搜索与文字目录 / Search
452 项；无需 JavaScript 也可浏览完整目录。
- 如果需求含有错误前提，怎样允许 AI 先指出问题而不是顺着回答？AI 对话常见问题
可以明确要求 AI 检查前提，但这只能给它纠错的任务，不能保证它识别出错误。 尤其不要把“我已经确定……”写成事实，然后只问它为什么。
- 先让 AI 扮演专家再提问题，有没有用？AI 对话常见问题
让 AI 扮演专家，有时能改善表现，但它不是一种能稳定提高正确率的通用技巧。研究既发现过提升，也发现过无明显变化和下降。 不能简单写成“有用”，也不能写成“只是改变语气”。
- 主语用你、我，还是你们、我们？要不要加敬语？对 AI 的态度如何？AI 对话常见问题
主语负责说明谁做什么；敬语负责表达语气。它们都不是必须填写的提示词模块。 可以直接说“总结下面的文章”，也可以说“请你总结下面的文章”。当涉及分工、作者身份或代写时，再明确“我”“你”“我们”分别是谁。主语的细分问题见 A011。
- “扮演专家”是在规定视角、语气，还是能提高事实准确性？应分别怎样检查？AI 对话常见问题
角色既可能改变语气和分析视角，也可能改变正确率；这几种变化不能混为一谈。 “像专家”很容易从措辞看出来，“判断正确”必须另外核对。
- 与其指定职业角色，直接列出分析标准有什么不同？AI 对话常见问题
指定职业角色，是让 AI 根据这个身份推测工作方式；列出分析标准，是直接规定你要它检查什么。 两者可以一起用，也可以只用标准。
- 让一个 AI 扮演多位专家讨论，能否当作独立意见？AI 对话常见问题
不能把一个 AI 写出的多位专家发言，当成多份独立证据。 它可以提供不同思路，但“有三位专家都赞同”并不等于有三个独立来源支持。
- 夸奖、责备、催促或威胁措辞会如何影响 AI？AI 对话常见问题
这些措辞可能影响回答，但目前不能排出一张跨模型、跨任务都成立的“夸奖—责备—催促—威胁”效果榜。 尤其要把情绪表达与具体反馈分开。
- “你”“我们”“我”等提示词的主语该怎么选？是必要的吗？影响答案吗？AI 对话常见问题
按实际指代选择主语；没有指代歧义时可以省略。没有足够证据证明中文提示词统一使用“你”“我”或“我们”中的某一个，就能获得最高正确率。
- 用词是否必须专业规范，还是可以使用民间用词？AI 对话常见问题
不必先学会全部专业词汇才能提问。能把你指的东西说清楚，日常用语、自定义名称和规范术语都可以使用。 真正需要避免的是一个词可能指向几个不同概念，却没有说明本次是哪一个。
- 不知道专业名称时，能否通过用途、特征、例子和反例让 AI 帮忙确定概念？AI 对话常见问题
可以从用途、特征和例子出发寻找名称，但应把 AI 给出的词先当作候选。 “描述事物，再找对应词”本身就是一个成熟的语言处理任务，叫反向词典。
- 和 AI 对话时使用的专有名词是一直用一个还是可以换着用？是否要以 AI 生成的专有名词为基准？AI 对话常见问题
同一个对象最好保留一个主名称；可以换着用，但要说明别名。没有证据要求必须使用 AI 的用词，也没有证据证明同义词切换一定导致质量下降。
- 项目内自定义名称、缩写和行话，应怎样定义并保持一致？AI 对话常见问题
自定义名称要与定义一起给，缩写要与完整名称一起给；容易混淆的词，还要说明彼此区别。 只写“按我们之前的叫法”并不能补上当前上下文里没有的定义。
- 中文、英文、方言、网络用语或混合语言，何时需要补充解释？AI 对话常见问题
可以用中文、英文或混合语言，但不要假定模型对所有方言、圈内用语和语言组合都同样熟悉。 是否需要解释，取决于那个词是不是决定任务含义的关键点。
- 问题描述多清楚算清楚？主谓宾都要有吗？环境描写、背景信息有帮助吗？AI 对话常见问题
清楚到什么程度，要看未说明的部分会不会把结果带向你不接受的方向，没有固定字数，也不要求每句话主谓宾齐全。 “把下面这段话译成英文”已经确定了动作和对象；“帮我做个方案”则留下了用途、对象和取舍。
- 标点符号是否必须完美？为什么？AI 对话常见问题
自然语言提示词的标点不必完美，但不能因此认为标点完全不影响输出。 要区分两件事：标点改变了句意，和句意没变但模型对格式敏感。
- 不完整句子、错别字、语音转写错误，哪些会改变任务含义？AI 对话常见问题
最应检查的错误，是把对象、动作、否定、数量或条件改掉的错误。 句子不完整未必有问题，句子很完整也可能表达错了任务。
- 标点、换行、标题、列表和引号分别在什么时候帮助区分含义？AI 对话常见问题
这些格式的主要用途，是让不同部分的关系更容易辨认；没有一种符号是所有任务的通用最优选择。
- 把要求放在开头、结尾或重复多次，是否必要，怎样避免写成互相冲突的要求？AI 对话常见问题
位置和重复都可能影响表现，但都不是每条提示的必做步骤。 “关键要求应当容易找到”比“永远放第一句／最后一句”更接近可迁移的原则。
- 提供一个案例能让 AI 生成的内容提高多少？AI 对话常见问题
没有“加一个案例平均提高多少”的通用数字；可能明显改善，也可能不变或变差。 首先要确定，你希望这个例子教会 AI 什么：输出格式、措辞风格、分类标准，还是一套解题方法。
- 怎样避免 AI 把示例中的姓名、数字和情节复制到新任务？AI 对话常见问题
先说明示例里哪些东西要继承，哪些只是这一个案例的数据，再把本次材料单独给出。 只说“照这个写”，既可能被理解成照结构，也可能被理解成照人物、数字和情节。
- 怎样区分“更像示例”和“内容更正确”，评价案例带来的改善？AI 对话常见问题
把“像不像”与“对不对”分开评分。 语气、句式和结构属于模仿效果；事实、计算、适用条件和结论属于内容正确性。二者可以同时变好，也可以一项变好、另一项变差。
- 如果描述不出需求，该怎么办？遵循哪些步骤？AI 对话常见问题
可以让 AI 帮你把需求问清楚，但不必让它一直问到“没有任何疑问”。 应优先澄清那些会改变成果类型、适用对象或取舍的信息；其余细节可以在看到草稿后再决定。
- 如何发现AI在长任务中擅自改变目标或完成标准，并尽量不打断工作？AI 对话常见问题
最容易漏掉的偏离，是AI仍在做与你有关的事情，却把任务换成了更容易完成的版本。例如，你要求“用研究结果回答问题”，它最后只给每题附上一篇相关论文；你要求“实现可用的功能”，它交付的却是只能展示的样例。因此，监控不能只看它有没有继续工作，还要看它现在认为什么算完成，以及成果是否真的满足最初的要求。
- 提问模板是否有用？多大程度上有用？是否会一直有用？AI 对话常见问题
模板有用，主要因为它能复用任务结构、提醒你补齐必要信息；没有证据表明某套固定措辞能在所有模型、所有任务上持续最优。 “方便表达”与“提高模型得分”要分开判断。
- 贴入网址、文件名或路径，是否意味着 AI 已经访问了其中内容？怎样确认？AI 对话常见问题
贴入网址、文件名或路径，只是指出材料在哪里；是否读到了内容，要看当前工具有没有访问并返回正文。 有联网功能的助手可能主动打开网址；能访问本地文件的助手也可能按路径读取。登录状态、文件权限和所在设备都会影响这一步。
- 上传成功是否等于全文已被读取？怎样发现遗漏页、截断或解析失败？AI 对话常见问题
上传成功表示文件已被接收；全文是否被正确解析、是否都进入本次处理范围，需要另外检查。 有些工具按问题检索片段，有些只提取文字，也有些同时处理页面图像。
- 扫描件、图片里的文字、表格、脚注和图表，应怎样检查识别是否正确？AI 对话常见问题
应把识别结果与原图对照，既检查字有没有认对，也检查行列、脚注和图例之间的关系有没有保留。 一段文字读起来通顺，并不能说明原图已被忠实还原。
- 文件中有多个工作表、附件或隐藏内容时，怎样明确需要读取的范围？AI 对话常见问题
先列清文件内部有哪些内容，再指定本次要处理的对象、范围和版本。 “看这个 Excel”没有说明是当前工作表、全部明细、筛选后的记录，还是隐藏表中的参数。
- AI 说“记住了”，应怎样确认记住的内容、有效范围与持续时间？AI 对话常见问题
先确认“记住了”指的是当前对话中的信息，还是已经保存、可在后续对话调用的记忆。 一句口头回应没有说明保存位置、适用范围和保留时间。
- 在新对话中继续任务，需要重新提供哪些信息？AI 对话常见问题
新对话需要拿到足以继续工作的当前状态：要完成什么、以哪份成果为准、必须遵守什么，以及下一步从哪里开始。 不必复制全部聊天记录，但也不要只说“接着上次做”。
- 对话很长时，怎样检查早期约定是否仍被正确使用？AI 对话常见问题
检查早期约定是否仍有效，重点看当前成果如何使用它们，并与原始记录对照。 问一句“还记得吗”，只能得到一次自我报告。
- 怎样制作交接摘要，保留决定、依据、例外和未解决问题？AI 对话常见问题
交接摘要应让下一段工作从正确状态开始，因此要保留决定、依据、适用条件和未完成项，而不只是概括“讨论过什么”。 有争议或需要逐字遵守的内容，应保留原文位置。
- 哪些长期偏好可以复用，哪些任务特例不应变成永久规则？AI 对话常见问题
适合复用的长期偏好，是你愿意在一类未来任务中继续采用的选择；由某个项目、读者或临时限制决定的做法，应保留对应范围。 一次选择和一次满意反馈，都不必自动升级为永久规则。
- 提供全文、摘录或摘要，各会失去哪些信息，应如何选择？AI 对话常见问题
按任务需要保留的信息选择：全文保留的上下文最多，摘录保留局部原话，摘要便于把握主线。 当某个条件、例外或推导步骤会影响答案时，就应提供对应原文，而不能只留下概括。
- 要求只依据所给资料时，应怎样处理资料没有回答的问题？AI 对话常见问题
资料没有直接写出答案时，先判断能否从已有信息推出；还缺关键前提的部分，应明确留空或说明缺什么。 “只依据资料”可以允许计算和推理，但不能悄悄加入资料之外的事实。
- 什么时候需要查找外部信息，什么时候引入外部信息反而偏离任务？AI 对话常见问题
当答案依赖资料之外的事实，或需要核实资料是否真实、完整、仍然有效时，应查外部信息。 如果任务只是忠实总结、翻译、改写或分析给定设定，外部事实应按需要另行处理，避免改掉原任务的证据范围。
- 怎样选出有代表性的示例，而不是只挑最容易的情况？AI 对话常见问题
先确定示例要说明什么，再选择覆盖真实任务差异的案例。 有代表性不等于最漂亮、最容易，也不等于只选最难的例外。
- 要求 AI“不保存”是否等同于产品真的不保留数据，应去哪里核实设置与政策？AI 对话常见问题
要求 AI“不保存”，不等于服务端不会保留数据。 这句话可以表达你的使用要求；真正的数据处理取决于产品功能、账户设置、服务条款，以及连接的外部工具。
- 如果正确修改必须触及禁止修改的部分，怎样要求 AI 先说明冲突？AI 对话常见问题
把“哪些地方不能改”与“遇到冲突怎么处理”一起写清楚：先指出冲突、给出最小改动方案，再由你决定是否放宽边界。 AI 发现了问题，并不自动获得修改禁区的授权。
- 哪些要求是硬限制，哪些只是偏好，怎样标明？AI 对话常见问题
硬限制是违反后结果就不能接受的条件；偏好是在满足硬限制之后尽量实现的选择。 判断依据是任务后果，而不是句子写得多强硬。同一要求在不同任务中也会变：投稿字数上限可能是硬限制，内部讨论稿的篇幅通常可以商量。
- 字数、篇幅和细节要求冲突时，怎样规定取舍？AI 对话常见问题
先确定长度是硬上限还是大致目标，再规定什么信息必须保留、什么可以删或移到别处。 “越短越好”和“每个细节都讲透”没有明确取舍，AI 就只能替你猜哪些内容更重要。
- 如何区分“可以提出新想法”和“可以补造事实”？AI 对话常见问题
可以允许 AI 创造方案、故事或假设，但要把它们与描述真实世界的陈述分开。 “想一个新的宣传创意”允许提出新做法；“写我们的成功案例”则需要真实经历、数据和来源。一个方案新颖，并不会使配套的数字和案例自动变真。
- 怎样中止任务、撤销授权或恢复到修改前的状态？AI 对话常见问题
中止任务、撤销授权和恢复旧状态是三件事，要分别执行和核实。 中止是停止继续工作，撤权是收回后续操作许可，恢复则需要版本、备份或对应系统的补救功能。
- 临时改变风格或规则时，怎样说明只对当前输出有效？AI 对话常见问题
写清临时规则针对哪个输出、何时结束，以及结束后恢复什么规则。 “这次活泼一点”可能指下一条回复，也可能指整篇文稿；明确到“只改第二版的开场段”会更容易检查。
- 一个请求里包含多个任务时，怎样明确交付物和相互关系？AI 对话常见问题
先说清要交付哪些成品、各自依据什么，以及哪些结果必须先完成；具体实施步骤可以交给 AI 安排。 “写报告、做演示、列行动项”包含三个交付物，但还没有说明三者使用同一份结论，还是分别分析。
- 什么时候一次完成更合适，什么时候需要分阶段？AI 对话常见问题
目标、材料和验收标准已经明确，且结果容易检查时，通常可以一次委托完成；需要先取得新信息、验证关键前提或作出实质选择时，再分阶段。 一次委托也可以包含 AI 自行安排的多步工作，不等于只能生成一次。
- 哪些中间结论必须先核实，才可以作为下一步依据？AI 对话常见问题
优先核实那些一旦出错就会改变后续方向、计算结果或操作对象的中间结论。 不必把每句过渡文字都升级为检查点；关键是找出后面哪些工作正在依赖它。
- 拆得过细会增加哪些沟通负担，怎样判断拆分是否有必要？AI 对话常见问题
