基础概念5 条
大模型 / LLM
在海量文本上训练、通过预测下一个Token来生成内容的模型，是当前AI应用的能力底座。
常见误解：它不是数据库，不“查”答案，而是“生成”答案。
Token
模型处理文本的最小单位，中文通常1个字约1个Token；输入输出都按Token计费。
常见误解：不是“字数”，英文会被切得更碎，计费口径需实测。
上下文窗口
模型单次能“看到”的内容长度上限，超出部分会被截断或遗忘。
常见误解：窗口大不等于都能记住，中间部分容易被忽略。
幻觉
模型生成了看似合理但不符合事实的内容，是概率生成的固有产物。
常见误解：不是Bug，无法完全消除，只能靠知识约束与人工复核压制。
多模态
模型同时理解或生成文本、图片、语音、视频等多种信息形态的能力。
常见误解：能力不等于精度，票据、图纸等场景仍需专项校验。
该分类下暂无匹配词条
技术路线6 条
提示词工程
通过结构化指令让模型稳定产出所需结果，成本最低、见效最快的技术路线。
常见误解：不是“咒语收集”，核心是说清角色、背景、标准与示例。
RAG（检索增强生成）
先检索企业私有知识，再把检索结果作为上下文交给模型生成，解决“AI不懂业务”的问题。
常见误解：效果差时多数是知识没整理，而不是模型不行。
微调 Fine-tuning
用标注数据继续训练模型，改变其表达风格或任务范式，成本高、迭代慢。
常见误解：不是企业AI落地的起点，90%场景用提示词+RAG即可。
向量库 / 向量化
把文本转成向量并按语义相似度检索的存储方式，是RAG的检索基础。
常见误解：语义检索不擅长精确匹配专有名词，需配合关键词混合检索。
重排 Rerank
对检索结果做二次精排，把最相关的片段排到前面，显著提升回答准确率。
常见误解：召回多不等于答得准，重排是准确率的关键一环。
模型路由
按任务难度自动选择不同档位的模型，在保证效果的前提下控制成本。
常见误解：不是所有任务都要用最强模型，分档可省60%以上成本。
该分类下暂无匹配词条
应用形态6 条
AI助手
以对话方式提供生成、归纳、分析等通用能力的工具形态。
常见误解：会聊天不等于会干活，能调用工具执行动作才算Agent。
AI秘书
面向高管的贴身助理：会议/面试/面客自动记录，提取待办并同步表格与日程。
常见误解：价值不在转写，而在“记录—提炼—同步—提醒”全链路闭环。
AI销售助手
自动提炼客户需求、沉淀需求库、生成方案报价、推送跟进待办的岗位助手。
常见误解：不是替销售发方案，涉及承诺与金额必须人工审核。
企业AI知识库
把制度、产品、流程、案例RAG化，让AI能带着出处回答企业专属问题。
常见误解：建完不管就会腐化，必须有责任人与更新机制。
Agent 智能体
模型 + 记忆 + 工具 + 规划 + 目标，能调用外部系统完成动作的程序。
常见误解：没有兜底和权限控制的Agent无法上生产。
Skill 技能
把完成某类任务的指令、知识、工具与输出规范固化成的能力包，可复用、可迁移、可进化。
常见误解：不等于一段长提示词，必须有知识、流程与测试。
该分类下暂无匹配词条
方法与实践5 条
GEO 生成式引擎优化
让品牌信息出现在AI问答推荐结果中的优化方法，核心是结构化、可验证、多源一致。
常见误解：不是SEO换皮，关键词堆砌对AI推荐无效。
拆解任务法
把成熟岗位拆成任务清单，挑出流程固化、标准固定的任务交给AI。
常见误解：适合成熟业务，不适合需要重新设计流程的增长业务。
重塑流程法
给AI业务目标，让AI给出方案并执行，再按效果反馈迭代——不为提速，而为重新设计流程。
常见误解：适合新业务与红海增长，不能用于需要严格合规的存量流程。
AI First
遇事先让AI出首稿，人来做判断与决策的工作顺序。
常见误解：不是“AI说了算”，人仍然对结果负责。
把AI当人用
像带新人一样带AI：给岗位、给背景、给示例、允许返工、耐心迭代。
常见误解：不是把AI神化，一次性提问就放弃是最常见的用法错误。
该分类下暂无匹配词条
组织与交付6 条
FDE 前线部署工程
工程师驻场，从业务诊断到生产部署全程负责，交付可运行的AI系统而非Demo。
常见误解：不是外包开发，核心差异是驻场共创与对业务结果负责。
AI Native 组织
在组织架构中加入AI能力中台与业务AI官，让每个岗位都配备AI助手。
常见误解：不是买一批账号，而是流程、制度与考核的同步改造。
OPC 超级个体
通过“个人AI助手 + 共享知识库 + 公司能力中台”，让一个人具备一个团队的能力。
常见误解：不是裁员工具，定位是能力放大器。
POC / MVP
