),调校专用模型行为,使输出有益、无害并契合人类价值观。

预训练技术: 预训练阶段中,模型从海量数据习得通用知识,常见训练目标包括:因果语言建模(CLM),预测下一词;掩码语言建模(MLM),恢复被故意遮盖的词;另有去噪目标(由损坏输入还原原文)、对比学习(区分相似与相异样本)、下一句预测(NSP,判断两句是否前后衔接)等。

微调技术: 以较小、专用的数据集将通用预训练模型适配到具体任务。最常见的是监督微调(SFT),使用标注的输入—输出对;常见变体是指令微调,侧重更好遵循用户指令。为提升效率可采用参数高效微调(PEFT),例如 LoRA(低秩适配)仅更新少量参数,及其内存优化版 QLoRA。检索增强生成(RAG)可在微调或推理阶段接入外部知识源以增强模型。

对齐与安全: 对齐旨在使模型行为符合人类价值观与期望,做到有益且无害。主流路径包括基于人类反馈的强化学习(RLHF),以在人类偏好上训练的「奖励模型」引导学习,常配合近端策略优化(PPO)等算法以稳定训练。更轻量的替代包括直接偏好优化(DPO,无需单独奖励模型)与 Kahneman–Tversky 优化(KTO,进一步简化偏好数据收集)。部署阶段还可借助护栏(Guardrails)作为最后防线,过滤输出并实时拦截有害行为。

增强智能体能力 ​

智能体能够感知环境并自主行动以达成目标;其实际效果往往离不开稳健的推理框架。

思维链(CoT): 该提示技术鼓励模型在给出最终答案前逐步展开推理。这种「边想边说」的方式往往能在复杂推理任务上带来更高准确度。

思维树(ToT): 进阶推理框架:智能体并行探索多条推理路径(如树之分叉),自我评估各条思路并择优深入,从而在复杂问题上更有效。

ReAct(推理与行动): 将推理与行动纳入同一循环:智能体先「思考」下一步,再调用工具「行动」,并以观察结果驱动下一轮思考,因而在复杂任务上表现突出。

规划: 智能体把高层目标拆解为一系列较小、可控的子任务,并编排执行顺序,以应对复杂、多步骤任务。

深度研究: 智能体通过迭代检索、综合发现并追问新线索,自主深入某一主题,从而形成远超单次检索查询的全面理解。

评判模型: 专门用于审阅、打分并对另一模型输出给出反馈的 AI 模型,扮演自动化评审角色,有助于发现错误、改进推理并使终稿满足质量要求。

术语索引 ​

本术语索引由 Gemini Pro 2.5 生成。文末附有原始提示与推理步骤,既便于体会其节省时间的效果,也可作为学习参考。

A ​

  • A/B 测试 — 第 3 章:并行化
  • 动作选择 — 第 20 章:优先级排序
  • 适应 — 第 9 章:学习与适应
  • 自适应任务分配 — 第 16 章:资源感知优化
  • 自适应工具使用与选择 — 第 16 章:资源感知优化
  • 智能体(Agent) — 怎样的 AI 系统才算智能体?
  • 智能体与计算机接口(ACIs) — 附录 B
  • 智能体驱动的经济 — 怎样的 AI 系统才算智能体?
  • 作为工具的智能体 — 第 7 章:多智能体协作
  • 智能体卡片(Agent Cards) — 第 15 章:智能体间通信(A2A)
  • 智能体开发套件(ADK) — 第 2 章:路由、第 3 章:并行化、第 4 章:反思、第 5 章:工具使用(函数调用)、第 7 章:多智能体协作、第 8 章:记忆管理、第 12 章:异常处理与恢复、第 13 章:人在回路中、第 15 章:智能体间通信(A2A)、第 16 章:资源感知优化、第 19 章:评估与监控、附录 C
  • 智能体发现 — 第 15 章:智能体间通信(A2A)
  • 智能体轨迹 — 第 19 章:评估与监控
  • 智能体设计模式 — 引言
  • 智能体化 RAG — 第 14 章:知识检索(RAG)
  • 智能体化系统 — 引言
  • AI 联合科学家(AI Co-scientist) — 第 21 章:探索与发现
  • 对齐(Alignment) — 术语表
  • AlphaEvolve — 第 9 章:学习与适应
  • 类比 — 附录 A
  • 异常检测 — 第 19 章:评估与监控
  • Anthropic Claude 4 系列 — 附录 B
  • Anthropic 计算机使用 — 附录 B
  • API 交互 — 第 10 章:模型上下文协议(MCP)
  • 制品(Artifacts) — 第 15 章:智能体间通信(A2A)
  • 异步轮询 — 第 15 章:智能体间通信(A2A)
  • 审计日志 — 第 15 章:智能体间通信(A2A)
  • 自动化指标 — 第 19 章:评估与监控
  • 自动提示工程(APE) — 附录 A
  • 自主性 — 引言
  • 智能体间通信(A2A) — 第 15 章:智能体间通信(A2A)