拆分有价值，是因为它降低了出错或返工的代价；拆分本身也会消耗沟通、等待和整合成本。 如果用户需要反复解释同一背景、复制中间答案、回复“继续”，而质量没有明显改善，流程很可能拆得过细。
- 什么时候看提纲、样例或小规模试做，比直接生成完整结果更有效？AI 对话常见问题
当错误方向会被大量复制，或你必须看到实物才能判断偏好时，先看提纲、样例或小规模试做更有价值。 选择哪一种，要对应尚未解决的问题：提纲检查覆盖与结构，样例检查语气和表现形式，试做检查材料、工具与流程能否跑通。
- 怎样设置有意义的检查点，而不是每一步都停下来？AI 对话常见问题
检查点应设在“现在检查能改变后续投入”的地方，并明确通过后继续什么、何种情况才需要用户作决定。 进度汇报、自动检查和请求批准是三件事，不必绑在一起。
- 在一条对话里切换话题，什么时候会混入旧目标或旧材料？AI 对话常见问题
旧目标或旧材料仍在可见上下文里，而新要求没有明确对象和适用范围时，AI 可能把两者混用。 典型信号是沿用上一个项目的数字、客户名称、写作风格，或把已经否定的方案继续当作前提。无需等到对话很长，这些混用就可能出现。
- 何时继续原对话，何时另开对话，应保存什么交接信息？AI 对话常见问题
同一任务的目标和有效材料仍连续时，继续原对话比较方便；任务已经换了对象，或旧假设反复干扰结果时，可以整理交接信息后另开对话。 不必按固定轮数清空，也不宜只复制最后一句“继续做”。
- 任务中断或工具失败后，怎样确认已完成部分，避免重复操作？AI 对话常见问题
先确认外部状态，再从尚未完成的部分继续；“没收到成功回复”不等于“操作没有发生”。 读取资料失败通常容易重试，但创建记录、发送内容或提交写入时，盲目重来可能产生重复结果。
- 让多个 AI 或多个角色讨论，什么时候有价值，什么时候只是增加重复内容？AI 对话常见问题
多个 AI 有价值，通常是因为它们完成了不同工作、提出了可比较的候选答案，或发现了单次尝试遗漏的证据。 如果只是轮流复述同一观点，角色数量增加并没有增加信息。
- 怎样在开始前约定投入时间、费用、尝试次数和输出深度？AI 对话常见问题
只约定与你有关的资源限制，并区分“希望控制在多少”与“系统必须在何处停止”。 时间、费用、尝试次数和输出深度不是同一个指标；答得短也可能经过很多搜索，限制字数不能代替限制成本。
- 反复尝试没有进步时，应换表达、补资料、换工具，还是改变目标？AI 对话常见问题
先定位阻碍进展的环节，再选择改变什么；不要把所有失败都归因于提问方式。 换表达适合解决误解，补资料适合解决信息缺口，换工具适合解决执行或计算问题，改变目标则涉及你是否愿意接受新的取舍。
- 如何先用低成本试做判断方案是否可行？AI 对话常见问题
低成本试做应测试最可能使方案失败的关键环节，并走完一条真实的小流程。 仅做一个外观精致的演示，往往只能证明“能展示”，未必证明原始材料能处理、结果能核对或规模扩大后能承担成本。
- 怎样避免把 AI 的建议自动当成自己的偏好或最终决定？AI 对话常见问题
把“这个建议的事实依据成立”与“我愿意接受它的价值取舍”分开。 AI 可以帮助比较后果，也可以按你已经确定的偏好代选；尚未确定的偏好，不应因为它反复推荐就被当成你的决定。
- AI 的引用是否真实存在，是否真的支持对应结论，怎样检查？AI 对话常见问题
检查引用要分两步：先确认文献确实存在，再确认原文支持答案中的那句话。 作者、期刊、DOI 看起来专业，只能算待核对的书目信息。
- 来源真实但过时、断章取义或适用范围不同，应怎样识别？AI 对话常见问题
来源真实只是第一关；还要检查它是否仍适用，以及答案有没有扩大原文的结论。 年份较早不自动等于过时，新发表也不自动等于更可靠。
- AI 表示“很确定”或给出置信度数字时，应该怎样看待？AI 对话常见问题
“很确定”是回答的一部分；“置信度95%”只有经过相应任务的校准检验，才有可解释的准确率含义。 数字精细，并不意味着它来自真实的统计测量。
- 结果不好，是目标不清、材料不足、输入误读、能力限制，还是评价标准不一致？AI 对话常见问题
先指出结果在哪一项验收条件上失败，再判断原因；一句“效果不好”不足以区分表达、资料、理解和能力问题。 同一次失败也可能有多个原因。
- AI 改对一处却改坏另一处时，应怎样检查回归问题？AI 对话常见问题
修复一处后，要同时检查“原错误是否消失”和“原来正确的内容是否保留”。 后一种检查就是回归检查，适用于代码，也适用于文档、表格和分类规则。
- 让 AI 自己检查答案，能发现什么，不能替代哪些独立验证？AI 对话常见问题
自检适合做第一轮筛查；事实、计算和外部操作是否成立，需要能独立核对的证据。 要求 AI 按清单查漏项、矛盾、格式和引用位置，能让检查对象更具体；单纯问“你确定没有问题吗”，得到的可能只是另一句判断。
- 我反复质疑后 AI 改口，怎样判断是真纠错还是迎合？AI 对话常见问题
判断改口是否有根据，要看新增证据、可定位的错误和重新核验的结果。 道歉、语气变坚定，或者改成与你一致，都不是正确性的证据。
- 让 AI 反驳我时，怎样避免得到为了反驳而反驳的内容？AI 对话常见问题
把任务写成“找出会影响结论的漏洞和反证”，比指定“必须反驳我”更符合审查目的。 好的反驳应当指向真实主张、有可核查依据，并说明问题是否足以改变决定；合理的部分可以保留。
- 比较两种提问方法时，需要保持哪些条件一致？AI 对话常见问题
比较两种提问方法时，先固定任务与评分标准，再尽量只改变你要研究的那项写法。 一次生成的胜负，只能说明那次结果，不能代表长期表现。
- 怎样发现自己越来越依赖 AI 的认可，而不再独立判断？AI 对话常见问题
关键不在于用了多少次 AI，而在于自己能否保留判断理由、接受现实反馈，并在需要时停止寻求认可。 经常借助工具处理工作，与必须获得它的赞同才敢决定，是不同的使用方式。
- 结果交给他人使用前，应说明哪些 AI 参与、核验范围和剩余限制？AI 对话常见问题
交付说明应让接收者知道：AI 做了什么、哪些内容确实查过，以及哪些限制会影响使用。 具体披露要求先看交付场景的规则与约定，不能把某个期刊或单位的要求写成所有人的统一义务。
- 怎样把一次错误整理成可复用的检查项，而不是积累越来越长的禁令？AI 对话常见问题
把错误转成“什么条件下，要检查什么、怎样算通过”的检查项，比不断追加“以后不要再错”更容易复用。 检查项要对应可观察的行为，而不是抽象的态度要求。
- 注意力机制概念 / Concept
让模型在处理每个词时，动态决定该'看'输入里的哪些其他词、看多重。
概念关系（→ 有向，— 无向）
- 注意力机制 → Transformer · 核心组件
- 注意力机制 → 上下文窗口 · 平方级开销
- 注意力机制 → 中间迷失 · 注意力稀释是成因
- 推理优化 → 注意力机制 · 平方级瓶颈
- 可解释性 → 注意力机制 · 看注意力（仅线索）
- 重排 Reranking → 注意力机制 · 交叉编码
- 提示缓存 → 注意力机制 · 复用 KV
- 注意力机制 → 梯度消失 · 路径长度为 1
- 位置编码与 RoPE → 注意力机制 · 让注意力识别先后
- 状态空间模型与 Mamba — 注意力机制 · 压缩状态 vs 位置两两交互
- Transformer概念 / Concept
以注意力机制为核心搭起来的神经网络架构，是当今几乎所有大模型的骨架。
概念关系（→ 有向，— 无向）
- 注意力机制 → Transformer · 核心组件
- 嵌入 Embedding → Transformer · 输入层
- Transformer → 大语言模型 LLM · 架构基础
- 扩散模型 → Transformer · 新一代骨干
- 混合专家 MoE → Transformer · 稀疏化前馈层
- 多模态 → Transformer · 统一 token 化
- 语音识别与合成 → Transformer · 音频 token 化
- 残差连接 → Transformer · 每层两处
- Transformer → 缩放定律 · 可并行才谈得上放大
- Transformer → 神经网络 · 是一种
- Transformer — 循环神经网络 RNN · 并行 vs 顺序
- 预训练 → Transformer · 训练对象
- 批归一化 Batch Norm — Transformer · BN vs 层归一化
- 位置编码与 RoPE → Transformer · 注入顺序
- 层归一化与 RMSNorm → Transformer · 每层稳定组件
- 状态空间模型与 Mamba — Transformer · 线性状态 vs 全局注意力
- 残差连接概念 / Concept
让输入直接绕过一层与输出相加，是深层网络能训起来的结构性前提。
概念关系（→ 有向，— 无向）
- 残差连接 → 梯度消失 · 给梯度开直通车
- 残差连接 → Transformer · 每层两处
- 残差连接 → 卷积神经网络 CNN · ResNet
- 批归一化 Batch Norm — 残差连接 · 深层网络两支柱
- 层归一化与 RMSNorm — 残差连接 · 深层训练搭档
- 梯度消失概念 / Concept
梯度在层层回传中不断相乘，指数级衰减到接近零，导致浅层学不动。
概念关系（→ 有向，— 无向）
- 反向传播 → 梯度消失 · 连乘导致
- 梯度消失 → 循环神经网络 RNN · 长依赖学不到
- 梯度消失 → 神经网络 · 限制深度
- 残差连接 → 梯度消失 · 给梯度开直通车
- 注意力机制 → 梯度消失 · 路径长度为 1
- 批归一化 Batch Norm → 梯度消失 · 稳住数值尺度
- 层归一化与 RMSNorm → 梯度消失 · 稳定激活尺度
- 缩放定律概念 / Concept
模型规模、数据量、算力同步放大时，损失会以可预测的幂律下降。
- 大语言模型 LLM概念 / Concept
在海量文本上训练出的超大 Transformer，本质是在预测下一个 token。
概念关系（→ 有向，— 无向）
- Transformer → 大语言模型 LLM · 架构基础
- Token 与分词 → 大语言模型 LLM · 输入表示
- 采样与解码参数 → 大语言模型 LLM · 解码阶段
- 上下文窗口 → 大语言模型 LLM · 单次可见上限
- RAG 检索增强生成 → 大语言模型 LLM · 基于材料生成
- 提示注入 → 大语言模型 LLM · 指令与数据同构
- AI Agent → 大语言模型 LLM · 决策大脑
- 微调 Fine-tuning → 大语言模型 LLM · 改造权重
- 大语言模型 LLM — 提示工程 · 作用对象
- 越狱 Jailbreak → 大语言模型 LLM · 绕过安全边界
- 对齐 Alignment → 大语言模型 LLM · 塑造行为边界
- 代码生成 / AI 编程 → 大语言模型 LLM · 写代码
- 流式输出 → 大语言模型 LLM · 自回归逐字生成
- 上下文学习 → 大语言模型 LLM · 涌现能力
- 多模态 → 大语言模型 LLM · 多模态扩展
- 缩放定律 → 大语言模型 LLM · 敢于持续加注
- 预训练 → 大语言模型 LLM · 第一阶段
- 推理模型 → 大语言模型 LLM · 推理时扩展
- 大语言模型 LLM → 损失函数 · 预测下一token的交叉熵
- 信息论与熵 — 大语言模型 LLM · 困惑度即交叉熵
- Token 与分词概念 / Concept
模型看不见字符，只看见 token —— 文本被切成的一个个小片段。
- 嵌入 Embedding概念 / Concept
把文本变成一串数字（向量），让语义相近的内容在向量空间里也靠得近。
概念关系（→ 有向，— 无向）
- 嵌入 Embedding → Transformer · 输入层
- RAG 检索增强生成 → 嵌入 Embedding · 语义检索
- 向量数据库 → 嵌入 Embedding · 存的就是向量
- 检索与语义搜索 → 嵌入 Embedding · 算相似度
- 图像生成 → 嵌入 Embedding · 文本图像对齐
- 嵌入 Embedding → 维度灾难 · 有结构的高维可用
- CLIP 图文对比学习 → 嵌入 Embedding · 图文同一空间
- 知识图谱与 GraphRAG — 嵌入 Embedding · 关系 vs 相似度
- 多模态 → 嵌入 Embedding · 共享语义空间
- 降维 — 嵌入 Embedding · 嵌入可视化
- 聚类 → 嵌入 Embedding · 文本主题归纳
- 对比学习 → 嵌入 Embedding · 塑造表示空间
- 上下文窗口概念 / Concept
模型单次能「看见」的 token 总量上限——它的工作台有多大。
概念关系（→ 有向，— 无向）
- Token 与分词 → 上下文窗口 · 以 token 计量
- 上下文窗口 → 大语言模型 LLM · 单次可见上限
- 上下文窗口 → RAG 检索增强生成 · 所以要切块
- 注意力机制 → 上下文窗口 · 平方级开销
