# 附录 B：术语表 本附录收录了提示词工程和大语言模型领域的常用术语及其解释。 ## A **自适应思考（Adaptive Thinking）** Claude Opus 4.7、Opus 4.6 与 Sonnet 4.6 支持的推理模式（`type: "adaptive"`），由模型根据任务复杂度自动决定思考深度；Opus 4.7 只支持 adaptive，Opus 4.6 与 Sonnet 4.6 上的手动 Extended Thinking 已被标为 deprecated。 **智能体（Agent）** 能够自主感知环境、做出决策并采取行动的AI系统，通常具备规划、执行和反思能力。 **智能体驱动的检索增强生成（Agentic RAG）** 智能体驱动的检索增强生成，支持多轮自适应检索与推理，实现更灵活的知识检索与推理循环。 **API（应用程序接口）** Application Programming Interface，允许应用程序之间相互通信的接口，大语言模型通常通过API提供服务。 **APE（自动提示词工程）** Automatic Prompt Engineering，使用AI自动生成和优化提示词的技术。 **Attention Mechanism（注意力机制）** Transformer架构的核心机制，使模型能够关注输入序列中的不同部分。 ## B **Beam Search（束搜索）** 一种文本生成策略，在每步保留多个候选序列，平衡质量和多样性。 **Bias（偏见）** 模型在输出中体现的系统性倾向，可能来源于训练数据或设计。 ## C **Chain-of-Thought（思维链）** 通过引导模型展示推理步骤来提升复杂任务表现的提示技术，简称CoT。详见[第6章](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/06_chain_of_thought.md)。 **ChatML** 一种用于格式化对话的标记语言，某些开源模型使用此格式。 **Chunk（文档块）** RAG 系统中，将长文档分割成的较小片段，便于检索和处理。 **上下文工程（Context Engineering）** 超越提示词工程的范式，关注动态组装和管理 LLM 的完整输入上下文，包括系统指令、检索内容、记忆状态等。 **Context Window（上下文窗口）** 模型一次能处理的最大Token数量，决定了输入和输出的总长度限制。 **CoT（思维链）** Chain-of-Thought的缩写，见Chain-of-Thought。 ## D **Delimiter（分隔符）** 用于区分提示词不同部分的标记，如三引号、XML标签等。 ## E **Embedding（嵌入）** 将文本转换为向量表示的过程，用于语义相似度计算。 ## F **Few-Shot Learning（少样本学习）** 在提示词中提供少量示例来引导模型学习任务模式的技术。详见[第5章](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/05_few_shot.md)。 **Fine-tuning（微调）** 在预训练模型基础上，使用特定数据进行进一步训练以适应特定任务。 **Function Calling（函数调用）** 模型生成结构化的函数调用请求，以调用外部工具或API的能力。 ## G **Generative AI（生成式AI）** 能够生成新内容（文本、图像、音频等）的人工智能技术。 **Grounding（事实基础）** 将模型输出基于可靠的外部知识源，以减少幻觉和提高准确性。 ## H **驭具工程（Harness Engineering）** 围绕 LLM 构建的执行控制层工程，包括工具管理、安全防护、可观测性等，是应用系统的基础设施层。 **Hallucination（幻觉）** 模型生成看似合理但实际错误或虚构的信息。 ## I **In-Context Learning（上下文学习）** 模型通过提示词中的示例“学习”任务，而不改变模型参数。 **Instruction Tuning（指令调优）** 通过大量指令-回复对训练模型，提升其遵循指令的能力。 ## J **JSON（JavaScript对象表示法）** 一种轻量级的数据交换格式，常用于结构化输出。 ## L **LLM（大语言模型）** Large Language Model，基于大规模文本数据训练的生成式语言模型。 **LangChain** 用于构建LLM应用的开发框架，提供提示词管理、链式调用等功能。 ## M **MCP（模型上下文协议）** Model Context Protocol，Anthropic 提出的模型上下文协议，标准化 LLM 与外部工具、数据源的连接方式。 **Meta-Prompting（元提示）** 使用提示词来生成或优化其他提示词的技术。 **Multimodal（多模态）** 能够处理和生成多种类型数据（文本、图像、音频等）的模型。 ## O **One-Shot Learning（单样本学习）** 在提示词中提供一个示例来指导模型的技术。 ## P **Parameter（参数）** 模型内部的可学习权重，参数量通常用来衡量模型规模。 **Prefill（预填充）** 预先设定回复的开头部分，引导模型按特定格式继续生成。 **Prompt（提示词）** 发送给语言模型的输入文本，用于指导模型生成期望的输出。 **Prompt Engineering（提示词工程）** 设计和优化提示词以提升模型输出质量的技术和实践。 **Prompt Injection（提示词注入）** 通过恶意输入试图操控模型行为的安全攻击手段。 **PromptOps** 将DevOps理念应用于提示词生命周期管理的实践。 ## R **RAG（检索增强生成）** Retrieval-Augmented Generation，结合信息检索和文本生成的技术架构。详见[第9章](/prompt_engineering_guide/di-san-bu-fen-gao-ji-ying-yong-pian/09_rag.md)。 **ReAct** Reasoning and Acting，将推理与行动交替进行的Agent框架。详见[第8章](/prompt_engineering_guide/di-san-bu-fen-gao-ji-ying-yong-pian/08_react_tools.md)。 **RLHF（人类反馈强化学习）** Reinforcement Learning from Human Feedback，使用人类反馈优化模型行为的训练方法。 **Role（角色）** 为模型设定的身份或专业领域，影响回复风格和视角。 ## S **Self-Consistency（自一致性）** 通过多路径采样和投票提升推理准确性的技术。 **系统提示词（system prompt）（系统提示词）** 设定模型整体行为和规则的提示词，通常在对话开始时提供。 ## T **Temperature（温度）** 控制生成随机性的参数，值越高输出越随机，越低越确定。 **Token（词元）** 模型处理文本的基本单位，可以是一个词、词的一部分或标点符号。 **Token Limit（Token限制）** 上下文窗口的大小限制，决定了输入输出的总Token数上限。 **Top-k Sampling** 每步生成时只从概率最高的k个Token中采样的策略。 **Top-p Sampling（核采样）** 每步生成时从累积概率达到p的最小Token集合中采样的策略。 **ToT（思维树）** Tree of Thoughts，将推理过程组织为树形结构的高级推理策略。 **Transformer** 现代大语言模型的基础架构，基于注意力机制。 ## V **Vector Database（向量数据库）** 专门用于存储和检索向量嵌入的数据库，RAG 系统的核心组件。 **VLM（视觉语言模型）** Vision-Language Model，能够理解图像和文本的多模态模型。 ## Z **Zero-Shot Learning（零样本学习）** 不提供示例，仅通过指令描述任务让模型完成的技术。详见[第5章](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/05_few_shot.md)。 *** ## 新增术语（2025-2026年更新） **A2A Protocol（智能体（agent）-to-Agent协议）** Google提出的Agent间通信标准化协议，定义了多智能体系统中的消息格式和交互模式。 **Extended Thinking（扩展思考）** Claude等模型支持的功能，允许模型在回答前进行更深入的内部推理，可通过预算参数控制思考深度。 **MoE（混合专家模型）** Mixture of Experts，一种模型架构，通过路由机制动态激活部分参数，实现大规模模型的高效推理。 **Structured Outputs（结构化输出）** OpenAI等平台提供的功能，确保模型输出严格符合指定的JSON Schema，无需后处理验证。 *** **注**：本术语表持续更新中，随着技术发展会有新的术语出现。 --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://yeasy.gitbook.io/prompt_engineering_guide/fu-lu/b_glossary.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.