B ​

  • 行为约束 — 第 18 章:护栏与安全模式
  • 浏览器使用 — 附录 B

C ​

  • 回调 — 第 18 章:护栏与安全模式
  • 因果语言建模(CLM) — 术语表
  • 辩论链(CoD) — 第 17 章:推理技术
  • 思维链(CoT) — 第 17 章:推理技术、附录 A
  • 聊天机器人 — 第 8 章:记忆管理
  • 聊天消息历史(ChatMessageHistory) — 第 8 章:记忆管理
  • 检查点与回滚 — 第 18 章:护栏与安全模式
  • 分块 — 第 14 章:知识检索(RAG)
  • 清晰与具体 — 附录 A
  • 客户端智能体 — 第 15 章:智能体间通信(A2A)
  • 代码生成 — 第 1 章:提示链、第 4 章:反思
  • 代码提示 — 附录 A
  • CoD(辩论链) — 第 17 章:推理技术
  • CoT(思维链) — 第 17 章:推理技术、附录 A
  • 协作 — 第 7 章:多智能体协作
  • 合规 — 第 19 章:评估与监控
  • 简洁性 — 附录 A
  • 内容生成 — 第 1 章:提示链、第 4 章:反思
  • 上下文工程 — 第 1 章:提示链
  • 上下文窗口 — 术语表
  • 上下文剪枝与摘要 — 第 16 章:资源感知优化
  • 上下文提示 — 附录 A
  • 承包方模型(Contractor Model) — 第 19 章:评估与监控
  • 会话缓冲记忆(ConversationBufferMemory) — 第 8 章:记忆管理
  • 对话式智能体 — 第 1 章:提示链、第 4 章:反思
  • 代价敏感探索 — 第 16 章:资源感知优化
  • CrewAI — 第 3 章:并行化、第 5 章:工具使用(函数调用)、第 6 章:规划、第 7 章:多智能体协作、第 18 章:护栏与安全模式、附录 C
  • 评判智能体 — 第 16 章:资源感知优化
  • 评判模型 — 术语表
  • 客户支持 — 第 13 章:人在回路中

D ​

  • 数据抽取 — 第 1 章:提示链
  • 数据标注 — 第 13 章:人在回路中
  • 数据库集成 — 第 10 章:模型上下文协议(MCP)
  • 数据库会话服务(DatabaseSessionService) — 第 8 章:记忆管理
  • 辩论与共识 — 第 7 章:多智能体协作
  • 决策增强 — 第 13 章:人在回路中
  • 分解 — 附录 A
  • 深度研究 — 第 6 章:规划、第 17 章:推理技术、术语表
  • 分隔符 — 附录 A
  • 去噪目标 — 术语表
  • 依赖 — 第 20 章:优先级排序
  • 扩散模型 — 术语表
  • 直接偏好优化(DPO) — 第 9 章:学习与适应
  • 可发现性 — 第 10 章:模型上下文协议(MCP)
  • 漂移检测 — 第 19 章:评估与监控
  • 动态模型切换 — 第 16 章:资源感知优化
  • 动态重排优先级 — 第 20 章:优先级排序

E ​

  • 嵌入 — 第 14 章:知识检索(RAG)
  • 具身 — 怎样的 AI 系统才算智能体?
  • 高能效部署 — 第 16 章:资源感知优化
  • 情景记忆 — 第 8 章:记忆管理
  • 错误检测 — 第 12 章:异常处理与恢复
  • 错误处理 — 第 12 章:异常处理与恢复
  • 升级策略 — 第 13 章:人在回路中
  • 评估 — 第 19 章:评估与监控
  • 异常处理 — 第 12 章:异常处理与恢复
  • 专家团队 — 第 7 章:多智能体协作
  • 探索与发现 — 第 21 章:探索与发现
  • 外部审核 API — 第 18 章:护栏与安全模式

