AI 入门 · 术语手册

AI 大模型「黑话」翻译词典（小白友好版）

一份把「江湖黑话」翻译成「人话」的入门手册。

⭐ 基础 🔥 高频热点 🔮 未来趋势 ✅ 速查表

📘 面向 零基础入门者 与 广泛传播场景 📄 Markdown / HTML / PDF 多版本

一份把「江湖黑话」翻译成「人话」的入门手册。 目标：看完之后，你刷 AI 新闻、看模型对比、跟人聊大模型，不再一头雾水。

---

这份文档怎么用

• 不用从头背。先读【第一章：地基概念】，建立"地图"；其他章节当字典查。
• 每个词都按统一结构写：人话解释 → 打个比方 → 你为什么会在哪听到它 → 常见误解。
• 看到不懂的词，直接搜标题里的中文名。
• 每个词前面标了 ⭐（基础必备）／🔥（高频热点）／🔮（未来趋势）。
• 最后一章是：「黑话 → 人话」速查表，适合当"贴墙上"的口诀。

一句话总纲：今天所有关于大模型的讨论，本质都在回答四个问题—— ① 模型有多大（能力从哪来）② 模型怎么被调教（听不听话）③ 你怎么用它（提示词/工具）④ 谁更厉害（对比评测）。 下面所有黑话，都可以归到这四类里的某一类。

---

目录

1. 地基概念：先搞懂大模型是什么
2. 模型是怎么"炼"出来的：训练黑话
3. 怎么用模型：提示词与推理黑话
4. 进阶玩法与热点：RAG、Agent 等
5. 对比评测时的高频黑话
6. 认知、误区与理论：看懂争论背后
7. 黑话 → 人话 速查表
8. 给小白的学习路径与实用建议

---

第一章：地基概念——先搞懂大模型是什么

1.1 ⭐ 人工智能（AI）

• 人话：让机器表现出"像人一样聪明"的能力的总称。范围最大。
• 比喻：就像"交通工具"，汽车、自行车、飞机都算。
• 你会听到：任何地方。它是"大圈"，大模型只是圈里的一小块。
• 误区：AI ≠ 大模型。计算器、推荐算法、扫地机器人也算 AI。

1.2 ⭐ 机器学习（Machine Learning）

• 人话：不直接给机器写死规则，而是"喂数据 + 让它自己总结规律"。
• 比喻：传统编程是"手把手写菜谱"，机器学习是"给它一千道菜，让它自己悟出做菜的道理"。
• 误区：不是"机器自己长出意识"，只是统计规律拟合。

1.3 ⭐ 深度学习（Deep Learning）

• 人话：机器学习里用"多层神经网络"的那一派，也是现在大模型的底层技术。
• 比喻：把"总结经验"分成很多层流水线，浅层看细节，深层看大意。
• 你会在哪听到：2012 年之后 AI 爆发，说的基本就是它。

1.4 ⭐ 神经网络（Neural Network）

• 人话：一堆数学算式的连接网，灵感来自大脑神经元，但别当真——它并没那么像大脑。
• 比喻：无数个小开关（权重）拼成的大电路，输入信息后层层"电流"流过，最后得到答案。
• 误区：名字唬人，本质是大量乘法和加法的堆叠。

1.5 ⭐ 大语言模型（LLM，Large Language Model）

• 人话：在海量文字上训练出来的、专门处理语言的巨型神经网络。可以"读懂"和"生成"文字。ChatGPT、Claude、Gemini、DeepSeek、文心、通义都是它。
• 比喻：一个读完了半个互联网、特别会接话茬的"文字接龙高手"。
• 关键认知：它最核心的动作就是——根据你现在给的内容，猜下一个词最可能是什么，然后重复。所谓"写作、翻译、编程、聊天"，都是这个动作的不同外衣。
• 误区：见 6.1、6.2。它不是"知识数据库"，也不是"真在思考"。