- 中间迷失 → 上下文窗口 · 塞得进≠读得到
- 上下文窗口 → 文档切分 Chunking · 所以要切小
- 思维链 CoT → 上下文窗口 · 输出变长
- 上下文窗口 → Agent 记忆 · 装不下才要外部记忆
- Agent 循环 → 上下文窗口 · 每轮结果都拼回上下文
- 上下文压缩 → 上下文窗口 · 腾出窗口
- 上下文学习 → 上下文窗口 · 例子占预算
- 上下文工程 → 上下文窗口 · 预算分配
- 推理优化 → 上下文窗口 · 长上下文才可行
- 视频生成 → 上下文窗口 · 多帧算力压力
- 上下文窗口 → 多 Agent 编排 · 移交时易丢上下文
- 位置编码与 RoPE → 上下文窗口 · 影响长度外推
- 状态空间模型与 Mamba — 上下文窗口 · 长序列线性扫描
- 中间迷失概念 / Concept
放在上下文中段的信息，模型的利用率明显低于放在开头和结尾。
概念关系（→ 有向，— 无向）
- 中间迷失 → 上下文窗口 · 塞得进≠读得到
- 注意力机制 → 中间迷失 · 注意力稀释是成因
- 中间迷失 → RAG 检索增强生成 · 材料给了也用不上
- 检索与语义搜索 → 中间迷失 · 少放 + 重排放两端
- 越狱 Jailbreak → 中间迷失 · 长上下文淹没安全指令
- 上下文工程 → 中间迷失 · 少而精
- 重排 Reranking → 中间迷失 · 只剩几条都在两端
- 位置编码与 RoPE — 中间迷失 · 位置偏差因素
- 采样与解码参数概念 / Concept
控制模型从「下一个词的概率分布」里怎么挑的一组旋钮。
- 微调 Fine-tuning概念 / Concept
在预训练模型的基础上，用特定数据继续训练，改变模型的权重。
概念关系（→ 有向，— 无向）
- RAG 检索增强生成 — 微调 Fine-tuning · 喂事实 vs 改行为
- 提示工程 — 微调 Fine-tuning · 零成本 vs 需训练
- 微调 Fine-tuning → 大语言模型 LLM · 改造权重
- 对齐 Alignment → 微调 Fine-tuning · SFT + 偏好优化
- 正则化 → 微调 Fine-tuning · 小数据微调必备
- 上下文学习 — 微调 Fine-tuning · 不改权重 vs 改权重
- RLHF 与偏好对齐 → 微调 Fine-tuning · 跟在 SFT 之后
- 可控生成 → 微调 Fine-tuning · LoRA 保持身份
- 微调 Fine-tuning → 监督学习 · SFT
- 过拟合 → 微调 Fine-tuning · 小数据微调易过拟合
- 后训练 Post-training → 微调 Fine-tuning · 监督指令阶段
- 微调 Fine-tuning → 优化器与学习率调度 · 控制适配幅度
- 参数高效微调 PEFT / LoRA → 微调 Fine-tuning · 只训少量参数
- 模型合并与适配器组合 — 微调 Fine-tuning · 合并 vs 重训
- 声音克隆 → 微调 Fine-tuning · 专业克隆更新目标说话者参数
- 神经网络概念 / Concept
由多层可调参数的简单单元堆叠而成、通过数据自动学习映射关系的模型。
概念关系（→ 有向，— 无向）
- 变分自编码器 VAE → 神经网络 · 是一种
- 对抗样本与鲁棒性 → 神经网络 · 决策边界不合人意
- 可解释性 → 神经网络 · 黑箱难打开
- 生成对抗网络 GAN → 神经网络 · 是一种
- 梯度消失 → 神经网络 · 限制深度
- 卷积神经网络 CNN → 神经网络 · 是一种
- 循环神经网络 RNN → 神经网络 · 是一种
- Transformer → 神经网络 · 是一种
- 神经网络 → 梯度下降 · 训练方式
- 决策树与集成方法 — 神经网络 · 表格数据常胜
- 批归一化 Batch Norm → 神经网络 · 训练稳定层
- 核方法与 SVM — 神经网络 · 手工核 vs 学表示
- 梯度下降概念 / Concept
沿着「误差下降最快的方向」一小步一小步调整参数，是模型训练的基本方法。
- 反向传播概念 / Concept
高效计算「每个参数该往哪调」的算法，让深层网络的训练成为可能。
- 过拟合概念 / Concept
模型把训练数据背下来了，包括其中的噪声，导致遇到新数据就失灵。
- 卷积神经网络 CNN概念 / Concept
用滑动的小窗口在图像上提取局部特征的网络，长期是计算机视觉的主力。
概念关系（→ 有向，— 无向）
- 残差连接 → 卷积神经网络 CNN · ResNet
- 卷积神经网络 CNN → 神经网络 · 是一种
- 卷积神经网络 CNN → 扩散模型 · 早期 U-Net 骨干
- 循环神经网络 RNN概念 / Concept
按顺序逐个处理序列、并把「记忆」传给下一步的网络，Transformer 之前的序列主力。
概念关系（→ 有向，— 无向）
- 梯度消失 → 循环神经网络 RNN · 长依赖学不到
- 循环神经网络 RNN → 神经网络 · 是一种
- Transformer — 循环神经网络 RNN · 并行 vs 顺序
- 反向传播 → 循环神经网络 RNN · 梯度消失
- 状态空间模型与 Mamba — 循环神经网络 RNN · 递归状态传统
- 监督学习概念 / Concept
用带标准答案的数据训练模型，让它学会从输入预测输出。
- 无监督学习概念 / Concept
从没有标注的数据中自己找出结构与规律。
- 强化学习概念 / Concept
让智能体在环境中试错，用奖励信号学出一套行为策略。
概念关系（→ 有向，— 无向）
- 奖励黑客 → 强化学习 · 奖励函数写不对
- 世界模型与 3D 生成 — 强化学习 · 模型化环境
- RLHF 与偏好对齐 → 强化学习 · PPO
- 对齐 Alignment → 强化学习 · RLHF
- 强化学习 — AI Agent · 两种「智能体」
- 自监督学习概念 / Concept
从数据本身构造训练目标，不需要人工标注——大模型时代的直接前提。
- 正则化概念 / Concept
一整套限制模型「死记硬背」能力的手段，用来对付过拟合。
概念关系（→ 有向，— 无向）
- 正则化 → 过拟合 · 限制死记硬背
- 正则化 → 微调 Fine-tuning · 小数据微调必备
- 梯度下降 — 正则化 · 小批量噪声自带
- 量化 Quantization — 正则化 · 精度宽容同源
- 批归一化 Batch Norm — 正则化 · 批内噪声带正则
- 核方法与 SVM — 正则化 · 最大间隔即一种正则
- 决策树与集成方法概念 / Concept
用一连串「是/否」判断做预测的模型，以及把多棵树组合起来的增强方法。
- 聚类概念 / Concept
在没有标签的情况下，把相似的样本自动分成若干组。
- 降维概念 / Concept
把高维数据压缩到低维，同时尽量保留原有的结构信息。
- 维度灾难概念 / Concept
维度越高，空间越空旷，「距离」越失去区分度——高维空间不符合直觉。
- 预训练概念 / Concept
在海量无标注文本上做自监督训练，是大模型能力的主要来源。
概念关系（→ 有向，— 无向）
- RAG 检索增强生成概念 / Concept
回答前先去知识库检索相关资料，连同问题一起交给模型，让它基于材料作答。
概念关系（→ 有向，— 无向）
- 上下文窗口 → RAG 检索增强生成 · 所以要切块
- 中间迷失 → RAG 检索增强生成 · 材料给了也用不上
- RAG 检索增强生成 → 嵌入 Embedding · 语义检索
- RAG 检索增强生成 → 向量数据库 · 存储与召回
- RAG 检索增强生成 → 大语言模型 LLM · 基于材料生成
- RAG 检索增强生成 → 幻觉 Hallucination · 提供真实材料
- AI Agent → RAG 检索增强生成 · 检索作为工具
- RAG 检索增强生成 — 微调 Fine-tuning · 喂事实 vs 改行为
- 提示工程 — RAG 检索增强生成 · 怎么问 vs 给什么
- 文档切分 Chunking → RAG 检索增强生成 · 离线阶段
- 检索与语义搜索 → RAG 检索增强生成 · 在线阶段
- Agent 记忆 → RAG 检索增强生成 · 长期记忆即检索
- 引用与溯源 → RAG 检索增强生成 · 让检索结论可溯源
- 知识图谱与 GraphRAG → RAG 检索增强生成 · 检索关系而非片段
- 数据投毒 → RAG 检索增强生成 · 污染知识库
- LLM 应用评测 — RAG 检索增强生成 · 调优靠它衡量
- 高级 RAG → RAG 检索增强生成 · 基础之上加处理
- 重排 Reranking → RAG 检索增强生成 · 召回对了但排后面
- 向量数据库概念 / Concept
专门存储向量并支持「找出最相似的 K 个」这种查询的数据库。
概念关系（→ 有向，— 无向）
- RAG 检索增强生成 → 向量数据库 · 存储与召回
- 向量数据库 → 嵌入 Embedding · 存的就是向量
- 检索与语义搜索 → 向量数据库 · 近似最近邻
- 向量数据库 → 重排 Reranking · 近似检索的排序误差
- 提示工程概念 / Concept
通过设计输入的措辞与结构，让模型稳定产出你想要的结果。
- 文档切分 Chunking概念 / Concept
把长文档切成小块，让检索能定位到片段而不是整本书。
概念关系（→ 有向，— 无向）
- 文档切分 Chunking → RAG 检索增强生成 · 离线阶段
- 上下文窗口 → 文档切分 Chunking · 所以要切小
- 文档切分 Chunking → 检索与语义搜索 · 切法定上限
- Agent 记忆 → 文档切分 Chunking · 长期记忆即 RAG
- 检索与语义搜索概念 / Concept
根据问题从知识库里找出最相关的内容——RAG 效果的真正瓶颈。
概念关系（→ 有向，— 无向）
- 检索与语义搜索 → 中间迷失 · 少放 + 重排放两端
- 检索与语义搜索 → RAG 检索增强生成 · 在线阶段
- 检索与语义搜索 → 嵌入 Embedding · 算相似度
- 检索与语义搜索 → 向量数据库 · 近似最近邻
- 文档切分 Chunking → 检索与语义搜索 · 切法定上限
- 维度灾难 → 检索与语义搜索 · 同上
- 高级 RAG → 检索与语义搜索 · 查询改写
- Agent 记忆 → 检索与语义搜索 · 存进去还要捞得回
- 重排 Reranking → 检索与语义搜索 · 精排环节
- 检索与语义搜索 → 对比学习 · 训练语义检索器
- 重排 Reranking概念 / Concept
对召回的候选逐条精算相关性并重新排序，是「先粗筛后精排」的第二步。
概念关系（→ 有向，— 无向）
- 重排 Reranking → 检索与语义搜索 · 精排环节
- 重排 Reranking → 中间迷失 · 只剩几条都在两端
- 重排 Reranking → RAG 检索增强生成 · 召回对了但排后面
- 重排 Reranking → 注意力机制 · 交叉编码
- 向量数据库 → 重排 Reranking · 近似检索的排序误差
- 约束解码概念 / Concept
在生成的每一步屏蔽掉会破坏格式的 token，从机制上保证输出合法。
- 提示缓存概念 / Concept
把重复出现的提示前缀的中间计算结果缓存下来，省掉重复计算。
- 结构化输出概念 / Concept
让模型稳定吐出程序能直接解析的格式，而不是一段自然语言。
- 思维链 CoT概念 / Concept
让模型把推理过程写出来再给答案，复杂任务上准确率明显提升。
- AI Agent概念 / Concept
能自主循环「思考→调用工具→看结果→再思考」直到完成任务的 LLM 系统。
概念关系（→ 有向，— 无向）
- 提示注入 → AI Agent · 劫持工具权限
- 工具调用 / 函数调用 → AI Agent · 接上外部世界
- AI Agent → 大语言模型 LLM · 决策大脑
- AI Agent → RAG 检索增强生成 · 检索作为工具
- Agent 循环 → AI Agent · 核心机制
- Agent 记忆 → AI Agent · 跨轮次状态
- 智能体技能 → AI Agent · 可插拔能力包
- 规划与任务分解 → AI Agent · 拆解复杂目标
- 人在回路 → AI Agent · 关键步人工确认
- 工作流编排 — AI Agent · 写死流程 vs 自主
- 代码执行与沙箱 → AI Agent · 算准+验证闭环
- 计算机操作 → AI Agent · 操作无 API 的软件
- 高级 RAG → AI Agent · Agentic RAG
- 多模态 → AI Agent · 看界面截图
- 多 Agent 编排 → AI Agent · 复杂时的组织方式
- 护栏 Guardrails → AI Agent · 生产必备
