这份术语表不是用来背诵的，而是在你阅读课程时遇到陌生词，可以快速查“它是什么意思、第一次应该在哪里理解、容易和什么混淆”。如果一个概念暂时看不懂，先知道它解决什么问题，再回到对应章节补细节。
开发基础
| 术语 | 简明解释 | 第一次推荐理解位置 |
|---|
| 终端 | 用命令和系统交互的入口 | 开发者工具基础 |
| 当前目录 | 命令执行时所在的位置，很多路径错误都和它有关 | 终端与命令行 |
| 包管理器 | 安装和管理依赖的工具，例如 pip、npm、conda | 开发环境配置 |
| 虚拟环境 | 为项目隔离 Python 依赖的环境 | Python 环境 |
| Git | 记录代码版本变化的工具 | Git 与版本管理 |
| Commit | 一次可回溯的代码变更记录 | Git 基础流程 |
| README | 项目说明文件，告诉别人项目是什么、怎么运行、怎么验证 | 阶段项目与作品集 |
| API | 程序之间交换数据和调用能力的接口 | Python 项目、LLM API 调用 |
| JSON | 常见结构化数据格式，适合接口、配置和日志 | Python 文件与 API 章节 |
数据与机器学习
| 术语 | 简明解释 | 容易混淆点 |
|---|
| 数据集 | 用于分析、训练或评估的一组数据 | 数据集不等于训练集，训练集只是其中一部分 |
| 特征 | 模型用来预测或判断的输入信息 | 特征不是越多越好，质量和泄漏风险更重要 |
| 标签 | 监督学习中希望模型预测的目标 | 分类标签和回归目标不同 |
| 训练集 | 用来让模型学习的数据 | 不能用它代表最终效果 |
| 测试集 | 用来评估泛化能力的数据 | 不应该反复拿来调参 |
| 验证集 | 用来选择模型或调参数的数据 | 和测试集职责不同 |
| Baseline | 最简单的可比较起点模型或规则 | 不是低级做法，而是判断改进是否有效的基准 |
| 数据泄漏 | 模型训练时看到了本不该知道的信息 | 会让离线指标虚高，真实效果变差 |
| 过拟合 | 模型记住训练数据，却不能泛化到新数据 | 训练分数高不代表模型好 |
| 召回率 | 真正相关的样本中被找回的比例 | RAG 检索和分类任务里都常见 |
| F1 | 精确率和召回率的综合指标 | 类别不平衡时比准确率更有参考价值 |
深度学习与大模型基础
| 术语 | 简明解释 | 第一次推荐理解位置 |
|---|
| 张量 | 多维数组，是深度学习框架的基本数据结构 | PyTorch 基础 |
| Loss | 模型预测和真实目标之间的差距 | 神经网络训练闭环 |
| 反向传播 | 根据损失计算参数应该如何调整的过程 | 神经网络基础 |
| Optimizer | 根据梯度更新参数的算法 | PyTorch 训练循环 |
| Embedding | 把文本、图片或类别映射成向量表示 | NLP、RAG、向量检索 |
| Attention | 让模型判断输入中哪些部分更重要的机制 | Transformer 基础 |
| Transformer | 现代大模型的重要基础架构 | 深度学习与 Transformer |
| Token | 模型处理文本时的基本片段 | 大模型原理与 Prompt |
| Context Window | 模型一次能看到的上下文长度 | LLM 应用开发 |
| Pretraining | 在大规模数据上预先学习通用能力 | 大模型预训练 |
| Fine-tuning | 用特定数据继续训练模型以适配任务 | 微调章节 |
| Alignment | 让模型输出更符合人类意图、安全和规范 | 对齐章节 |
LLM、Prompt 与 RAG
| 术语 | 简明解释 | 容易混淆 点 |
|---|
| LLM | 大语言模型，能理解和生成文本 | LLM 不是完整应用，只是能力核心之一 |
| Prompt | 交给模型的任务说明、输入、约束和输出格式 | Prompt 不是咒语，而是任务设计 |
| System Prompt | 给模型设定角色、规则和边界的高优先级提示 | 不应把安全边界只寄托在普通用户提示里 |
| Structured Output | 让模型按 JSON、表格或固定字段输出 | 需要配合校验和重试 |
| Function Calling | 让模型按工具 schema 生成调用参数 | 它不是直接执行工具，执行仍由程序控制 |
| RAG | 检索增强生成，把外部资料检索后交给模型回答 | RAG 不等于向量数据库，向量库只是常见组件 |
| Chunk | 文档切分后的片段 | 太大影响精确度，太小容易丢上下文 |
| Vector Database | 存储和检索向量的数据库 | 不负责判断答案是否正确 |
| Hybrid Search | 结合关键词检索和向量检索 | 适合兼顾精确词和语义相似 |
| Rerank | 对初步检索结果重新排序 | 常用于提高最终上下文质量 |
| Citation | 答案引用的来源 | 有引用不代表引用真的支持答案，需要检查 |
| Hallucination | 模型生成看似合理但不可靠的内容 | RAG 可以降低但不能完全消除幻觉 |
Agent 与工程化
| 术语 | 简明解释 | 容易混淆点 |
|---|
| Agent | 能围绕目标进行规划、调 用工具、记录状态的 AI 工作流 | Agent 不是更会聊天的 LLM，而是系统设计 |
| Tool | Agent 可调用的外部能力，例如检索、计算、文件操作 | 工具权限必须受控 |
| Memory | Agent 保存短期或长期上下文的机制 | 记忆不是越多越好，污染会带来风险 |
| Planning | 把目标拆成步骤的过程 | 计划需要可执行、可停止、可回退 |
| Trace | 记录 Agent 每一步输入、输出、工具和状态 | 没有 trace 的 Agent 很难排障 |
| Replay | 根据历史轨迹复现执行过程 | 用于调试和评估 |
| Guardrails | 对输入、输出、工具和权限设置保护边界 | 不能只靠模型自觉遵守 |
| Human-in-the-loop | 在关键步骤加入人工确认 | 适合高风险操作和不可逆操作 |
| Observability | 对系统日志、指标、trace 和错误的可观察能力 | 不是上线后才加，而应从项目中期开始 |
| Deployment | 把项目部署到可访问环境 | 部署成功不等于生产可用，还需要监控和回滚 |
| Evaluation | 用样本、指标和人工标准判断系统好坏 | AI 应用评估通常需要自动指标和人工复核结合 |
怎么使用术语表
遇到陌生词时，先看它属于哪一类，再回到对应阶段阅读。不要因为一个术语暂时不懂就中断整条主线。第一次学习只需要知道它解决什么问题、输入输出是什么、和当前项目有什么关系；等你在项目里真正用到它，再补更细的原理和实现。