1.6 ⭐ Token（词元／令牌）

• 人话：模型处理文字的最小单位。不是"字"，也不是"词"，而是介于两者之间的碎片。
• 比喻：像乐高积木。一句话会被切成一块块积木，模型一块块处理；中文有时一个字是一块，有时半个词是一块。
• 你会在哪听到：
  • "上下文 128K tokens"——指能一次塞进去多少积木。
  • "按 token 计费"——就是你用多少积木，就付多少钱。
• 经验值：英文大约 1 个 token ≈ 0.75 个单词；中文大约 1 个 token ≈ 0.5～1 个字。

1.7 ⭐ 参数（Parameter／权重／weights）

• 人话：模型里那些可以被"调"的数字，知识就存在这些数字里。
• 比喻：像大脑的突触强度，或一台有海量旋钮的机器，训练就是不断拧旋钮，直到输出对味。
• 你会在哪听到："70B 模型""7B 参数"——B = Billion，10 亿。70B 就是 700 亿个旋钮。
• 记忆：参数量 ≈ 模型的"脑容量/体积"，越大通常越强，但并非绝对（还要看数据和训练质量）。

1.8 ⭐ 训练 vs 推理（Training vs Inference）

• 人话：
  • 训练：教模型的过程，像上学。贵、慢，一次要烧很多显卡。
  • 推理：模型学成后回答你的问题，像考试。便宜、快，你每次使用都是推理。
• 比喻：训练=酿酒的发酵过程；推理=开瓶倒酒。
• 你会听到："推理成本""推理速度"——都指用模型时的花销和快慢。

1.9 ⭐ 上下文窗口（Context Window）

• 人话：模型一次性能"看见"的内容长度上限（单位是 token）。超过就"忘"了。
• 比喻：模型的短时记忆桌面。桌子就那么大，堆满的旧文件会被挤掉。
• 你会在哪听到："128K 上下文""100 万字长文本"。数字越大，越能一口气读长文档。
• 误区：窗口大 ≠ 一定记得牢。塞得进去和"用得好"是两回事（有"lost in the middle"现象：中间内容容易被忽略）。

1.10 ⭐ 生成式 AI（Generative AI）／AIGC

• 人话：能"无中生有"产出内容（文字、图、音频、视频）的 AI。
• 比喻：以前的 AI 是"选择题高手"（只做分类判断），生成式 AI 是"作文高手"（自己写）。
• AIGC = AI Generated Content，AI 生成的内容。

1.11 🔥 多模态（Multimodal）

• 人话：不只处理文字，还能"看懂"图片、听懂声音、看懂视频。
• 比喻：从"只会读字"升级成"眼耳口鼻都开"。GPT-4o、Gemini、Claude 都能看图了。
• "模态"是什么：信息的类型——文字、图像、音频、视频各算一种模态。

---

第二章：模型是怎么"炼"出来的——训练黑话

比喻总纲：预训练=上通识大学；微调=岗前特训；RLHF=师傅打分调教；对齐=教它守规矩。

2.1 ⭐ 预训练（Pre-training）

• 人话：喂海量互联网文字，让模型学会"语言规律和世界常识"。最烧钱的一步。
• 比喻：从小学到大学通识教育，什么都见识一点。
• 产物：基座模型（见 2.9）。

2.2 ⭐ 微调（Fine-tuning，简称 FT）

• 人话：在预训练基础上，用特定领域的小数据再教一遍，让它更懂某专业或某种风格。
• 比喻：大学毕业后的岗前培训——医学微调、法律微调、客服语气微调。
• 对比 RAG：微调是"把知识长进脑子里"，RAG 是"考试时翻书查"（见 4.1）。

2.3 ⭐ 指令微调（Instruction Tuning／SFT）

• 人话：专门教模型"听懂并服从指令"。没这一步，模型只会接龙，不会"帮我写邮件"。
• 比喻：把"满腹经纶的书呆子"训练成"能听指令干活的助理"。
• SFT = Supervised Fine-Tuning，监督微调（有标准答案的示范教学）。

