大模型 / LLM（Large Language Model）

参数规模巨大、读过海量文本、能理解和生成语言的模型。ChatGPT、Claude、DeepSeek都是大模型。「大」指的是参数多、数据多、能力强。

🍎类比：就像一个把图书馆全读完的人——你问什么，它都能接几句。不一定全对，但永远不沉默。

🧠记忆法：大模型 = AI里的「学霸」，是你常用AI工具的背后大脑。

Parameter参数

神经网络里数以亿计的「调节旋钮」，训练时不断调整，最终固定下来——存的就是模型学到的知识。你常听到的「千亿参数」就是在说这个。

Neural Network神经网络

模仿人脑神经元连接方式设计的计算结构：多层节点互相连接，信息从一层传到下一层，每层提取更高级的特征，最后输出结果。

Emergence涌现

模型规模超过某个临界点后，「小模型不会、大模型突然会了」的新能力——不是人为设计的，是自然冒出来的。

Training训练

把海量数据喂给模型，让它反复调整参数、学出规律的过程。只有AI公司在做，消耗巨大算力和电力。

🍎类比：让学生做了一千万道题，做错立刻纠正——训练就是这个反复刷题的过程，只不过AI刷的是数据。

🧠记忆法：训练 = 让AI学知识。

Inference推理

训练好的模型拿来实际使用——你发一条消息，它给出回答，这个过程叫推理。我们平时用ChatGPT聊天，全程都在推理阶段。

🍎类比：学生读完书毕业后开始工作——你雇的是毕业后的他，不用管他怎么读书的。

🧠记忆法：推理 = 学完出来干活。

Fine-tuning微调

在已训练好的大模型基础上，用少量特定领域数据再训练一遍，让它在某个方向更好用。不是从头学，是在原有基础上精进。

🍎类比：全科医生再读三年皮肤科专科——没有扔掉通识能力，只是加强了某个专项。

🧠记忆法：微调 = 大模型去读专科，不是重新上大学。

Hallucination幻觉

模型一本正经地生成了错误信息——它不是在撒谎，而是根据语言模式「猜」出一个听起来合理的答案，但那个答案可能根本不存在。

🍎类比：就像有人记忆不好但死不承认，会「脑补」出一个听起来合理的故事来填补空白——而且说得非常自信。

🧠记忆法：幻觉 = AI自信满满地胡说八道。重要信息一定核实。

大模型处理文字的最小单位——不是一个字或一个词，而是介于两者之间的「碎片」。模型看到的是Token，API按Token计费。

🍎类比：「ChatGPT」可能被拆成「Chat」「G」「PT」三个Token。模型是按这些碎片来理解和生成文字的。

🧠记忆法：Token = AI认字的最小单位，也是收费的最小单位。

Prompt提示词

你给AI输入的那段话——可以是问题、指令、背景信息。AI回答好不好，很大程度取决于你Prompt写得清不清楚。

🍎类比：跟一个聪明但容易跑偏的实习生沟通——说「写文案」他懵；说「写面向25岁女生的防晒霜小红书文案，语气活泼」，他立刻明白了。

🧠记忆法：Prompt = 你给AI的指令。越具体，越好用。

🍎类比：普通AI闭卷靠记忆，容易瞎编；RAG允许AI带「小抄」进考场，现查现答，准确多了。

🧠记忆法：RAG = 给AI外挂知识库，开卷考试。

RLHF人类反馈强化学习

用「人类的喜好」作为奖励信号来训练模型——让人工标注哪个回答更好，AI学着往那个方向靠。ChatGPT能说「人话」，很大程度靠这个。

🍎类比：就像训狗做对了给零食，做错了不给——AI也是靠这种「人类点赞」的反馈一点点变得准确。

🧠记忆法：RLHF = 人类来当AI的考官，教它「怎么说才像人话」。

Agent智能体

能「自动干活」的AI——不只回答问题，还能拆任务、调用工具、一步步执行直到完成目标。是目前最热的AI方向之一。

🍎类比：普通AI像「坐那里答题的人」，Agent像「能帮你跑腿的助理」——给它一个目标，它自己拆步骤、找工具、完成任务。

🧠记忆法：Agent = 会行动的AI，从「会说」升级到「会做」。

Multimodal多模态

AI不只能处理文字，还能看图、听声音、理解视频——多种「感官」同时工作。你上传截图让AI分析，用的就是这个能力。

Vibe Coding氛围编程