F ​

  • 因子化认知(Factored Cognition) — 附录 A
  • FastMCP — 第 10 章:模型上下文协议(MCP)
  • 容错 — 第 18 章:护栏与安全模式
  • 少样本学习 — 第 9 章:学习与适应
  • 少样本提示 — 附录 A
  • 微调 — 术语表
  • 形式化合约 — 第 19 章:评估与监控
  • 函数调用 — 第 5 章:工具使用(函数调用)、附录 A

G ​

  • Gemini Live — 附录 B
  • Gems — 附录 A
  • 生成式媒体编排 — 第 10 章:模型上下文协议(MCP)
  • 目标设定 — 第 11 章:目标设定与监控
  • 辩论图(GoD) — 第 17 章:推理技术
  • Google 智能体开发套件(ADK) — 第 2 章:路由、第 3 章:并行化、第 4 章:反思、第 5 章:工具使用(函数调用)、第 7 章:多智能体协作、第 8 章:记忆管理、第 12 章:异常处理与恢复、第 13 章:人在回路中、第 15 章:智能体间通信(A2A)、第 16 章:资源感知优化、第 19 章:评估与监控、附录 C
  • Google Co-Scientist — 第 21 章:探索与发现
  • Google DeepResearch — 第 6 章:规划
  • Google Project Mariner — 附录 B
  • 优雅降级 — 第 12 章:异常处理与恢复、第 16 章:资源感知优化
  • GoD(辩论图) — 第 17 章:推理技术
  • 接地(Grounding) — 术语表
  • 护栏(Guardrails) — 第 18 章:护栏与安全模式

H ​

  • Haystack — 附录 C
  • 层次分解 — 第 19 章:评估与监控
  • 层次结构 — 第 7 章:多智能体协作
  • HITL(人在回路中) — 第 13 章:人在回路中
  • 人在回路中(HITL) — 第 13 章:人在回路中
  • 人在环上(Human-on-the-loop) — 第 13 章:人在回路中
  • 人类监督 — 第 13 章:人在回路中、第 18 章:护栏与安全模式

I ​

  • 上下文学习 — 术语表
  • 内存记忆服务(InMemoryMemoryService) — 第 8 章:记忆管理
  • 内存会话服务(InMemorySessionService) — 第 8 章:记忆管理
  • 输入校验/净化 — 第 18 章:护栏与安全模式
  • 指令优于约束 — 附录 A
  • 智能体间通信(A2A) — 第 15 章:智能体间通信(A2A)
  • 干预与纠正 — 第 13 章:人在回路中
  • 物联网设备控制 — 第 10 章:模型上下文协议(MCP)
  • 迭代式提示与精炼 — 附录 A

J ​

  • 越狱攻击 — 第 18 章:护栏与安全模式

K ​

  • Kahneman–Tversky 优化(KTO) — 术语表
  • 知识检索(RAG) — 第 14 章:知识检索(RAG)

L ​

  • LangChain — 第 1 章:提示链、第 2 章:路由、第 3 章:并行化、第 4 章:反思、第 5 章:工具使用(函数调用)、第 8 章:记忆管理、第 20 章:优先级排序、附录 C
  • LangGraph — 第 1 章:提示链、第 2 章:路由、第 3 章:并行化、第 4 章:反思、第 5 章:工具使用(函数调用)、第 8 章:记忆管理、附录 C
  • 延迟监控 — 第 19 章:评估与监控
  • 基于学习的资源分配策略 — 第 16 章:资源感知优化
  • 学习与适应 — 第 9 章:学习与适应
  • 以 LLM 为评判者(LLM-as-a-Judge) — 第 19 章:评估与监控
  • LlamaIndex — 附录 C
  • LoRA(低秩适配) — 术语表
  • 低秩适配(LoRA) — 术语表

M ​

  • Mamba — 术语表
  • 掩码语言建模(MLM) — 术语表
  • 多智能体系统搜索(MASS) — 第 17 章:推理技术
  • 模型上下文协议(MCP) — 第 10 章:模型上下文协议(MCP)
  • 记忆管理 — 第 8 章:记忆管理
  • 基于记忆的学习 — 第 9 章:学习与适应
  • MetaGPT — 附录 C
  • Microsoft AutoGen — 附录 C
  • 混合专家(MoE) — 术语表
  • MCP(模型上下文协议) — 第 10 章:模型上下文协议(MCP)
  • 模块化 — 第 18 章:护栏与安全模式
  • 监控 — 第 11 章:目标设定与监控、第 19 章:评估与监控
  • 多智能体协作 — 第 7 章:多智能体协作
  • MASS(多智能体系统搜索) — 第 17 章:推理技术
  • 多模态 — 术语表
  • 多模态提示 — 附录 A