2.4 ⭐ RLHF（人类反馈强化学习）

• 人话：让人给模型的多个回答打分排名，用这些偏好教它"哪种答案更讨喜、更安全"。
• 比喻：像训练狗——做对了给零食。区别是"零食"由人类打分提供。
• 你会在哪听到：所有聊天模型的"好用、有礼貌、不乱说"背后几乎都有它。
• 相关词：DPO（更简单高效的替代方案）、RLAIF（用 AI 代替人类打分）。

2.5 ⭐ 对齐（Alignment）

• 人话：让模型的行为符合人类价值观和意图——有用、诚实、无害（业内简称 3H）。
• 比喻：驯化野马，让它愿意被人骑、不踢人。
• 为什么重要：能力强但"不听话/乱说/会作恶"的模型很危险。对齐是安全研究的核心。

2.6 ⭐ 涌现（Emergence）

• 人话：模型大到一定程度，突然学会了没专门教过的能力（如算术、推理）。
• 比喻：水加温到 100℃ 突然沸腾——量变引起质变。
• 你会听到：讨论"大模型为什么这么神奇"时。
• 争议：有学者认为"涌现"可能只是评测方法造成的错觉（"海市蜃楼"）。

2.7 🔥 缩放定律（Scaling Law）

• 人话：一条经验规律——模型越大、数据越多、算力越足，效果越好，而且提升大致可预测。
• 比喻：做菜的"配方比例"：多加料、多炖，菜大概率更好（但有上限和边际递减）。
• 为什么重要：GPT 系列就是"赌"这条规律成功，才敢砸巨资。
• 争论：有人问"这条曲线会不会撞墙？"——即"缩放到底有没有天花板"（见 6.5）。

2.8 ⭐ 蒸馏（Distillation）

• 人话：让大模型当老师，把本事"浓缩"教给小模型，让小模型又小又强。
• 比喻：名师把毕生精华写成一页纸，徒弟照着学。
• 你会听到："蒸馏版""小模型继承了大哥的能力"。
• 同族词：量化、剪枝（见下）——都是"把模型减肥变小"的手段。

2.9 ⭐ 量化（Quantization）

• 人话：把模型里那些数字用更少的位数存储，从而体积更小、跑得更快，代价是可能略掉点精度。
• 比喻：把高清照片压成 JPG——小多了，肉眼看着差不多。
• 你会听到：在本地电脑跑模型时，常见 "4-bit 量化""Q4"。
• 同族词：剪枝（Pruning）=剪掉不重要的连接；蒸馏=另造小模型。

2.10 ⭐ 基座模型／底模（Base Model）

• 人话：只做完预训练、还没被调教听话的原始模型。
• 比喻：刚毕业、满腹知识但不会"说人话"的新人。
• 你会听到：开发者说"我们基于某某底模做微调"。

2.11 🔥 数据飞轮（Data Flywheel）

• 人话：用户用得越多 → 产生越多数据 → 模型越强 → 吸引更多用户……的正循环。
• 比喻：滚雪球。这是大厂 AI 竞争的护城河逻辑。

2.12 🔥 算力／显卡／GPU

• 人话：训练和运行模型的硬件马力。目前主要指英伟达的 GPU（如 H100、A100）。
• 黑话："显卡荒""抢卡""算力就是新石油"。
• 相关：TPU（谷歌自研芯片）、ASIC、国产算力。

---

第三章：怎么用模型——提示词与推理黑话

3.1 ⭐ 提示词（Prompt）

• 人话：你给模型的那段输入文字。写得好不好，直接决定回答质量。
• 比喻：点菜。你说"随便"，厨师就随便；你说"微辣、不要香菜、多放牛肉"，菜就对味。
• 口诀：角色 + 任务 + 背景 + 格式 + 例子（见 3.9）。

