1. 机器学习
机器学习是人工智能的核心分支，指让计算机通过数据自动学习规律和模式，而不需要显式编程。它分为监督学习、无监督学习和强化学习三大类。理解机器学习是进入 AI 世界的第一道门槛。
2. 深度学习
深度学习是机器学习的一个子集，基于多层神经网络模拟人脑处理信息的方式。它通过大量数据和计算资源自动提取特征，在图像识别、自然语言处理等领域表现优异。
3. 神经网络
神经网络由大量神经元节点和连接权重组成，通过前向传播和反向传播算法进行训练。常见的结构包括全连接网络、卷积神经网络（CNN）和循环神经网络（RNN）。
4. 大语言模型（LLM）
大语言模型是基于 Transformer 架构、在海量文本数据上预训练的深度学习模型。它能够理解和生成自然语言，代表产品包括 GPT、Claude、文心一言等。LLM 是当前 AI 应用最火热的方向。
5. Transformer
Transformer 是 2017 年由 Google 提出的神经网络架构，核心创新是自注意力机制（Self-Attention）。它解决了 RNN 难以并行计算和长距离依赖的问题，成为现代 NLP 模型的基石。
6. 注意力机制
注意力机制让模型在处理序列数据时能够动态关注输入中最重要的部分。自注意力机制计算每个位置与其他位置的相关性权重，从而捕捉全局依赖关系。
7. 预训练与微调
预训练是在大规模通用数据上训练基础模型，微调是在特定任务数据上对预训练模型进行针对性调整。这种范式大幅降低了 AI 应用的开发成本，让开发者可以在小数据集上获得优秀效果。
8. 提示工程（Prompt Engineering）
提示工程是通过精心设计输入提示来引导大语言模型输出期望结果的技术。包括零样本提示、少样本提示、思维链提示等策略。掌握提示工程是高效使用 LLM 的必备技能。
9. RAG（检索增强生成）
RAG 结合了信息检索和文本生成，在生成回答前先从知识库中检索相关文档，再将检索结果作为上下文输入给 LLM。它有效解决了 LLM 知识更新滞后和幻觉问题，是企业级 AI 应用的主流架构。
10. 向量数据库
向量数据库专门用于存储和检索高维向量数据，通过近似最近邻搜索算法实现高效相似度匹配。在 RAG 系统中，文档被转换为向量后存入向量数据库，查询时通过语义相似度召回相关内容。
11. 嵌入（Embedding）
嵌入是将文本、图像等非结构化数据映射到高维向量空间的技术。语义相近的内容在向量空间中距离更近。嵌入是 RAG、语义搜索、推荐系统等应用的基础组件。
12. 幻觉（Hallucination）
幻觉指大语言模型生成看似合理但实际错误或虚构的内容。产生原因包括训练数据偏差、模型过度自信、缺乏事实校验机制等。缓解幻觉的方法包括 RAG、提示约束、事实核查等。
13. Token
Token 是 LLM 处理文本的最小单位，可以是单词、子词或字符。不同模型使用不同的分词器。理解 Token 概念有助于估算 API 成本、控制上下文窗口长度和优化提示设计。
14. 上下文窗口
上下文窗口是 LLM 一次能处理的最大 Token 数量。窗口越大，模型能参考的信息越多，但计算成本也越高。当前主流模型的上下文窗口从 4K 到 200K Token 不等。
15. 温度（Temperature）
温度是控制 LLM 输出随机性的超参数。温度越低（接近 0），输出越确定和保守；温度越高，输出越多样和创造性。开发者需要根据任务类型选择合适的温度值。
16. 智能体（Agent）
AI 智能体是能够自主感知环境、制定计划、调用工具并执行任务的系统。它通常由 LLM 作为大脑，结合工具调用、记忆管理和任务规划能力，实现复杂工作流的自动化。
17. 多模态
多模态 AI 能够同时处理和理解文本、图像、音频、视频等多种类型的数据。多模态模型扩展了 AI 的应用边界，在图文理解、视频分析、跨模态搜索等场景展现出强大能力。
总结
以上 17 个概念构成了现代 AI 开发的知识骨架。从机器学习基础到多模态前沿，每个概念都是理解 AI 技术栈的关键拼图。建议读者按照顺序逐一深入，并结合实际项目动手实践，才能真正做到「吃透」。
