附录 A：术语表

本术语表收录了上下文工程领域的核心术语及其定义。

---

术语列表

A

Agentic RAG（自主型 RAG） 智能体自主决定检索时机、策略和内容的检索增强生成模式。

ANN（近似最近邻） Approximate Nearest Neighbor，向量搜索中用于快速查找相似向量的算法。

C

Chunking（分块） 将长文档切分为较小片段的过程，是 RAG 系统的关键步骤。

Context Engineering（上下文工程） 设计、组织、优化和管理大语言模型信息环境的系统性工程学科。

Context Window（上下文窗口） 大语言模型一次能处理的最大 Token 序列长度。

Cross-Encoder（交叉编码器） 将查询和文档同时输入模型进行相关性评分的重排序技术。

E

Embedding（嵌入） 将文本转换为数值向量的过程，使语义相似的文本在向量空间中距离相近。

Episodic Memory（情景记忆） 存储具体事件和经历的记忆类型。

F

Function Calling（函数调用） 模型生成结构化函数调用请求的能力，用于与外部工具交互。

G

Graph RAG（图检索增强生成） 结合知识图谱进行检索和推理的 RAG 变体。

H

Hallucination（幻觉） 模型生成与事实不符或缺乏依据的内容的现象。

HNSW Hierarchical Navigable Small World，高效的向量索引算法。

Hybrid Search（混合检索） 结合语义检索和关键词检索的混合方法。

K

KV Cache Key-Value 缓存，存储生成过程中 Token 的键值向量以避免重复计算。

L

LLM（大语言模型） Large Language Model，基于 Transformer 架构的大规模预训练语言模型。

M

MCP（Model Context Protocol） Anthropic 提出的 AI 模型与外部工具交互的标准协议。

Memory Architecture（记忆架构） 组织和管理 AI 系统记忆的多层次结构设计。

P

Prompt Engineering（提示词工程） 设计和优化输入给模型的文本指令的技术，是上下文工程的子集。

R

RAG（检索增强生成） Retrieval-Augmented Generation，结合信息检索与语言模型生成的技术。

ReAct Reason + Act，结合推理和行动的智能体运行模式。

Reranking（重排序） 对初步检索结果进行二次排序以优化相关性的技术。

RRF（倒数排名融合） Reciprocal Rank Fusion，融合多个检索结果排序的算法。

S

Semantic Memory（语义记忆） 存储抽象事实和概念的记忆类型。

Semantic Search（语义搜索） 基于语义相似度而非关键词匹配的信息检索方法。

System Prompt（系统提示词） 定义模型基本角色和行为的核心指令。

T

Token 大语言模型处理文本的基本单位。

Tokenizer（分词器） 将文本转换为 Token 序列的组件。

Transformer 现代大语言模型的基础架构，基于自注意力机制。

V

Vector Database（向量数据库） 专门优化用于存储和检索高维向量的数据库系统。

W

Working Memory（工作记忆） 对应上下文窗口，存储当前任务即时信息的短期记忆。