3.2 ⭐ 系统提示词（System Prompt）

• 人话：开发者预设的"总规矩"，优先级最高，用户一般看不到。
• 比喻：员工手册/人设设定卡。规定"你是专业客服，语气友好，不得泄露隐私"。

3.3 ⭐ 零样本／少样本（Zero-shot / Few-shot）

• 人话：
  • Zero-shot：不给例子，直接问。
  • Few-shot：先给几个"示范答案"，再让它照做。
• 比喻：Zero-shot 是口头描述菜谱；Few-shot 是"照着这 3 盘菜的样子各来一份"。
• 效果：通常 Few-shot 更准，尤其格式要求高时。

3.4 ⭐ 思维链（CoT，Chain-of-Thought）

• 人话：让模型一步步把推理过程写出来，而不是直接蹦答案，这样难题正确率更高。
• 比喻：做数学题要求"写出过程"，比直接写答案更不容易错。
• 触发话术："让我们一步一步想""先分析再给结论"。

3.5 🔥 提示工程（Prompt Engineering）

• 人话：系统地设计提示词以获得更好结果的手艺/技能。
• 比喻：跟一个能力很强但很死板的实习生沟通的"表达技巧"。
• 未来：随着模型变聪明，这套手艺重要度在下降（模型自己会补全意图），但短期仍是实用技能。

3.6 ⭐ 温度（Temperature）／Top-p

• 人话：控制回答随机性/创造性的旋钮。
  • 温度低（接近 0）：稳定、保守、每次都差不多。适合事实问答、编程。
  • 温度高：发散、有创意、也更容易胡说。适合头脑风暴、写文案。
• 比喻：调"脑洞大小"的档位。
• Top-p（核采样）：另一种控制随机范围的方式，常和温度二选一调。

3.7 ⭐ 幻觉（Hallucination）

• 人话：模型一本正经地编造不存在的事实、引用、数据。
• 比喻：一个从不承认自己不知道的健谈者，没有答案就现场编一个，还说得特别自信。
• 根因：它的本质是"猜最像的下一个词"，不是"查证真相"。
• 应对：要求给来源、用 RAG 查资料、交叉验证、关键事实人工核对。

3.8 ⭐ 越狱（Jailbreak）／提示词注入

• 人话：用花招绕过模型的安全限制，让它说不该说的话、做不该做的事。
• 比喻：钻规章制度的空子。安全攻防是长期猫鼠游戏。
• 相关：提示词注入（Prompt Injection）——把恶意指令藏在网页/文档里，骗过模型。

3.9 ⭐ 上下文学习（In-context Learning）

• 人话：模型不重新训练，只看你给的例子和说明，就能现学现用完成新任务。
• 比喻：临场看几道例题就会做同类题，不用回炉重造。
• 这是大模型"通用"的关键原因之一。

3.10 🔥 结构化输出（JSON Mode／Structured Output）

• 人话：让模型按固定格式（如 JSON）输出，方便程序对接。
• 比喻：填表——内容管够，但必须填进规定的格子里。

---

第四章：进阶玩法与热点——RAG、Agent 等

4.1 🔥 RAG（检索增强生成，Retrieval-Augmented Generation）

• 人话：先查资料，再回答。从你的知识库里检索相关内容，塞进提示词，让模型"看着材料答题"。
• 比喻：开卷考试。模型负责答题，资料由你提供，能大幅减少"瞎编"。
• 为什么火：让模型用上它没学过的、私有的、最新的知识，且不用重新训练。
• 对比微调：见 4.11。

4.2 ⭐ 词嵌入／向量（Embedding / Vector）

• 人话：把一段文字变成一串数字，让"意思相近"的文字在数学上距离也相近。
• 比喻：给每句话在"意义宇宙"里定位一个坐标；"猫"和"小猫"坐标很近。
• 用途：搜索、推荐、聚类、RAG 的"找资料"都靠它。

4.3 🔥 向量数据库（Vector Database）

• 人话：专门存向量、做相似度搜索的数据库，帮 RAG 快速找到最相关的资料。
• 比喻：图书馆的"按内容找书"索引导航。
• 常见名字：Pinecone、Milvus、Weaviate、Chroma、FAISS。