- 模型选型与成本 → AI Agent · 每环节选不同模型
- 结构化输出 → AI Agent · 循环不中断
- 提示缓存 → AI Agent · 多轮重复计费
- 强化学习 — AI Agent · 两种「智能体」
- Agent 框架 → AI Agent · 工程封装
- Agent 身份、权限与密钥管理 → AI Agent · 执行身份边界
- 工具调用 / 函数调用概念 / Concept
让模型输出结构化的「调用意图」，由外部程序实际执行并把结果回传。
概念关系（→ 有向，— 无向）
- 提示注入 → 工具调用 / 函数调用 · 放大破坏面
- 工具调用 / 函数调用 → AI Agent · 接上外部世界
- MCP 模型上下文协议 → 工具调用 / 函数调用 · 标准化
- 结构化输出 → 工具调用 / 函数调用 · 调用请求即结构化输出
- Agent 循环 → 工具调用 / 函数调用 · 行动环节
- 智能体技能 → 工具调用 / 函数调用 · 技能含若干工具
- 工作流编排 → 工具调用 / 函数调用 · 节点里调工具
- 代码执行与沙箱 → 工具调用 / 函数调用 · 最强的工具
- ReAct 推理+行动 → 工具调用 / 函数调用 · 行动环节
- 多 Agent 编排 → 工具调用 / 函数调用 · Manager 模式靠调用
- 护栏 Guardrails → 工具调用 / 函数调用 · 高危操作需确认
- MCP 架构 → 工具调用 / 函数调用 · Tools 映射到工具调用
- Agent 身份、权限与密钥管理 → 工具调用 / 函数调用 · 调用前授权
- MCP 模型上下文协议概念 / Concept
把「模型如何连接外部工具与数据」标准化的开放协议。
概念关系（→ 有向，— 无向）
- MCP 模型上下文协议 → 工具调用 / 函数调用 · 标准化
- MCP 架构 → MCP 模型上下文协议 · 三角色与传输层
- Agent 身份、权限与密钥管理 — MCP 模型上下文协议 · 连接不等于授权
- MCP 架构概念 / Concept
MCP 的三个角色（Host / Client / Server）与两种传输方式。
概念关系（→ 有向，— 无向）
- MCP 架构 → MCP 模型上下文协议 · 三角色与传输层
- MCP 架构 → 工具调用 / 函数调用 · Tools 映射到工具调用
- 提示注入 → MCP 架构 · 第三方 Server 不可信
- Agent 循环概念 / Concept
Agent 反复执行的四步：接收输入 → 推理规划 → 调用工具 → 观察结果。
概念关系（→ 有向，— 无向）
- Agent 循环 → AI Agent · 核心机制
- Agent 循环 → 工具调用 / 函数调用 · 行动环节
- Agent 循环 → 上下文窗口 · 每轮结果都拼回上下文
- 上下文压缩 → Agent 循环 · 长任务不失忆
- AI 编程工具 → Agent 循环 · 仓库级 Agent
- 规划与任务分解 → Agent 循环 · 蓝图 vs 施工
- 可观测性与追踪 → Agent 循环 · 看清哪步出错
- 计算机操作 → Agent 循环 · 感知+鼠标键盘
- 自我反思 → Agent 循环 · 观察反思环节
- 上下文工程 → Agent 循环 · 每轮重构上下文
- ReAct 推理+行动 → Agent 循环 · 循环的原型
- 多 Agent 编排 — Agent 循环 · 拆开 vs 加工具
- Agent 循环 → 提示缓存 · 每轮重读历史
- Agent 记忆概念 / Concept
让 Agent 跨轮次、跨会话保留信息的机制——上下文窗口装不下的部分。
- 扩散模型概念 / Concept
通过学习「从噪声一步步去噪」来生成内容的模型，当今图像生成的主流。
概念关系（→ 有向，— 无向）
- 扩散模型 → 图像生成 · 当今主流路径
- 扩散模型 → Transformer · 新一代骨干
- 扩散模型 → 自监督学习 · 加噪即造样本
- 变分自编码器 VAE → 扩散模型 · 潜在扩散的压缩层
- 音频与音乐生成 → 扩散模型 · 去噪或自回归
- 生成对抗网络 GAN — 扩散模型 · 对抗 vs 去噪
- 视频生成 → 扩散模型 · 加时间维度
- 卷积神经网络 CNN → 扩散模型 · 早期 U-Net 骨干
- Flow Matching / Rectified Flow — 扩散模型 · 概率路径可统一
- 图像生成概念 / Concept
根据文本描述生成图像，当前主要由扩散模型驱动。
概念关系（→ 有向，— 无向）
- 扩散模型 → 图像生成 · 当今主流路径
- 图像生成 → 嵌入 Embedding · 文本图像对齐
- CLIP 图文对比学习 → 图像生成 · 文字导向生成
- 图像编辑 → 图像生成 · 有起点地改
- 超分辨率与修复 → 图像生成 · 受原图约束地生成
- AIGC 检测与水印 → 图像生成 · 越逼真越难辨
- 图像生成 → 多模态 · 文→图方向
- 可控生成 → 图像生成 · 文字控不住构图
- Flow Matching / Rectified Flow → 图像生成 · 现代生成引擎
- 多模态概念 / Concept
让一个模型同时处理文本、图像、音频等不同形式的信息。
- 生成对抗网络 GAN概念 / Concept
让生成器和判别器对抗训练来生成内容，扩散模型之前的图像生成主力。
概念关系（→ 有向，— 无向）
- 变分自编码器 VAE — 生成对抗网络 GAN · 编码重建 vs 对抗
- AIGC 检测与水印 — 生成对抗网络 GAN · 检测 vs 生成对抗
- 生成对抗网络 GAN — 扩散模型 · 对抗 vs 去噪
- 生成对抗网络 GAN → 神经网络 · 是一种
- 语音识别与合成概念 / Concept
语音转文字（识别）与文字转语音（合成），两个反向的任务。
概念关系（→ 有向，— 无向）
- 音频与音乐生成 — 语音识别与合成 · 造声音 vs 读文字
- AIGC 检测与水印 → 语音识别与合成 · 音色克隆诈骗
- 语音识别与合成 → 多模态 · 音频模态
- 语音识别与合成 → Transformer · 音频 token 化
- 声音克隆 → 语音识别与合成 · 目标说话者条件化的语音合成
- 视频生成概念 / Concept
根据文本或图像生成连续视频，难点在于时间一致性。
概念关系（→ 有向，— 无向）
- 世界模型与 3D 生成 → 视频生成 · 从看到可交互
- 视频生成 → 扩散模型 · 加时间维度
- 视频生成 → 上下文窗口 · 多帧算力压力
- Flow Matching / Rectified Flow → 视频生成 · 高维时空生成
- 可控生成概念 / Concept
在纯文本提示之外，用额外条件精确控制生成结果。
- LLM 应用评测概念 / Concept
系统地衡量一个 LLM 应用好不好——没有它，一切优化都是盲调。
概念关系（→ 有向，— 无向）
- 思维树 ToT → LLM 应用评测 · 评估分支剪枝
- 可观测性与追踪 — LLM 应用评测 · 线上闭环补评测
- LLM 应用评测 → 模型选型与成本 · 先有基线才能换
- LLM 应用评测 — RAG 检索增强生成 · 调优靠它衡量
- 奖励黑客 → LLM 应用评测 · 裁判也会被骗
- 过拟合 → LLM 应用评测 · 测试集污染
- 红队测试 — LLM 应用评测 · 异常 vs 正常输入
- 损失函数 — LLM 应用评测 · 优化的 vs 在乎的
- 模型合并与适配器组合 → LLM 应用评测 · 防能力互相破坏
- 模型评测与基准 — LLM 应用评测 · 模型能力 vs 应用目标
- 模型路由与级联系统 → LLM 应用评测 · 学习升级边界
- 数据漂移与持续监控 → LLM 应用评测 · 触发回归评测
- 高级 RAG概念 / Concept
在基础 RAG 之上加一层处理，解决「检索不到」和「检索不够」的问题。
概念关系（→ 有向，— 无向）
- 知识图谱与 GraphRAG → 高级 RAG · GraphRAG
- 高级 RAG → RAG 检索增强生成 · 基础之上加处理
- 高级 RAG → AI Agent · Agentic RAG
- 高级 RAG → 检索与语义搜索 · 查询改写
- 推理优化概念 / Concept
让模型跑得更快更省的一组技术，大多围绕 KV 缓存和注意力。
- 量化 Quantization概念 / Concept
用更低精度存储模型权重，大幅减小体积和显存，换取轻微的质量损失。
概念关系（→ 有向，— 无向）
- 模型蒸馏 — 量化 Quantization · 换小模型 vs 压精度
- 量化 Quantization → 推理优化 · 低精度换速度
- 量化 Quantization — 正则化 · 精度宽容同源
- 量化 Quantization → 部署形态 · 消费级硬件能跑
- 参数高效微调 PEFT / LoRA → 量化 Quantization · QLoRA
- 部署形态概念 / Concept
把模型跑起来对外服务的几种方式，各有隐私、成本、可控性的取舍。
- RLHF 与偏好对齐概念 / Concept
用人类偏好训练模型倾向于「人更想要的」回答——把基座模型调教成助手的关键一步。
概念关系（→ 有向，— 无向）
- 宪法 AI → RLHF 与偏好对齐 · AI反馈替代人工
- 偏见与公平性 — RLHF 与偏好对齐 · 标注者也带偏见
- RLHF 与偏好对齐 → 对齐 Alignment · 对齐核心环节
- RLHF 与偏好对齐 → 强化学习 · PPO
- 奖励黑客 → RLHF 与偏好对齐 · 讨好而非正确
- RLHF 与偏好对齐 → 微调 Fine-tuning · 跟在 SFT 之后
- 信息论与熵 — RLHF 与偏好对齐 · KL 散度当缰绳
- 后训练 Post-training → RLHF 与偏好对齐 · 偏好阶段
- 红队测试概念 / Concept
主动扮演攻击者去攻破自己的模型，在上线前找出漏洞。
- 可解释性概念 / Concept
试图搞清楚模型内部到底在做什么——目前仍是开放的研究前沿。
概念关系（→ 有向，— 无向）
- Logprobs 与置信度 — 可解释性 · 取出黑箱确定性
- AI 治理与法规 → 可解释性 · 要求可审计
- 可解释性 → 幻觉 Hallucination · 从根上理解成因
- 可解释性 → 注意力机制 · 看注意力（仅线索）
- 可解释性 → 对齐 Alignment · 验证真学会价值
- 可解释性 → 神经网络 · 黑箱难打开
- 混合专家 MoE概念 / Concept
把大模型拆成很多「专家」，每个 token 只激活一小部分，参数量大但计算省。
- 模型蒸馏概念 / Concept
用大模型当老师训练小模型，让小模型学到接近大模型的能力。
- 合成数据概念 / Concept
用模型生成训练数据，应对真实高质量数据见底的问题。
- 主流模型家族概念 / Concept
当前主要的大模型家族及其定位——这是变化最快的一层。
- 幻觉 Hallucination概念 / Concept
模型生成了流畅、自信，但事实上错误或纯属虚构的内容。
概念关系（→ 有向，— 无向）
- RAG 检索增强生成 → 幻觉 Hallucination · 提供真实材料
- 提示工程 → 幻觉 Hallucination · 要求引用原文
- 采样与解码参数 — 幻觉 Hallucination · 高温度加剧
- 思维链 CoT → 幻觉 Hallucination · 减少推理跳步
- 奖励黑客 → 幻觉 Hallucination · 奖励自信语气
- 引用与溯源 → 幻觉 Hallucination · 结论挂出处可核实
- 超分辨率与修复 — 幻觉 Hallucination · 补的细节可能是编的
- 代码生成 / AI 编程 → 幻觉 Hallucination · 编不存在的API
- Logprobs 与置信度 → 幻觉 Hallucination · 低置信可转人工
- 自洽性 → 幻觉 Hallucination · 多数票纠错
- 代码执行与沙箱 → 幻觉 Hallucination · 执行结果客观
- 自我反思 → 幻觉 Hallucination · 不懂就反思不出
- ReAct 推理+行动 → 幻觉 Hallucination · 行动结果纠正推理
- 隐私与数据合规 — 幻觉 Hallucination · 泄露真实 vs 编造
- 可解释性 → 幻觉 Hallucination · 从根上理解成因
- 护栏 Guardrails → 幻觉 Hallucination · 输出校验
- 不确定性校准与选择性预测 → 幻觉 Hallucination · 风险分级与拒答
- 提示注入概念 / Concept
把恶意指令藏在模型会读到的内容里，劫持它的行为。
概念关系（→ 有向，— 无向）
- 提示注入 → AI Agent · 劫持工具权限