N ​

  • 负例 — 附录 A
  • 下一句预测(NSP) — 术语表

O ​

  • 可观测性 — 第 18 章:护栏与安全模式
  • 单样本提示 — 附录 A
  • 在线学习 — 第 9 章:学习与适应
  • OpenAI Deep Research API — 第 6 章:规划
  • OpenEvolve — 第 9 章:学习与适应
  • OpenRouter — 第 16 章:资源感知优化
  • 输出过滤/后处理 — 第 18 章:护栏与安全模式

P ​

  • 程序辅助语言模型(PAL) — 第 17 章:推理技术
  • 并行化 — 第 3 章:并行化
  • 并行化与分布式计算认知 — 第 16 章:资源感知优化
  • 参数高效微调(PEFT) — 术语表
  • PEFT(参数高效微调) — 术语表
  • 性能跟踪 — 第 19 章:评估与监控
  • 人设模式 — 附录 A
  • 个性化 — 怎样的 AI 系统才算智能体?
  • 规划 — 第 6 章:规划、术语表
  • 优先级排序 — 第 20 章:优先级排序
  • 最小权限原则 — 第 18 章:护栏与安全模式
  • 主动资源预测 — 第 16 章:资源感知优化
  • 程序性记忆 — 第 8 章:记忆管理
  • PAL(程序辅助语言模型) — 第 17 章:推理技术
  • Project Astra — 附录 B
  • 提示(Prompt) — 术语表
  • 提示链 — 第 1 章:提示链
  • 提示工程 — 附录 A
  • 近端策略优化(PPO) — 第 9 章:学习与适应
  • 推送通知 — 第 15 章:智能体间通信(A2A)

Q ​

  • QLoRA — 术语表
  • 质量导向的迭代执行 — 第 19 章:评估与监控

R ​

  • 检索增强生成(RAG) — 第 8 章:记忆管理、第 14 章:知识检索(RAG)、附录 A
  • ReAct(推理与行动) — 第 17 章:推理技术、附录 A、术语表
  • 推理 — 第 17 章:推理技术
  • 基于推理的信息抽取 — 第 10 章:模型上下文协议(MCP)
  • 恢复 — 第 12 章:异常处理与恢复
  • 循环神经网络(RNN) — 术语表
  • 反思 — 第 4 章:反思
  • 强化学习 — 第 9 章:学习与适应
  • 基于人类反馈的强化学习(RLHF) — 术语表
  • 可验证奖励的强化学习(RLVR) — 第 17 章:推理技术
  • 远程智能体 — 第 15 章:智能体间通信(A2A)
  • 请求/响应(轮询) — 第 15 章:智能体间通信(A2A)
  • 资源感知优化 — 第 16 章:资源感知优化
  • RAG(检索增强生成) — 第 8 章:记忆管理、第 14 章:知识检索(RAG)、附录 A
  • RLHF(基于人类反馈的强化学习) — 术语表
  • RLVR(可验证奖励的强化学习) — 第 17 章:推理技术
  • RNN(循环神经网络) — 术语表
  • 角色提示 — 附录 A
  • 路由智能体 — 第 16 章:资源感知优化
  • 路由 — 第 2 章:路由

S ​

  • 安全 — 第 18 章:护栏与安全模式
  • 推理扩展律(Scaling Inference Law) — 第 17 章:推理技术
  • 调度 — 第 20 章:优先级排序
  • 自洽性 — 附录 A
  • 自校正 — 第 4 章:反思、第 17 章:推理技术
  • 自改进编程智能体(SICA) — 第 9 章:学习与适应
  • 自精炼 — 第 17 章:推理技术
  • Semantic Kernel — 附录 C
  • 语义记忆 — 第 8 章:记忆管理
  • 语义相似度 — 第 14 章:知识检索(RAG)
  • 关注点分离 — 第 18 章:护栏与安全模式
  • 顺序交接 — 第 7 章:多智能体协作
  • 服务器推送事件(SSE) — 第 15 章:智能体间通信(A2A)
  • 会话 — 第 8 章:记忆管理
  • SICA(自改进编程智能体) — 第 9 章:学习与适应
  • SMART 目标 — 第 11 章:目标设定与监控
  • 状态 — 第 8 章:记忆管理
  • 状态回滚 — 第 12 章:异常处理与恢复
  • 退一步提示(Step-Back Prompting) — 附录 A
  • 流式更新 — 第 15 章:智能体间通信(A2A)
  • 结构化日志 — 第 18 章:护栏与安全模式
  • 结构化输出 — 第 1 章:提示链、附录 A
  • SuperAGI — 附录 C
  • 监督微调(SFT) — 术语表
  • 监督学习 — 第 9 章:学习与适应
  • 系统提示 — 附录 A