4.4 🔥 Agent（智能体）

• 人话：不只是聊天，而是能自己规划、调用工具、分多步完成任务的 AI。
• 比喻：从"问答机器人"升级成"能自己跑腿办事的助理"——订票、查资料、写代码、发邮件一条龙。
• 关键词：规划、记忆、工具、执行。

4.5 🔥 工具调用／Function Calling

• 人话：模型调用外部程序/接口的能力，比如查天气、算数学、搜网页。
• 比喻：给 AI 一双手——不只是"说"，还能"做"。
• 意义：弥补模型"算不准、没实时信息"的短板。

4.6 🔥 MCP（Model Context Protocol）

• 人话：一个让模型统一连接各种工具和数据源的"通用插头"标准。
• 比喻：AI 世界的 USB-C。以前每个工具都要单独适配，现在一个标准接口通吃。
• 你会听到：2024 年底由 Anthropic 提出后迅速流行，被视为 Agent 基础设施。

4.7 🔥 混合专家（MoE，Mixture of Experts）

• 人话：模型内部拆成多个"专家小组"，每次只激活部分来处理问题。
• 比喻：一个大医院，看什么病挂什么科，不用全院医生同时上——总规模大但每次只动用一小部分，省算力。
• 你会听到："这是 MoE 架构""激活参数只有 X B"（注意区分总参数和激活参数）。

4.8 🔥 长上下文／长文本

• 人话：一次能读/处理很长的内容（整本书、整个代码库）。
• 比喻：给模型一张超长办公桌，能同时摊开一堆资料。
• 误区：见 1.9——能用和用得好是两回事。

4.9 🔥 记忆（Memory）

• 人话：让 AI记住你和过往对话，跨会话不忘。
• 比喻：从"金鱼记忆"升级成"有笔记本的助理"。
• 相关：短期记忆（当前对话）vs 长期记忆（存档的偏好/事实）。

4.10 🔥 工作流（Workflow）／编排（Orchestration）

• 人话：把多个模型/步骤串成流水线，各管一段。
• 比喻：工厂流水线，而不是一个全能工人干到底。
• 相关工具：Dify、Coze、n8n、LangChain。

4.11 🔥 微调 vs RAG vs 提示词：怎么选

一张决策表（小白最常纠结的问题）：

---

第五章：对比评测时的高频黑话

5.1 ⭐ 基准测试（Benchmark）

• 人话：一套标准化考题，用来给不同模型打分排名。
• 比喻：高考/托福——统一试卷才能横向比较。
• 误区：刷榜 ≠ 真强。可能"应试"，实际使用体验不同。看榜要结合真人盲测。

5.2 ⭐ 常见榜单名（听到别慌）

• MMLU：多学科知识选择题（像"综合知识会考"）。
• GSM8K / MATH：小学数学/数学推理题。
• HumanEval / SWE-bench：编程能力测试。
• LMArena（原 Chatbot Arena）：真人盲测投票排行榜，被认为更接近真实体感。
• 记忆：字母缩写看着唬人，本质都是"某类考试的卷子名"。

5.3 🔥 开源 vs 闭源

• 开源：模型权重公开，谁都能下载、本地跑、二次开发（如 Llama、Qwen、DeepSeek 部分系列）。
• 闭源：只用API/网页，看不到内部（如 GPT、Claude、Gemini 的旗舰）。
• 比喻：开源=给你菜谱和食材；闭源=只让你在餐厅点菜。
• 误区："开源"通常指开放权重，不等于开放训练数据和全过程。

5.4 ⭐ 模型命名怎么读（用 ChatGPT 系列举例）

• GPT-4o：o = omni（全能），能看能听能说。
• GPT-4o-mini：mini=轻量便宜版，能力弱些但更快更省。
• o1 / o3 等：推理模型/思考模型——回答前会"想一会儿"，擅长大难题。
• 记忆口诀：数字=代际（越大越新）；mini/nano/turbo=档位（大小快慢）；o=全能或思考。