- 提示注入 → 大语言模型 LLM · 指令与数据同构
- 提示注入 → 工具调用 / 函数调用 · 放大破坏面
- 越狱 Jailbreak — 提示注入 · 手法重叠、目标不同
- 提示注入 → 计算机操作 · 劫持鼠标键盘权限
- 数据投毒 — 提示注入 · 训练时 vs 推理时
- 红队测试 → 提示注入 · 主动攻自己
- 护栏 Guardrails → 提示注入 · 分层防御
- 提示注入 → MCP 架构 · 第三方 Server 不可信
- Agent 身份、权限与密钥管理 → 提示注入 · 权限截断攻击
- 越狱 Jailbreak概念 / Concept
用特定措辞诱导模型绕过自身的安全限制，说出本不该说的内容。
概念关系（→ 有向，— 无向）
- 越狱 Jailbreak → 大语言模型 LLM · 绕过安全边界
- 越狱 Jailbreak — 提示注入 · 手法重叠、目标不同
- 对齐 Alignment → 越狱 Jailbreak · 训练模型拒绝
- 越狱 Jailbreak → 中间迷失 · 长上下文淹没安全指令
- 越狱 Jailbreak → 响应预填充 · 预填肯定开头绕拒绝
- 越狱 Jailbreak → 系统提示与角色提示 · 说服模型无视它
- 对抗样本与鲁棒性 — 越狱 Jailbreak · 文本版对抗
- 红队测试 → 越狱 Jailbreak · 上线前找漏洞
- 护栏 Guardrails → 越狱 Jailbreak · 输入输出双侧
- 奖励黑客概念 / Concept
系统找到了让奖励变高、却违背设计者本意的捷径——它没做错，是目标没写对。
- 对齐 Alignment概念 / Concept
让模型的行为符合人类意图与价值观的一整套技术与目标。
概念关系（→ 有向，— 无向）
- 对齐 Alignment → 越狱 Jailbreak · 训练模型拒绝
- 对齐 Alignment → 大语言模型 LLM · 塑造行为边界
- 对齐 Alignment → 微调 Fine-tuning · SFT + 偏好优化
- 奖励黑客 → 对齐 Alignment · 优化的是讨好非求真
- 对齐 Alignment → 监督学习 · SFT 阶段
- 宪法 AI → 对齐 Alignment · 可扩展可透明的对齐
- 偏见与公平性 → 对齐 Alignment · 价值的一部分
- AI 治理与法规 — 对齐 Alignment · 制度兜底技术不确定
- RLHF 与偏好对齐 → 对齐 Alignment · 对齐核心环节
- 可解释性 → 对齐 Alignment · 验证真学会价值
- 对齐 Alignment → 强化学习 · RLHF
- 后训练 Post-training → 对齐 Alignment · 塑造助手行为
- 推理模型概念 / Concept
在回答前先生成一段长思考过程的模型，用推理时的算力换准确率。
- Agent 框架概念 / Concept
帮你搭 Agent 循环、状态管理和多 Agent 编排的工具库。
- 多 Agent 编排概念 / Concept
把工作拆给多个 Agent 协作完成，两种主流模式：中心调度与对等交接。
概念关系（→ 有向，— 无向）
- 工作流编排 — 多 Agent 编排 · Manager 带编排色彩
- 多 Agent 编排 → AI Agent · 复杂时的组织方式
- 多 Agent 编排 → 工具调用 / 函数调用 · Manager 模式靠调用
- 上下文窗口 → 多 Agent 编排 · 移交时易丢上下文
- 多 Agent 编排 — Agent 循环 · 拆开 vs 加工具
- 护栏 Guardrails概念 / Concept
在模型前后加多道独立检查，用分层防御把风险挡在外面。
概念关系（→ 有向，— 无向）
- 人在回路 → 护栏 Guardrails · 落实高危确认
- 流式输出 → 护栏 Guardrails · 边发难拦截
- 代码执行与沙箱 → 护栏 Guardrails · 最高危需最强隔离
- 护栏 Guardrails → 隐私与数据合规 · PII 输出过滤
- AI 治理与法规 — 护栏 Guardrails · 同为风险分级思路
- 红队测试 — 护栏 Guardrails · 找漏洞→补护栏
- 护栏 Guardrails → 提示注入 · 分层防御
- 护栏 Guardrails → 越狱 Jailbreak · 输入输出双侧
- 护栏 Guardrails → 幻觉 Hallucination · 输出校验
- 护栏 Guardrails → AI Agent · 生产必备
- 护栏 Guardrails → 工具调用 / 函数调用 · 高危操作需确认
- 不确定性校准与选择性预测 → 护栏 Guardrails · 选择性拒答
- 模型选型与成本概念 / Concept
不是所有任务都需要最强的模型——先用最强的建立基线，再往下换。
- 上下文学习概念 / Concept
模型只靠提示里的几个例子就学会新任务，不改一个权重。
- 上下文工程概念 / Concept
决定每次调用时上下文窗口里到底放什么——比雕琢单条提示更上层的问题。
- ReAct 推理+行动概念 / Concept
让模型交替进行「推理」和「调用工具」，是 Agent 循环的经典范式。
概念关系（→ 有向，— 无向）
- ReAct 推理+行动 → 自我反思 · 观察后反思
- ReAct 推理+行动 → Agent 循环 · 循环的原型
- ReAct 推理+行动 → 思维链 CoT · 推理环节
- ReAct 推理+行动 → 工具调用 / 函数调用 · 行动环节
- ReAct 推理+行动 → 幻觉 Hallucination · 行动结果纠正推理
- 数据投毒概念 / Concept
在训练数据里掺入恶意样本，让模型学到攻击者想要的行为。
- 对抗样本与鲁棒性概念 / Concept
对输入做人眼难察的微小扰动，就能让模型给出完全错误的结果。
- 偏见与公平性概念 / Concept
模型会继承并放大训练数据里的社会偏见，在关键决策场景造成不公。
概念关系（→ 有向，— 无向）
- 偏见与公平性 → 预训练 · 继承并放大数据偏见
- 偏见与公平性 — RLHF 与偏好对齐 · 标注者也带偏见
- 偏见与公平性 → 对齐 Alignment · 价值的一部分
- 训练数据治理 → 偏见与公平性 · 分群与配比检查
- 隐私与数据合规概念 / Concept
模型可能记住并泄露训练数据，加上数据出境等合规约束，是落地的硬门槛。
概念关系（→ 有向，— 无向）
- 隐私与数据合规 — 过拟合 · 记忆越强泄露越多
- 隐私与数据合规 — 幻觉 Hallucination · 泄露真实 vs 编造
- 隐私与数据合规 → 部署形态 · 数据出境限制
- 护栏 Guardrails → 隐私与数据合规 · PII 输出过滤
- Agent 身份、权限与密钥管理 — 隐私与数据合规 · 最小数据访问
- 训练数据治理 → 隐私与数据合规 · 敏感信息治理
- 声音克隆 → 隐私与数据合规 · 复制可识别的声音生物特征
- AI 治理与法规概念 / Concept
管理 AI 风险的制度、标准与法律——技术之外，决定 AI 怎么被允许使用。
概念关系（→ 有向，— 无向）
- 宪法 AI — AI 治理与法规 · 成文原则可议可改
- AIGC 检测与水印 → AI 治理与法规 · 合规要求标注
- AI 治理与法规 — 对齐 Alignment · 制度兜底技术不确定
- AI 治理与法规 → 可解释性 · 要求可审计
- AI 治理与法规 — 护栏 Guardrails · 同为风险分级思路
- 流式输出概念 / Concept
模型一边生成一边把 token 逐个吐出来，而不是等全部生成完再返回。
- Logprobs 与置信度概念 / Concept
模型每步输出的 token 概率，可用来估计它对自己回答有多确定。
概念关系（→ 有向，— 无向）
- 人在回路 → Logprobs 与置信度 · 低置信升级给人
- Logprobs 与置信度 → 采样与解码参数 · 暴露概率分布
- Logprobs 与置信度 → 幻觉 Hallucination · 低置信可转人工
- Logprobs 与置信度 — 可解释性 · 取出黑箱确定性
- 不确定性校准与选择性预测 → Logprobs 与置信度 · 原始概率信号
- 系统提示与角色提示概念 / Concept
在对话最前面设定模型的身份、规则和边界，贯穿整场对话。
- 自洽性概念 / Concept
同一问题让模型独立解多次，取多数答案，比单次思维链更可靠。
- 思维树 ToT概念 / Concept
让模型像搜索一样展开多条推理分支、评估、回溯，而不是一条道走到黑。
- 可观测性与追踪概念 / Concept
记录 LLM 应用每次调用的全过程，让你能看清、能调试、能算账。
- 代码执行与沙箱概念 / Concept
让模型写代码并真正跑起来，用执行结果解决它自己算不准的问题。
概念关系（→ 有向，— 无向）
- 代码生成 / AI 编程 — 代码执行与沙箱 · 写 vs 跑,天生一对
- AI 编程工具 → 代码执行与沙箱 · 写跑改闭环
- 代码执行与沙箱 → 工具调用 / 函数调用 · 最强的工具
- 代码执行与沙箱 → AI Agent · 算准+验证闭环
- 代码执行与沙箱 → 护栏 Guardrails · 最高危需最强隔离
- 代码执行与沙箱 → 幻觉 Hallucination · 执行结果客观
- 推理时计算与验证器 → 代码执行与沙箱 · 外部验证器
- 计算机操作概念 / Concept
让 Agent 像人一样看屏幕、点鼠标、敲键盘，操作没有 API 的软件。
- 自我反思概念 / Concept
让模型检查并批判自己的输出，再据此改进——用一轮自我审视换质量。
概念关系（→ 有向，— 无向）
- 自我反思 → Agent 循环 · 观察反思环节
- 自我反思 — 自洽性 · 串行改 vs 并行投票
- 自我反思 → 幻觉 Hallucination · 不懂就反思不出
- ReAct 推理+行动 → 自我反思 · 观察后反思
- 推理时计算与验证器 → 自我反思 · 检查与修正
- 知识图谱与 GraphRAG概念 / Concept
把知识组织成实体和关系的网络，让检索能沿关系走、能做全局归纳。
概念关系（→ 有向，— 无向）
- 知识图谱与 GraphRAG → RAG 检索增强生成 · 检索关系而非片段
- 知识图谱与 GraphRAG → 高级 RAG · GraphRAG
- 知识图谱与 GraphRAG — 嵌入 Embedding · 关系 vs 相似度
- CLIP 图文对比学习概念 / Concept
用海量图文配对训练，让图片和描述它的文字在向量空间里对齐。
概念关系（→ 有向，— 无向）
- CLIP 图文对比学习 → 嵌入 Embedding · 图文同一空间
- CLIP 图文对比学习 → 图像生成 · 文字导向生成
- CLIP 图文对比学习 → 多模态 · 跨模态对齐
- 对比学习 → CLIP 图文对比学习 · 图文对比目标
- 变分自编码器 VAE概念 / Concept
把数据压进一个连续的潜在空间再重建，生成模型三巨头之一。
概念关系（→ 有向，— 无向）
- 变分自编码器 VAE → 扩散模型 · 潜在扩散的压缩层
- 变分自编码器 VAE — 生成对抗网络 GAN · 编码重建 vs 对抗
- 变分自编码器 VAE → 神经网络 · 是一种
- Flow Matching / Rectified Flow → 变分自编码器 VAE · 常在潜空间运行
- 音频与音乐生成概念 / Concept
生成音乐、音效、环境声——和语音合成是不同的任务。
- 图像编辑概念 / Concept
在已有图片上按指令修改，而不是从零生成——实用场景的主力。
- 超分辨率与修复概念 / Concept
把低清图放大、把破损图修好——用生成能力补出缺失的细节。
概念关系（→ 有向，— 无向）
- 超分辨率与修复 → 图像生成 · 受原图约束地生成
- 超分辨率与修复 — 幻觉 Hallucination · 补的细节可能是编的
- 世界模型与 3D 生成概念 / Concept
生成的不只是一张图或一段视频，而是可交互、有物理规律的三维世界。
概念关系（→ 有向，— 无向）
- 世界模型与 3D 生成 → 视频生成 · 从看到可交互
- 世界模型与 3D 生成 → 合成数据 · 生成世界里训练
- 世界模型与 3D 生成 — 强化学习 · 模型化环境
- AIGC 检测与水印概念 / Concept
判断一张图/一段文/一段音是不是 AI 生成的——生成能力越强，越难也越必要。
概念关系（→ 有向，— 无向）
- AIGC 检测与水印 → 图像生成 · 越逼真越难辨
- AIGC 检测与水印 — 生成对抗网络 GAN · 检测 vs 生成对抗
- AIGC 检测与水印 → AI 治理与法规 · 合规要求标注