T ​

  • 任务评估 — 第 20 章:优先级排序
  • 文本相似度 — 第 14 章:知识检索(RAG)
  • Token 用量 — 第 19 章:评估与监控
  • 工具使用(函数调用) — 第 5 章:工具使用(函数调用)、附录 A
  • 工具使用限制 — 第 18 章:护栏与安全模式
  • ToT(思维树) — 第 17 章:推理技术、附录 A、术语表
  • Transformer — 术语表
  • 思维树(ToT) — 第 17 章:推理技术、附录 A、术语表

U ​

  • 无监督学习 — 第 9 章:学习与适应
  • 用户人设 — 附录 A

V ​

  • 验证 — 第 3 章:并行化
  • 向量检索 — 第 14 章:知识检索(RAG)
  • VertexAiRagMemoryService — 第 8 章:记忆管理
  • VertexAiSessionService — 第 8 章:记忆管理
  • Vibe Coding — 附录 B
  • 视觉感知 — 附录 B

W ​

  • Webhooks — 第 15 章:智能体间通信(A2A)

Z ​

  • 零样本学习 — 第 9 章:学习与适应
  • 零样本提示 — 附录 A

原始提示 ​

以下为生成本术语索引时所使用的原始提示:

请阅读这份 Google 文档及首页所列全部关联文档,提取各章标题并列出。随后通读各章正文,编制可供出版的详细索引:每个词条配以定位符,指向相关内容所在位置。不要示例索引;需要完整索引,且至少包含 100 个索引词条。

Gemini 2.5:推理步骤 ​

以下为 Gemini 2.5 生成该索引时的推理步骤。

开始创建索引 ​

已打开主 Google 文档,并把握“提取章标题、构建详细索引”这一核心需求。

定义索引提取流程 ​

已将用户需求拆解为可执行步骤,计划通过 Workspaces 访问主文档,并进一步解析相关联的文档。

优化提取策略 ​

已形成多步流程:访问主 Google 文档 → 解析并读取关联文档 → 提取标题并编制满足词条数量要求的索引。

1. 明确用户意图 ​

交付物已明确为章标题列表与全面索引;正在评估可用 API 能力及不同文档结构下的提取与索引策略。

2. 考虑工具使用 ​

已用正则从主文档提取各章 URL,准备通过 Workspaces 拉取正文以支撑索引编制。

访问章节内容 ​

各章 URL 已就绪;下一步经 Workspaces 抓取正文以生成索引,并兼顾处理效率。

抓取章节内容 ​

主文档中的章级 URL 已锁定;拟批量请求并整合正文,以生成完整、准确的索引。

启动 URL 提取 ​

主文档中的章 URL 已全部提取;正在配置 Workspaces 抓取各章全文,为编制至少含 100 个词条的索引准备语料。

启动章节提取 ​

已按 URL 逐章调用 Workspaces 获取正文,并开始汇总文本以满足索引规模要求。

编排章节检索 ​

已发起 Workspaces 调用;正分批拉取各章内容以规避限流,并汇总文本供编制索引。

解读用户请求 ​

需求已拆解:一要罗列 Google 文档中的完整章标题,二要编制至少含一百个关键术语的详细索引;前者较直接,后者需更细的内容取舍与归类。

提取标题并编制索引 ​

需求已确认:基于所供文档提取章标题并编制全面索引;已拉取 31 份 Google 文档正文且无需额外工具;拟先据文件名提取章题,再精读正文并配以章节定位符。

制定提取计划 ​

方案已细化:先依据已抓取的 31 份文档文件名汇总章节标题,再分析正文生成按字母排序、超过 100 条的完整索引;策略已明确,可进入执行阶段。

完善提取策略 ​

路径明确:据 31 份文件名汇总章题,再精读正文,构建按字母排序、逾百条的索引;覆盖《智能体设计模式》全书及各附录,交付完整索引而非示例稿。

确定方法 ​

需求已厘清:先从文件名提取章标题,再编制逾百条、按字母排序且标注章节位置的索引;准备开始提取与编制。