5.5 🔥 推理模型（Reasoning Model／思考模型）

• 人话：回答前先长时间"思考"（产出内部推理）再作答的模型，擅长数学、代码、复杂逻辑。
• 比喻：慢思考 vs 普通模型的快直觉（参考"系统 1/系统 2"）。
• 你会听到："o1/o3""DeepSeek-R1""思考型模型""test-time compute"。
• 代价：更慢、更贵。

5.6 ⭐ 上下文长度 vs 输出长度

• 上下文长度：一次能"读进去"多少（输入）。
• 输出长度：一次能"写出来"多少（回答上限）。
• 两者常被混为一谈，看参数时看清楚。

5.7 ⭐ 价格：每百万 token

• 人话：计费单位。分输入价和输出价（输出通常更贵）。
• 比喻：按"字数"和"写字方向"收费——读得便宜，写得多更贵。
• 小白建议：日常任务用小模型（mini 档），难任务再上大模型，省钱。

5.8 🔥 延迟 vs 吞吐

• 延迟（Latency）：从提问到开始/完成回答的等待时间（"快不快"）。
• 吞吐（Throughput）：单位时间能处理多少请求（"扛不扛量"）。
• 比喻：延迟=一个窗口出餐速度；吞吐=整个餐厅一小时能服务多少人。

5.9 ⭐ 满血版／蒸馏版／精简版

• 满血版：完整大模型，最强最强。
• 蒸馏版/小模型/端侧模型：体积小、能跑在手机/电脑本地，能力弱一些。
• 比喻：旗舰机 vs 青春版手机。

5.10 🔥 智能体评测 & 其它热词

• Agent 能力榜：SWE-bench（修真实代码 bug）、GAIA、WebArena（上网办事）。
• 幻觉率：模型编造的频率指标。
• 性价比：同样任务下"效果 ÷ 价格"，实际落地比纯排名更重要。

---

第六章：认知、误区与理论——看懂争论背后

这一章帮你"不被忽悠"，这是从入门到不小白的关键。

6.1 ⭐ 核心认知：模型在"猜下一个词"

• 大模型的底层动作是概率预测：根据前文，猜下一个 token 最可能是什么。
• 推论：它没有"真懂"，只是在做极其高维的统计模仿。所以既会惊人地对，也会离谱地错。
• 比喻：一个读了半个互联网的"超级接龙选手"，接得极像真的，但不保证是真的。

6.2 ⭐ 常见误解清单（会背就赢一半）

1. ❌ "它是个数据库" → ✅ 它不"存"原文，是把规律压缩进参数里，会记错、会编。
2. ❌ "它真的在思考、有意识" → ✅ 目前主流观点：至少没有证据表明它有主观意识（见 6.6）。
3. ❌ "参数越大越强" → ✅ 还要看数据质量、训练方法、是否指令微调。
4. ❌ "上下文窗口大就记得住" → ✅ 中间内容容易被忽略。
5. ❌ "刷榜第一就最好用" → ✅ 榜单可应试，真实场景看体验和成本。
6. ❌ "它说的话可信" → ✅ 默认要验证关键事实，尤其数字、引用、法律医疗。
7. ❌ "开源=完全透明" → ✅ 通常只开放权重。
8. ❌ "AI 会立刻取代所有工作" → ✅ 是"改变工作方式"+"替代部分任务"，不是一夜全替。

6.3 🔥 对齐问题（为什么 AI 安全总被提）

• 核心担忧：能力越强，一旦目标与人类不一致，危害越大。
• 黑话：3H（Helpful 有用、Honest 诚实、Harmless 无害）、红队测试（Red Teaming）（故意攻击找漏洞）、护栏（Guardrails）。