- AIGC 检测与水印 → 语音识别与合成 · 音色克隆诈骗
- AIGC 检测与水印 → 声音克隆 · 鉴别合成或冒用音频
- 代码生成 / AI 编程概念 / Concept
让模型写代码——从补全一行到实现整个功能，AI 最成功的应用之一。
概念关系（→ 有向，— 无向）
- 代码生成 / AI 编程 → 大语言模型 LLM · 写代码
- 代码生成 / AI 编程 — 代码执行与沙箱 · 写 vs 跑,天生一对
- 代码生成 / AI 编程 → 幻觉 Hallucination · 编不存在的API
- 代码生成 / AI 编程 → 上下文工程 · 仓库级需喂对上下文
- AI 编程工具 → 代码生成 / AI 编程 · 整合进开发流
- 模型评测与基准 — 代码生成 / AI 编程 · pass@k 与仓库任务
- 规划与任务分解概念 / Concept
把一个大目标拆成可执行的小步骤——Agent 能不能办成复杂任务的关键。
- 人在回路概念 / Concept
在关键或不可逆的步骤上让人介入确认，是 Agent 安全落地的现实底线。
概念关系（→ 有向，— 无向）
- 人在回路 → AI Agent · 关键步人工确认
- 人在回路 → 护栏 Guardrails · 落实高危确认
- 人在回路 → Logprobs 与置信度 · 低置信升级给人
- Agent 身份、权限与密钥管理 → 人在回路 · 高风险再确认
- 不确定性校准与选择性预测 → 人在回路 · 低置信转人工
- AI 编程工具概念 / Concept
把代码生成、执行、仓库理解整合进开发流程的工具，这一层变化极快。
- 工作流编排概念 / Concept
用预先定义好的固定流程串起多次 LLM 调用，和自主 Agent 是两条路。
概念关系（→ 有向，— 无向）
- 工作流编排 — AI Agent · 写死流程 vs 自主
- 工作流编排 — 多 Agent 编排 · Manager 带编排色彩
- 工作流编排 → 工具调用 / 函数调用 · 节点里调工具
- 模型路由与级联系统 — 工作流编排 · 按条件分支
- 宪法 AI概念 / Concept
让模型对照一套写下来的原则自我批判、自我修正，用 AI 反馈替代大量人工标注。
概念关系（→ 有向，— 无向）
- 宪法 AI → RLHF 与偏好对齐 · AI反馈替代人工
- 宪法 AI → 对齐 Alignment · 可扩展可透明的对齐
- 宪法 AI → 奖励黑客 · 原则替代偏好统计
- 宪法 AI — AI 治理与法规 · 成文原则可议可改
- 响应预填充概念 / Concept
把助手回复的开头先替它写好，强力约束输出的格式和走向。
- 引用与溯源概念 / Concept
让模型的回答带出处、可核实——把「信不信它」变成「查一查」。
概念关系（→ 有向，— 无向）
- 引用与溯源 → RAG 检索增强生成 · 让检索结论可溯源
- 引用与溯源 → 幻觉 Hallucination · 结论挂出处可核实
- 引用与溯源 → 结构化输出 · 规范引用格式
- 上下文压缩概念 / Concept
长任务里自动把旧上下文摘要、裁剪，腾出窗口又不丢关键信息。
- 智能体技能概念 / Concept
把一套指令、工具、知识打包成可复用、可按需加载的「技能」，供 Agent 调用。
- 批归一化 Batch Norm概念 / Concept
训练时按小批量的统计量把每层输入归一化到稳定分布，让深层网络训得更快、更稳。
概念关系（→ 有向，— 无向）
- 批归一化 Batch Norm → 神经网络 · 训练稳定层
- 批归一化 Batch Norm → 梯度消失 · 稳住数值尺度
- 批归一化 Batch Norm — 残差连接 · 深层网络两支柱
- 批归一化 Batch Norm — Transformer · BN vs 层归一化
- 批归一化 Batch Norm — 正则化 · 批内噪声带正则
- 层归一化与 RMSNorm — 批归一化 Batch Norm · 单样本 vs 批统计
- 损失函数概念 / Concept
把「预测离目标有多远」压成一个数，训练就是不断调参数把这个数变小。
- 信息论与熵概念 / Concept
用「熵」量化不确定性与信息量，交叉熵、KL 散度是训练与评估语言模型的基本度量。
- 核方法与 SVM概念 / Concept
用「核技巧」在高维空间找最大间隔的分界面，深度学习兴起前最强的分类器之一。
- 后训练 Post-training概念 / Concept
在预训练之后，用指令、偏好与可验证反馈把基座模型塑造成可用助手。
概念关系（→ 有向，— 无向）
- 后训练 Post-training → 预训练 · 基座之后
- 后训练 Post-training → 微调 Fine-tuning · 监督指令阶段
- 后训练 Post-training → RLHF 与偏好对齐 · 偏好阶段
- 后训练 Post-training → 对齐 Alignment · 塑造助手行为
- 后训练 Post-training → 合成数据 · 生成训练任务
- 后训练 Post-training → 推理模型 · 训练推理策略
- 位置编码与 RoPE概念 / Concept
把顺序和相对距离注入注意力，否则 Transformer 无法区分 token 的先后。
概念关系（→ 有向，— 无向）
- 位置编码与 RoPE → Transformer · 注入顺序
- 位置编码与 RoPE → 注意力机制 · 让注意力识别先后
- 位置编码与 RoPE → 上下文窗口 · 影响长度外推
- 位置编码与 RoPE — 中间迷失 · 位置偏差因素
- 层归一化与 RMSNorm概念 / Concept
按单个样本的特征维稳定激活尺度，是深层 Transformer 能稳定训练的关键组件。
概念关系（→ 有向，— 无向）
- 层归一化与 RMSNorm → Transformer · 每层稳定组件
- 层归一化与 RMSNorm — 批归一化 Batch Norm · 单样本 vs 批统计
- 层归一化与 RMSNorm → 梯度消失 · 稳定激活尺度
- 层归一化与 RMSNorm — 残差连接 · 深层训练搭档
- 优化器与学习率调度概念 / Concept
决定拿到梯度后怎样更新参数、每一步走多远，直接影响训练速度与稳定性。
- 参数高效微调 PEFT / LoRA概念 / Concept
冻结大部分基础权重，只训练少量适配参数，以更低显存和存储成本定制模型。
概念关系（→ 有向，— 无向）
- 参数高效微调 PEFT / LoRA → 微调 Fine-tuning · 只训少量参数
- 参数高效微调 PEFT / LoRA → 量化 Quantization · QLoRA
- 参数高效微调 PEFT / LoRA → 部署形态 · 一底座多适配器
- 模型合并与适配器组合 → 参数高效微调 PEFT / LoRA · 组合适配器
- 分布式训练与并行策略概念 / Concept
把模型、数据和计算拆到多张加速卡上，突破单卡显存与训练时间限制。
概念关系（→ 有向，— 无向）
- 分布式训练与并行策略 → 预训练 · 突破单卡限制
- 分布式训练与并行策略 → 缩放定律 · 把算力变成规模
- 分布式训练与并行策略 — 优化器与学习率调度 · 全局批量影响配方
- 分布式训练与并行策略 — 部署形态 · 训练并行 vs 推理服务
- 对比学习概念 / Concept
把相关样本表示拉近、不相关样本推远，学出可检索、可迁移的表示空间。
概念关系（→ 有向，— 无向）
- 对比学习 → 嵌入 Embedding · 塑造表示空间
- 对比学习 → CLIP 图文对比学习 · 图文对比目标
- 对比学习 → 多模态 · 跨模态对齐
- 检索与语义搜索 → 对比学习 · 训练语义检索器
- 模型合并与适配器组合概念 / Concept
在不重新完整训练的情况下组合多个模型或适配器的能力，但容易产生参数干扰。
概念关系（→ 有向，— 无向）
- 模型合并与适配器组合 → 参数高效微调 PEFT / LoRA · 组合适配器
- 模型合并与适配器组合 — 微调 Fine-tuning · 合并 vs 重训
- 模型合并与适配器组合 → LLM 应用评测 · 防能力互相破坏
- 模型评测与基准概念 / Concept
用可复现任务衡量模型能力、鲁棒性与安全性，并识别污染和指标错配。
- 模型路由与级联系统概念 / Concept
按请求难度、成本与风险选择不同模型，让系统不必所有任务都调用最贵模型。
- 数据漂移与持续监控概念 / Concept
上线后的输入、用户与目标会变化，持续监控负责发现模型质量随环境悄悄退化。
- Agent 身份、权限与密钥管理概念 / Concept
明确 Agent 代表谁、能访问什么、凭什么执行，并隔离密钥与高风险权限。
概念关系（→ 有向，— 无向）
- Agent 身份、权限与密钥管理 → AI Agent · 执行身份边界
- Agent 身份、权限与密钥管理 → 工具调用 / 函数调用 · 调用前授权
- Agent 身份、权限与密钥管理 — MCP 模型上下文协议 · 连接不等于授权
- Agent 身份、权限与密钥管理 → 提示注入 · 权限截断攻击
- Agent 身份、权限与密钥管理 → 人在回路 · 高风险再确认
- Agent 身份、权限与密钥管理 — 隐私与数据合规 · 最小数据访问
- Flow Matching / Rectified Flow概念 / Concept
直接学习把噪声连续运输到数据的速度场，是与扩散紧密相关的现代生成路径。
概念关系（→ 有向，— 无向）
- Flow Matching / Rectified Flow — 扩散模型 · 概率路径可统一
- Flow Matching / Rectified Flow → 图像生成 · 现代生成引擎
- Flow Matching / Rectified Flow → 视频生成 · 高维时空生成
- Flow Matching / Rectified Flow → 变分自编码器 VAE · 常在潜空间运行
- 训练数据治理概念 / Concept
管理训练数据的来源、许可、质量、去重、配比与可追溯性，决定能力也决定风险。
- 不确定性校准与选择性预测概念 / Concept
让置信度与真实正确率匹配，并在风险过高时拒答、检索或转人工。
概念关系（→ 有向，— 无向）
- 不确定性校准与选择性预测 → Logprobs 与置信度 · 原始概率信号
- 不确定性校准与选择性预测 → 幻觉 Hallucination · 风险分级与拒答
- 不确定性校准与选择性预测 → 人在回路 · 低置信转人工
- 不确定性校准与选择性预测 → 护栏 Guardrails · 选择性拒答
- 不确定性校准与选择性预测 → 模型评测与基准 · 可靠性曲线
- 推理时计算与验证器概念 / Concept
在回答阶段投入更多候选、搜索、验证和工具计算，以成本与延迟换取成功率。
- 状态空间模型与 Mamba概念 / Concept
用压缩状态线性处理长序列，并通过选择机制决定哪些信息保留或遗忘。
概念关系（→ 有向，— 无向）
- 状态空间模型与 Mamba — Transformer · 线性状态 vs 全局注意力
- 状态空间模型与 Mamba — 注意力机制 · 压缩状态 vs 位置两两交互
- 状态空间模型与 Mamba — 循环神经网络 RNN · 递归状态传统
- 状态空间模型与 Mamba — 上下文窗口 · 长序列线性扫描
- 状态空间模型与 Mamba — 主流模型家族 · 替代骨架方向
- 声音克隆概念 / Concept
从目标说话者的参考语音提取身份表示或声学提示，生成该说话者从未说过的新语音；可在推理时零样本条件化，也可用较长语音微调模型提高一致性。
概念关系（→ 有向，— 无向）
- 声音克隆 → 语音识别与合成 · 目标说话者条件化的语音合成
- 声音克隆 → 可控生成 · 参考音频控制说话者身份
- 声音克隆 → 微调 Fine-tuning · 专业克隆更新目标说话者参数
- 声音克隆 → 隐私与数据合规 · 复制可识别的声音生物特征
- AIGC 检测与水印 → 声音克隆 · 鉴别合成或冒用音频
- 高级 RAG：让检索成为可诊断、可迭代的证据流程中文理解页
从查询改写、混合召回、重排、多跳、纠错检索和答案引用理解何时需要升级基础 RAG。
- Advanced RAG: Making Retrieval a Diagnosable, Iterative Evidence ProcessEnglish reading
From query rewriting, hybrid retrieval, reranking, multi-hop, corrective retrieval, and answer citation, understand when to upgrade basic RAG.
- 对抗鲁棒性：在明确扰动集合内寻找最坏情况，而非宣称模型“抗攻击”中文理解页
