看不懂的 AI 词，
先过一遍翻译机。

基于 Transformer 架构的自回归大语言模型

一个把下一个字猜得特别准的程序。

利用提示词工程（Prompt Engineering）优化输出

把话说清楚，AI 才听得懂。

通过 RAG 检索增强生成，降低幻觉率

让 AI 先翻资料，再回答你。

构建具备规划、工具调用与多步推理能力的 AI Agent

不只聊天，还能自己一步步把事推进。

大模型存在事实性幻觉，需要通过对齐与检索抑制

它会很自信地编，听起来还特别真。

按 token 计量上下文长度与推理成本

AI 计费和“能读多长”，大致按小碎块字算。

在有限 context window 内完成长文本理解与多轮对话

它一次能“记住”的内容，有容量上限。

将文本编码为高维语义向量以支持相似度检索

把一句话变成一串数，方便找意思相近的内容。

构建企业专属知识库以支持智能问答

先把你的资料整理好，让 AI 按你的材料答。

通过多节点工作流编排实现业务自动化

把重复步骤串成一条可自动跑的流水线。

多模态模型支持文本、图像、音频的统一理解与生成

不只会读字，还能看图、听声、读文件。

通过领域数据对基座模型进行微调以提升任务表现

用你的例子再训练一下，让它更像你们的说话方式。

通过 system prompt 设定模型角色、安全策略与输出约束

写在后台的总规矩：你是谁、不能干什么。

调节 temperature 以控制解码随机性与创造性

数字越高越爱自由发挥，越低越稳、越保守。

通过 API 调用大模型推理服务并按量计费

程序之间的窗口：按规矩点菜、上菜。

模型通过 function calling 选择并调用外部工具

AI 不只动嘴，还能按规则去按按钮。

以 Copilot 形态嵌入工作流提供实时辅助生成

坐在副驾帮你，但方向盘还在你手里。

部署开源权重模型以获得可控性与私有化能力

权重和用法更开放，你可以自己部署，也自己操心。

通过人类反馈强化学习等方法进行模型对齐

训练它更听人话、少越界，尽量按人类期望行事。

针对生成式引擎优化内容结构以提升被引用概率

让 AI 回答问题时，更可能用到并提到你的内容。