6.4 🔮 世界模型（World Model）

• 人话：模型对"世界如何运转"的内部理解。
• 争论：大模型只是在模仿文字，还是真的在内部建了一个"世界模型"？这关系到它能否真正推理。

6.5 🔮 AGI（通用人工智能）／ASI

• AGI：能像人一样跨领域通用地解决各种任务的 AI。
• ASI：超级智能，全面超越人类。
• 现状：AGI 是否已到、何时到，业内分歧巨大，谁也说不准。听到"明年就 AGI"要打个问号。

6.6 🔮 缩放定律的天花板之争

• 正方：继续加数据/算力，能力还会涨。
• 反方：高质量数据快用完了，"曲线"可能变平（撞墙）。
• 新方向：推理时算力（test-time compute）——让模型"多想一会儿"来变强，而不是无限堆参数。

6.7 🔥 其它常被引用的理论/概念

• 系统 1 / 系统 2：快直觉 vs 慢思考，常用来解释普通模型与推理模型的差别。
• 无免费午餐定理：没有万能算法，任何方法都有适用边界。
• 对齐税（Alignment Tax）：为了安全和听话，可能牺牲一点能力。
• 数据就是新石油：强调高质量数据是核心竞争力。

---

第七章：黑话 → 人话 速查表

适合截图/贴墙。左边听到就慌，右边一看就懂。

---

第八章：给小白的学习路径与实用建议

8.1 三步上手法（一周就能聊得起来）

1. 第 1 天：读【第一章】+【速查表】，建立地图。
2. 第 2–3 天：注册一个模型（国内如 DeepSeek、通义、文心、豆包；国外如 ChatGPT、Claude、Gemini），动手问 20 个问题，体会提示词强弱带来的差别。
3. 第 4–7 天：挑一个感兴趣的方向（写文章/编程/做表格/查资料），读对应的【第三/四章】，试用 RAG 或 Agent 产品。

8.2 提问模板（直接抄）

• 角色：你是一位资深的〔某领域〕专家。
• 任务：帮我完成〔具体任务〕。
• 背景：〔必要信息、受众、约束〕。
• 要求：输出〔格式：表格/分点/200 字内〕。
• 示例：〔给 1–2 个你想要的样例〕。

8.3 五个"永远要做"的习惯

1. 关键事实必核对——数字、引用、法律、医疗，模型会编。
2. 让它给来源——"请标注依据，不确定就说不确定"。
3. 由小到大试模型——先用 mini 档，不够用再升级，省钱。
4. 复杂任务拆步骤——不说"帮我做完整方案"，说"第一步先列大纲"。
5. 保留人工判断——AI 是副驾驶，你是主驾驶。

8.4 一句话记住整个全景

大模型 = 会接龙的怪兽（能力来自参数+数据）→ 被调教听话（微调+对齐）→ 你指挥它干活（提示词+工具+Agent）→ 大家比谁强（Benchmark+榜单）。

---

附：术语索引（按拼音/字母，方便检索）

Agent 智能体 · AIGC · AGI · Alignment 对齐 · Base Model 基座模型 · Benchmark 基准测试 · CoT 思维链 · Context Window 上下文窗口 · Distillation 蒸馏 · Embedding 词嵌入 · Fine-tuning 微调 · Few-shot 少样本 · Function Calling 工具调用 · GPU 算力 · Hallucination 幻觉 · In-context Learning 上下文学习 · Jailbreak 越狱 · LLM 大语言模型 · Latency 延迟 · LMArena · MCP · MMLU · MoE 混合专家 · Multimodal 多模态 · Parameter 参数 · Prompt 提示词 · Pruning 剪枝 · Quantization 量化 · RAG 检索增强生成 · RLHF · Reasoning Model 推理模型 · Scaling Law 缩放定律 · SFT 指令微调 · System Prompt 系统提示词 · Temperature 温度 · Throughput 吞吐 · Token 词元 · Training/Inference 训练/推理 · Vector Database 向量数据库 · World Model 世界模型 · Zero-shot 零样本

---

本手册由浅入深、可拆可合。可整篇发给新人，也可按章节提取做培训讲义。随着行业更新，建议每半年补充一次"热词"章节。