POC验证价值可行性（2-4周），MVP是可上线的最小可用产品，需补齐权限、性能与异常处理。
常见误解：POC漂亮不等于能上生产，中间差的是生产化改造。
721培训法则
70%实战 + 20%交流 + 10%讲授，以产出驱动学习。
常见误解：听得多不等于会得多，必须有强制产出与验收。
种子讲师 / AI先锋
内部选拔并认证的AI应用带头人与讲师，负责带教与横向复制。
常见误解：不是荣誉头衔，必须绑定带教任务与考核指标。
该分类下暂无匹配词条
提示词进阶8 条
上下文工程
系统地设计“模型在作答前应看到哪些信息”，包括背景、示例、知识片段、格式约束与历史对话。
常见误解：不是堆字数，信息的相关性与组织方式比长度更重要。
思维链 CoT
要求模型先输出推理步骤再给结论，在判断与计算类任务上显著提升准确率。
常见误解：不是万能解法，简单抽取类任务加长推理反而更慢更贵。
温度参数 Temperature
控制生成随机性的参数：值越低越稳定收敛，越高越发散有创意。
常见误解：不是“调高就更聪明”，事实类任务应调低甚至设为0。
少样本 / 零样本
少样本指先给几个示例再让模型作答；零样本指直接下达指令不给示例。
常见误解：不是示例越多越好，3个高质量示例通常优于10个平庸示例。
角色扮演法
给模型设定具体身份与背景（如“10年经验的家居行业销售培训师”），使语气与专业度贴合场景。
常见误解：不是万能前缀，角色必须配上真实业务背景才有效。
自我反思 Reflexion
让模型先作答，再要求它检查自己的答案并指出薄弱点，最后产出修订版。
常见误解：不是重复提问，必须明确要求“指出问题并改进”才有提升。
逆向提示词
先给模型一段理想的输出，让它反推出能稳定产出该结果的提示词。
常见误解：不是让AI替你思考目标，标准仍需人来把关。
让AI反问
在回答前要求模型先提出澄清问题，用一次交互换取准确率，适合需求不明确的任务。
常见误解：不是所有任务都需要，简单任务反问反而拖慢节奏。
该分类下暂无匹配词条
智能体与工作流12 条
工作流 Workflow
把任务固化为按序执行的步骤链，每一步的输入输出明确可控，适合标准化业务流程。
常见误解：不等于Agent，工作流强调确定性，Agent强调自主判断。
函数调用 Function Calling
模型按约定的结构化格式输出“要调用哪个工具、传什么参数”，由程序执行后把结果交回模型。
常见误解：不是模型真的在函数里执行代码，执行始终在程序侧。
MCP / 工具协议
把外部系统与工具以统一协议暴露给模型调用的标准接口，减少逐一适配的成本。
常见误解：不是万能插头，权限与安全边界仍需企业侧严格定义。
多Agent协作
多个专职Agent分工配合（如检索、分析、审核），通过交叉校验提升复杂任务质量。
常见误解：不是越多越好，角色边界不清会导致互相推诿与成本翻倍。
人机交接 Handoff
当置信度不足、涉及高风险动作或工具失败时，自动把任务转交人工处理的机制。
常见误解：不是失败的标志，而是上生产的必要设计。
短期记忆 / 长期记忆
短期记忆是对话上下文；长期记忆是跨会话保存的业务事实与用户偏好。
常见误解：长期记忆不加去重与过期机制，会污染模型判断。
编排 Orchestration
决定“谁在什么时候做什么”的调度层，负责分发任务、汇总结果与处理异常。
常见误解：不是把提示词写得越长越好，调度逻辑应在代码而非提示词里。
幂等与重试
保证同一操作重复执行不产生副作用，并在失败时按策略重试的工程手段。
常见误解：不处理幂等，重试会把一条消息发出两遍。
工具市场
把企业可用的API与操作封装成标准化工具清单，供多个Agent按权限取用。
常见误解：不是权限大礼包，必须按最小权限分级授权。
守护规则 Guardrails
对输入输出做约束与拦截的安全规则层，包括敏感内容过滤、话题边界与格式校验。
常见误解：不是事后补救，必须在调用链路上前置。
编排 vs 自动化的区别
传统自动化按固定规则跑；AI编排在不确定输入下由模型判断路径，二者常结合使用。
常见误解：不是所有流程都该换成AI，稳定规则用自动化更省钱可靠。
上下文压缩
对长对话做摘要后再续接，控制Token成本并避免超出上下文窗口。
常见误解：压缩过度会丢失关键细节，需保留决策与结论。
该分类下暂无匹配词条
安全合规与治理10 条
数据四级分类
公开 / 内部 / 敏感 / 核心四级，决定每类数据可用什么工具、是否需要脱敏或私有化部署。
常见误解：不是IT一个部门的事，业务部门才是数据的第一责任人。
脱敏