从决策边界、FGSM/PGD、鲁棒优化和认证半径，到自适应攻击、分布外变换与系统级损失控制，理解保证的适用域。
- Adversarial Robustness: Seeking the worst case within an explicit perturbation set, not claiming the model is “attack-proof”English reading
From decision boundaries, FGSM/PGD, robust optimization and certified radius, to adaptive attacks, out-of-distribution transformations and system-level loss control, understand the applicable domain of guarantees.
- AI Agent中文理解页
从「一问一答」到「给个目标、自己一路做完」
- AI AgentEnglish reading
From “one question, one answer” to “give it a goal and it gets the whole thing done on its own”
- 智能体框架：抽象运行循环，但不外包正确性与控制权中文理解页
从模型适配、工具注册、状态图、持久化和追踪，到抽象泄漏、版本迁移与逃生口，判断何时框架值得引入。
- Agent Frameworks: Abstract the Run Loop, but Don't Outsource Correctness and ControlEnglish reading
From model adaptation, tool registration, state graphs, persistence, and tracing, to abstraction leaks, version migration, and escape hatches, determine when a framework is worth adopting.
- Agent 身份、权限与密钥管理中文理解页
模型提出意图，受控执行层证明谁能对什么做哪件事
- Agent Identity, Authorization, and Secrets ManagementEnglish reading
The model states intent; the controlled execution layer proves who can perform which action on what.
- Agent 循环中文理解页
把一次回答变成可观察、可校验、能停下来的状态机
- Agent LoopEnglish reading
Turn a single answer into an observable, verifiable, and stoppable state machine
- Agent 记忆：可写、可找、可纠正的外部状态中文理解页
把会话上下文、工作状态、情景记录和长期事实分开，理解写入、整合、检索、遗忘、冲突与隐私治理。
- Agent Memory: Writable, Findable, and Correctable External StateEnglish reading
Separate conversational context, working state, episodic records, and long-term facts; understand writing, integration, retrieval, forgetting, conflict, and privacy governance.
- 智能体技能：把重复任务封装成可发现、可验证、可治理的能力包中文理解页
从触发描述、渐进披露、脚本与资产，到选择混淆、权限、版本和回归，理解技能与提示、工具和工作流的边界。
- Agent Skills: Packaging repetitive tasks into discoverable, verifiable, and governable capability packagesEnglish reading
From trigger descriptions, progressive disclosure, scripts and assets, to selection confusion, permissions, versions, and regressions, understand the boundaries between skills, prompts, tools, and workflows.
- 对齐 Alignment中文理解页
让模型的行为，符合人类的意图与价值观
- AI AlignmentEnglish reading
Making model behavior align with human intentions and values
- 注意力机制中文理解页
处理每个词时，让模型自己决定该「看」句子里的哪些词
- Attention MechanismEnglish reading
When processing each word, let the model decide for itself which words in the sentence to 'look at'.
- 音频生成：在波形、频谱与离散声码之间建模时间结构中文理解页
从采样率、神经编解码器和多码本token，到自回归/扩散生成、文本与旋律条件、长程音乐结构及主观评测。
- Audio Generation: Modeling Temporal Structure across Waveforms, Spectrograms, and Discrete CodecsEnglish reading
From sampling rate, neural codecs, and multi-codebook tokens to autoregressive/diffusion generation, text and melody conditioning, long-range musical structure, and subjective evaluation.
- 反向传播：把一个结果的责任高效分回全部参数中文理解页
从计算图、局部导数和上游梯度开始，完整手算一次反向遍历，并理解分叉累加、向量—雅可比积、激活缓存和梯度检查。
- Backpropagation: Efficiently Assigning the Responsibility of One Result Back to All ParametersEnglish reading
Starting from computational graphs, local derivatives, and upstream gradients, work through one complete backward traversal by hand, and understand branch accumulation, vector–Jacobian products, activation caching, and gradient checking.
- 批归一化：用批统计稳定通道尺度中文理解页
从卷积张量的统计轴、训练/推理双路径、运行均值到同步 BatchNorm，理解它为何加速许多视觉网络，又为何会在小批量、域迁移和部署融合时失效。
- Batch Normalization: Stabilizing Channel Scale with Batch StatisticsEnglish reading
From the statistical axes of convolutional tensors, training/inference dual paths, and running means to synchronized BatchNorm, understand why it accelerates many visual networks and why it fails with small batches, domain shift, and deployment fusion.
- 偏见与公平：先选择要保护的关系，再计算群体差异中文理解页
用同一招聘案例理解代表性偏差、标签偏差、代理变量、人口统计平等、均等机会、校准及其不可兼得边界。
- Bias and Fairness: First Choose the Relationship to Protect, Then Compute Group DifferencesEnglish reading
Use the same hiring example to understand representational bias, label bias, proxy variables, demographic parity, equal opportunity, calibration, and the boundaries where they cannot all be satisfied simultaneously.
- 文档切分 Chunking：决定检索系统的证据单位中文理解页
理解固定长度、结构、语义与父子切分，处理重叠、上下文丢失、表格代码和嵌入预算。
- Document Chunking: The Evidence Unit That Determines Retrieval SystemsEnglish reading
Understand fixed-length, structural, semantic, and parent-child chunking; handle overlap, context loss, tables, code, and embedding budgets.
- 引用与证据对齐：把每个可核查主张连接到最小充分原文中文理解页
从原子主张、稳定锚点和蕴含判断，到引用正确性、完整性与来源质量，建立真正可核验的回答。
- Citation and Evidence Alignment: Connecting Every Verifiable Claim to the Minimal Sufficient Source TextEnglish reading
From atomic claims, stable anchors, and entailment judgment to citation correctness, completeness, and source quality: build a truly verifiable answer.
- CLIP：用图文对比把两种模态对齐到同一空间中文理解页
从双编码器、归一化相似度矩阵和对称交叉熵，到零样本分类、检索、组合关系与偏差边界。
- CLIP: Using image–text contrast to align two modalities into the same spaceEnglish reading
From dual encoders, a normalized similarity matrix, and symmetric cross-entropy, to zero-shot classification, retrieval, compositional relations, and bias boundaries.
- 聚类：相似度、簇形状与用途共同决定分组中文理解页
从 K-means 的分配—更新手算，到层次、DBSCAN、混合模型、选 k、稳定性和业务解释。
- Clustering: Similarity, Cluster Shape, and Use Case Jointly Determine GroupingEnglish reading
From manual K-means assignment–update computation to hierarchical clustering, DBSCAN, mixture models, choosing k, stability, and business interpretation.
- 卷积神经网络 CNN：让同一个局部检测器扫遍空间中文理解页
从离散卷积、权重共享和输出形状，到感受野、采样混叠、平移等变与现代视觉骨干。
- Convolutional Neural Network (CNN): Letting the Same Local Detector Scan Across SpaceEnglish reading
From discrete convolution, weight sharing, and output shapes, to receptive fields, sampling aliasing, translation equivariance, and modern visual backbones.
