术语表
AI Agent 领域核心术语速查
A
AI（Artificial Intelligence，人工智能） 计算机系统表现出的智能行为，包括学习、推理、自我修正等能力。
Agent（智能体） 能够感知环境并采取行动以实现目标的自主实体。AI Agent 是指基于 AI 技术的智能体。
Always-on Agent（常驻智能体） 运行在云端独立环境中、用户不在场时仍能持续巡检信息并执行任务的 Agent，与「一问一答、关窗即停」的对话式 AI 相对。
Attention Mechanism（注意力机制） 深度学习中的一种技术，允许模型在处理输入时关注不同重要性的部分。
API（Application Programming Interface，应用程序接口） 软件系统之间交互的接口，在 AI 领域常指调用大模型服务的接口。
B
Base Model（基础模型） 在大规模数据上预训练的模型，可以作为多种任务的基础。
Batch Size（批次大小） 在训练模型时，一次输入多少样本数据。
C
Chain of Thought（思维链） 一种提示词技巧，引导模型逐步思考推理过程，提高复杂问题的解决能力。
Context Window（上下文窗口） 模型能够处理的最大文本长度，包括输入和输出。
Completion（补全） 模型根据输入生成的文本输出。
Token 文本的最小单位，可以是单词、词组或字符。模型按 Token 处理文本。
D
Deep Learning（深度学习） 基于神经网络的机器学习方法，通常指多层神经网络。
Distillation（模型蒸馏） 将大型模型的知识转移到小型模型的技术，用于模型压缩。
E
Embedding（嵌入） 将文本、图像等数据转换为数值向量的表示方法，用于捕捉语义关系。
Epoch（轮次） 在整个训练数据集上完整训练一次。
F
Fine-tuning（微调） 在预训练模型基础上，使用特定任务数据进行进一步训练的过程。
Few-shot Learning（少样本学习） 只提供少量示例，让模型学会新任务的能力。
Function Calling（函数调用） 大模型调用外部工具或 API 的能力。
Full Fine-tuning（全量微调） 调整模型的所有参数进行微调。
G
GEO（Generative Engine Optimization，生成式引擎优化） 让内容更容易被 AI 搜索、AI 答案检索、摘录和引用的一组实践。核心仍是可抓取、可验证、结构化的一手内容；Google 官方明确 AI 功能没有额外技术要求，llms.txt、专供 AI 的 Markdown 等并非必需项。
Grounding（检索接地） 把模型回答锚定在外部来源上的做法：先检索、再生成，并在输出中标注引用。搜索 API 和 Deep Research 都依赖它降低幻觉。
I
Information Agent（信息代理） 在后台持续运行、监控指定主题变化并主动推送综合更新的 Agent。Google 在 2026 年 I/O 上把信息代理引入 Search，先在 AI Pro / Ultra 订阅中提供。
L
LLM（Large Language Model，大语言模型） 参数规模巨大、在海量文本数据上训练的语言模型，如 GPT-4、Claude 等。
LoRA（Low-Rank Adaptation，低秩适应） 一种参数高效的微调方法，只训练少量额外参数。
M
MCP（Model Context Protocol，模型上下文协议） 连接 AI 模型和外部数据源的开放协议。2026-07-28 修订后为无状态协议：取消 initialize 握手与协议级会话，版本和能力随每个请求的 _meta 传递。
MRTR（Multi Round-Trip Requests，多轮往返请求） 服务端返回 resultType: "input_required" 的中间结果，客户端补齐输入后重试原请求的交互模式，取代服务端主动发起的 sampling / elicitation 请求。
Memory（记忆） Agent 存储和检索信息的能力，包括短期记忆和长期记忆。
Multi-Agent（多 Agent） 多个 Agent 协作完成复杂任务的系统。
N
NLP（Natural Language Processing，自然语言处理） 让计算机理解、生成和处理人类语言的技术。
O
Orchestration（编排） 协调和管理多个 Agent 或组件协同工作的过程。
P
Personal Agent（个人智能体） 以个人账号与数据为中心、跨应用代为处理事务的常驻 Agent。2026 年的代表产品包括 Claude Duet、OpenAI Dots、Meta Muse、Grok Bot。
Pre-training（预训练） 在大规模数据上训练模型的初始阶段。
Prompt（提示词） 输入给大模型的文本指令，用于引导模型生成特定输出。
Prompt Engineering（提示词工程） 设计和优化提示词以获得更好输出的技术和方法。
Q
Quantization（量化） 降低模型数值精度（如从 32 位浮点数降到 8 位整数）以减小模型大小和提高推理速度的技术。
QLoRA 量化感知的 LoRA，结合了量化和 LoRA 的优点。
R
RAG（Retrieval-Augmented Generation，检索增强生成） 通过检索外部知识库来增强大模型生成能力的技术。
RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习） 通过人类反馈来训练模型，使其输出更符合人类价值观的方法。
Reasoning（推理） 模型进行逻辑思考和推导的能力。
S
Search API（搜索接口） 面向 Agent 和应用的检索接口，通常返回排序后的 URL 与为模型压缩过的摘录，按请求计费。它与直接返回自然语言答案的 Answer API、把 URL 转成正文的 Extract API、异步多步研究的 Deep Research API 是不同层的能力。
Sentinel AI 用于监控和验证其他 AI 输出的 AI 系统。
System Prompt（系统提示词） 设置模型行为和角色的初始提示词。
T
Temperature（温度） 控制模型输出随机性的参数，值越高输出越随机，值越低输出越确定。
Transformer 一种深度学习架构，是现代大语言模型的基础。
Token Limit 上下文窗口的 Token 数量限制。
V
Vector Database（向量数据库） 专门存储和检索向量数据的数据库，常用于 RAG 系统。
常见缩写对照表
| 缩写 | 全称 | 中文 |
|---|---|---|
| AI | Artificial Intelligence | 人工智能 |
| GEO | Generative Engine Optimization | 生成式引擎优化 |
| API | Application Programming Interface | 应用程序接口 |
| LLM | Large Language Model | 大语言模型 |
| RAG | Retrieval-Augmented Generation | 检索增强生成 |
| RLHF | Reinforcement Learning from Human Feedback | 基于人类反馈的强化学习 |
| NLP | Natural Language Processing | 自然语言处理 |
| LoRA | Low-Rank Adaptation | 低秩适应 |
| MCP | Model Context Protocol | 模型上下文协议 |
| SaaS | Software as a Service | 软件即服务 |
| MVP | Minimum Viable Product | 最小可行产品 |