在使用前把姓名、电话、金额、合同编号等敏感字段替换为占位符，降低泄露风险。
常见误解：简单打码并不安全，需避免可从上下文还原的间接标识。
私有化部署
模型与数据都部署在企业自有环境，数据不出内网，适合强监管场景。
常见误解：私有化不等于免检，权限、审计、输出审核仍需独立建设。
混合部署
通用能力走公有云、业务知识与敏感数据走本地，兼顾成本与合规。
常见误解：不是折中之选，需要清晰的数据流向设计与隔离策略。
提示词注入
外部文档或网页中藏有恶意指令，诱导模型绕过原有规则泄露数据或执行越权操作。
常见误解：过滤关键词不够，需在工具调用层做权限与白名单控制。
内容审核
对AI输出做合规、事实与措辞校验，常用“规则过滤 + 模型审核 + 人工抽检”三层。
常见误解：只在发布前人工看一眼不够，批量场景必须先审样本再放量。
AI生成内容标识
对AI生成或合成的内容按规定进行标识，保障受众知情权。
常见误解：只标识不够，内部还需记录生成来源与时间以支持追溯。
日志与审计
记录关键场景的输入输出、调用者与时间，支撑事后追溯与合规检查。
常见误解：全量留存成本高，应按数据分级设定留存范围与周期。
最小权限原则
Agent与用户只获得完成任务所必需的最低权限，写操作须额外确认。
常见误解：一次性授权省事，但出问题无法定位与止损。
供应商数据条款
采购AI工具时需明确：数据是否用于训练、存储地域、留存期限与删除机制。
常见误解：口头承诺无效，必须写进合同与数据处理协议。
该分类下暂无匹配词条
评估与运营10 条
评测集
覆盖高频问题、边界问题与应拒答问题的固定题目集合，用于横向对比与迭代验证。
常见误解：只看几条样例不算评测，必须固定题目才可复现对比。
准确率 / 召回率
准确率衡量答对的比例；召回率衡量相关内容被找回的比例，二者需同时看。
常见误解：只报准确率会掩盖“找不到答案”的问题。
引用溯源
要求模型在答案中标注出处，便于人工核验，也是抑制幻觉的有效手段。
常见误解：有引用不等于正确，需抽查引用与原文是否一致。
任务完成率
Agent类场景中无需人工干预即完成的任务占比，是衡量可用性的核心指标。
常见误解：完成不等于满意，需配合满意度与返工率。
转人工率
需要人工接管或兜底的请求占比，反映能力边界与风险敞口。
常见误解：不是越低越好，关键场景的高转人工率是安全设计而非缺陷。
基线指标
上线前记录的原始耗时、成本与质量数据，作为效果对比的基准。
常见误解：没基线就无法证明价值，事后回忆的数据不可信。
ROI测算
以“节省人力工时 × 单价 − AI使用成本”估算投入产出，并叠加质量与风险修正。
常见误解：只算省钱不完整，错误输出带来的返工与客诉也是成本。
A/B测试
同一场景并行对比两种方案（如不同提示词或模型），用同一评测集判断优劣。
常见误解：样本太少容易得出假结论，需设定最小样本量与观察周期。
反馈闭环
把用户的点赞、点踩与纠错回流到评测集，形成持续改进的机制。
常见误解：只收集不处理，反馈机制会迅速失效。
采纳率 / 活跃率
目标人群中真正使用AI工具的比例与使用频次，衡量推广是否落地。
常见误解：开通账号不等于使用，活跃率才是推广效果的真实刻度。
该分类下暂无匹配词条
组织与角色8 条
AI中台 / 能力中台
集中提供模型路由、知识库、Agent编排、工具与治理能力的内部平台，供各业务线复用。
常见误解：先有场景再建中台，跳过试点直接搭平台是常见失败原因。
业务AI官
各业务单元中负责AI场景落地、效果追踪与经验沉淀的责任角色。
常见误解：不是兼职头衔，需要明确授权、时间与考核指标。
因岗设人
为具体岗位设定专门的AI助手（如销售助手、面试助手），而不是泛泛地“用AI提效”。
常见误解：岗位越模糊，AI表现越差。
人机协作分工
明确哪些环节由AI出首稿、哪些由人做判断与终审，并写进流程。
常见误解：分工不清会导致既不信AI也不信任彼此，效率反降。
Token经济 / 成本模型
把AI使用当作生产要素管理：按调用量建模、设部门预算与告警阈值。
常见误解：只算License不算Token，账单会远超预期。
场景价值四象限
按高频、耗时、标准化、可量化四个维度给候选场景打分，决定优先级。
常见误解：四个维度缺一，就容易选中“看着性感但没法衡量”的场景。
知识资产化
把个人经验沉淀为知识库、模板、Skill与案例，使能力不随人员流动而流失。
常见误解：沉淀不进日常流程，文档写完就过期。
项目制学习
以真实业务课题为载体的培训方式，学员带着问题来、带着可用成果走。
常见误解：没有明确产出与验收标准的项目制，会退化为自由讨论。
该分类下暂无匹配词条