- 代码执行与沙箱：让模型计算，但不把主机交给它中文理解页
理解生成—执行—观察闭环的能力来源，以及进程、文件、网络、资源、凭据与人工授权组成的隔离边界。
- Code Execution and Sandboxing: Let the Model Compute, but Don’t Hand Over the Host to ItEnglish reading
Understand where the generate–execute–observe loop’s capabilities come from, and the isolation boundary made up of processes, files, network, resources, credentials, and human authorization.
- 代码生成 / AI 编程中文理解页
让模型写代码，从补全一行到实现整个功能
- Code Generation / AI CodingEnglish reading
Let models write code, from completing a line to implementing an entire feature.
- AI 编程工具：从仓库理解到补丁验证的证据闭环中文理解页
从搜索、调用链定位和最小编辑，到测试、差异审查、工作树保护与安全回退，理解仓库级智能体为何不只是代码生成。
- AI Coding Tools: The Evidence Closed Loop from Repository Understanding to Patch VerificationEnglish reading
From search, call-chain localization, and minimal edits to testing, diff review, working tree protection, and safe rollback, understand why repository-level agents are more than code generation.
- 计算机使用智能体：在观察、动作与状态验证之间闭环中文理解页
从截图、DOM与可访问性树的动作接地，到焦点、幂等、权限和恢复，理解为什么“会点按钮”远不等于可靠完成任务。
- Computer-Use Agent: Closing the Loop Between Observation, Action, and State VerificationEnglish reading
From action grounding in screenshots, the DOM, and the accessibility tree, to focus, idempotency, permissions, and recovery, understand why 'knowing how to click buttons' is far from reliably completing tasks.
- 宪法式 AI：用显式原则指导批评、修订与偏好学习中文理解页
从原则文本、情境解释、冲突优先级到 AI 反馈训练，理解怎样减少逐例人工标签，以及为什么原则选择仍然是治理问题。
- Constitutional AI: Using Explicit Principles to Guide Critique, Revision, and Preference LearningEnglish reading
From principle text, contextual interpretation, and conflict priority to AI feedback training, understand how to reduce per-example human labels and why principle selection remains a governance issue.
- 约束解码：用自动机把非法 token 概率置零中文理解页
从 JSON Schema、文法状态和 tokenizer 边界，到死路、复杂度、流式输出与语义校验。
- Constrained Decoding: Using Automata to Set Illegal Token Probabilities to ZeroEnglish reading
From JSON Schema, grammar states, and tokenizer boundaries to dead ends, complexity, streaming output, and semantic validation.
- AI 内容检测与溯源：区分统计猜测、水印信号和签名来源中文理解页
从基率、ROC和校准，到模型指纹的分布漂移、鲁棒水印、C2PA式签名清单、链式编辑与“无信号不等于真人创作”。
- AI Content Detection and Provenance: Distinguishing Statistical Guesses, Watermark Signals, and Signature OriginsEnglish reading
From base rates, ROC, and calibration, to distribution drift in model fingerprints, robust watermarking, C2PA-style signature manifests, chained edits, and “no signal does not equal human creation.”
- 上下文压缩：在 token 预算内保留决策所需信息中文理解页
理解截断、摘要、抽取、检索与提示压缩的有损本质，并设计不可丢约束、来源追踪和压缩回归。
- Context Compaction: Preserving Decision-Relevant Information Within a Token BudgetEnglish reading
Understand the lossy nature of truncation, summarization, extraction, retrieval, and prompt compression, and design must-not-drop constraints, source tracking, and compaction regression.
- 上下文工程：设计模型在这一刻真正能看见的信息中文理解页
把提示词、检索证据、工具结果、记忆与历史消息当成有限预算下的信息系统，而不是把所有文本一股脑塞进窗口。
- Context Engineering: Designing the Information the Model Can Actually See at This MomentEnglish reading
Treat prompts, retrieved evidence, tool results, memory, and historical messages as an information system under a limited budget, rather than cramming all the text into the window.
- 上下文窗口中文理解页
模型一次能「看见」的 token 总量上限
- 对比学习：用正对与负对塑造表示空间中文理解页
从 InfoNCE、温度与梯度方向，到增强不变性、大批量、假负样本、表示坍缩和迁移验收。
- Contrastive Learning: Using Positive and Negative Pairs to Shape Representation SpaceEnglish reading
From InfoNCE, temperature, and gradient direction, to augmentation invariance, large batches, false negative samples, representation collapse, and transfer validation.
- 可控生成：把“像什么”拆成语义、结构、身份与约束的多通道条件中文理解页
从条件概率和classifier-free guidance，到边缘、深度、姿态、分割、参考图、多条件冲突、控制强度与可验证控制。
- 思维链 CoT中文理解页
让模型先写出一步步推理，再给答案——复杂题上更准
- Chain of Thought (CoT)English reading
Have the model write out step-by-step reasoning before giving an answer—more accurate on complex problems
- 维度灾难：空间变大后，数据为何迅速变稀中文理解页
从体积指数增长、距离集中和样本复杂度理解高维检索、密度估计与降维的必要性。
- 数据漂移与持续监控：分布变化何时真的伤害系统中文理解页
从 P(x)、P(y) 与 P(y|x)，到 PSI、延迟标签、代理指标、切片告警和安全响应。
- Data Drift and Continuous Monitoring: When Distribution Change Actually Harms the SystemEnglish reading
From P(x), P(y), and P(y|x) to PSI, delayed labels, proxy metrics, slice alerts, and safe response.
- 数据投毒：攻击者怎样用少量训练信号改变模型的特定行为中文理解页
区分可用性破坏、定向错分、干净标签攻击和后门，从污染率与梯度影响一路追到数据谱系、训练检测和触发器评测。
- Data Poisoning: How Attackers Use a Small Amount of Training Signal to Change a Model's Specific BehaviorEnglish reading
Distinguish availability disruption, targeted misclassification, clean-label attacks, and backdoors, and trace from poisoning rates and gradient influence to data lineage, training-time detection, and trigger evaluation.
- 决策树与集成方法：用分裂规则组合非线性决策中文理解页
从不纯度、信息增益、剪枝到随机森林和梯度提升，理解树模型对表格数据的优势与泄漏风险。
- Decision Trees and Ensemble Methods: Combining Nonlinear Decisions with Split RulesEnglish reading
From impurity, information gain, and pruning to random forests and gradient boosting, understand the advantages of tree models for tabular data and the risk of leakage.
- AI 部署：把离线能力变成可容量化、可灰度、可回滚的服务中文理解页
从运行位置、排队与批处理，到版本发布、幂等副作用、降级和事故响应。
- AI Deployment: Turning Offline Capability into a Capacity-Measurable, Canary-Releasable, and Rollbackable ServiceEnglish reading
From runtime location, queuing and batching, to version release, idempotent side effects, degradation, and incident response.
- 扩散模型中文理解页
学习「从一团噪声一步步去噪」，把图像「显影」出来
- Diffusion ModelsEnglish reading
Learn “to denoise from a blob of noise step by step” and “develop” the image.
- 降维：用更少坐标保留任务所需结构中文理解页
从 PCA、随机投影、t-SNE、UMAP 与自编码器理解压缩目标、可视化失真、数据泄漏和下游评测。
- 知识蒸馏：让小学生逼近教师的条件分布与行为中文理解页
从软标签、温度与 KL，到 token/序列/特征蒸馏、覆盖缺口、容量上限和偏差继承。
- 分布式训练：沿数据、张量、流水线和状态四个轴拆分中文理解页
从全局批量与 all-reduce，到张量并行、pipeline bubble、ZeRO/FSDP、3D 并行和故障检查点。
- Distributed Training: Split along the Four Axes of Data, Tensor, Pipeline, and StateEnglish reading
From global batch and all-reduce, to tensor parallelism, pipeline bubble, ZeRO/FSDP, 3D parallelism, and fault checkpointing.
- 嵌入 Embedding中文理解页
把文字变成向量，让「意思相近」变成「距离相近」
- EmbeddingEnglish reading
Turn text into vectors, making “similar meaning” become “close in distance”
- LLM 应用评测：测量整条系统是否完成真实任务中文理解页
把业务目标拆成可观察属性，定位检索、生成、工具与流程各自造成的失败。
- LLM Application Evaluation: Measuring Whether the Entire System Completes Real TasksEnglish reading
Break business goals into observable attributes and locate failures caused by retrieval, generation, tools, and processes.
- 微调 Fine-tuning中文理解页
在预训练的「通才」上继续训练，调成某个任务的「专才」
- Fine-tuningEnglish reading
Continue training on a pre-trained “generalist” to turn it into a task-specific “specialist”
- 流匹配：直接学习把噪声连续运输到数据的速度场中文理解页
从概率路径、条件速度和边缘速度，到直线路径、ODE采样、数值误差、配对设计及与扩散/连续流的关系。
- Flow Matching: Directly Learning the Velocity Field That Continuously Transports Noise to DataEnglish reading
From probability paths, conditional and marginal velocities, to straight-line paths, ODE sampling, numerical error, coupling design, and the relationship with diffusion/continuous flows.
- 生成对抗网络 GAN：让生成器在动态判别对手中学习数据分布中文理解页
从极小极大博弈、最优判别器和JS散度，到非饱和损失、模式坍塌、训练振荡、Wasserstein距离与评测边界。
- Generative Adversarial Network (GAN): Letting the Generator Learn the Data Distribution Against a Dynamic DiscriminatorEnglish reading
From minimax games, optimal discriminators, and JS divergence, to non-saturating loss, mode collapse, training oscillation, Wasserstein distance, and evaluation boundaries.
- AI 治理：把风险判断变成有人负责、可留证、可停止的制度中文理解页
从系统清单、风险分级和责任矩阵，到上线门、变更审批、事件响应与退役，理解治理如何把原则落到生命周期证据。
- AI Governance: Turning Risk Judgments into an Accountable, Evidence-Preserving, Stoppable SystemEnglish reading
From system inventory, risk classification, and responsibility matrix to go-live gate, change approval, incident response, and decommissioning, understand how governance translates principles into lifecycle evidence.
- 梯度下降：方向、步长与噪声怎样共同决定学习中文理解页
从一维斜率和方向导数出发，手算一次更新，再看学习率、曲率、mini-batch、动量与 Adam 为什么改变训练轨迹。
- Gradient Descent: How Direction, Step Size, and Noise Together Shape LearningEnglish reading
Starting from one-dimensional slopes and directional derivatives, work through one update by hand, then see why learning rate, curvature, mini-batch, momentum, and Adam change the training trajectory.
- 护栏 Guardrails：用纵深控制限制概率系统的损失半径中文理解页
从输入、上下文、输出、工具和运行时五层控制，到阈值成本、策略组合和故障注入，理解护栏能保证什么、又不能保证什么。
- AI Guardrails: Using Defense-in-Depth Controls to Limit the Blast Radius of Probabilistic SystemsEnglish reading
From five layers of control—input, context, output, tool, and runtime—to threshold cost, policy composition, and fault injection, understand what AI Guardrails can and cannot guarantee.
- 幻觉 Hallucination中文理解页
流畅、自信、却是编的——为什么这是结构性的，而不是「再大一点就好」
- HallucinationEnglish reading
Fluent, confident, but fabricated — why this is structural, not 'just make it bigger'.
- 人在回路：把稀缺的人类判断放到能改变风险的节点中文理解页
从风险分层、升级阈值、审核界面和队列容量，到自动化偏见与反馈采样，设计真正降低伤害的人机闭环。
- Human-in-the-loop: put scarce human judgment at the points where it can change riskEnglish reading
From risk stratification, escalation thresholds, review interfaces, and queue capacity to automation bias and feedback sampling, design a human-machine loop that truly reduces harm.
- 生成式图像编辑：改变目标属性，同时证明其余内容被保留中文理解页
从遮罩重绘、img2img噪声强度、注意力控制和指令编辑，到反演、局部性、身份一致、可逆性与编辑来源。
- Generative Image Editing: Changing target attributes while proving the rest is preservedEnglish reading
From mask inpainting, img2img noise strength, attention control, and instruction editing, to inversion, locality, identity consistency, reversibility, and edit provenance.
- 图像生成中文理解页
把一句话变成一张没人拍过的图
- Image GenerationEnglish reading
Turn a sentence into a picture nobody has ever taken.
- 上下文学习中文理解页
不改一个参数，只靠提示里的几个例子就学会新任务
- In-context LearningEnglish reading
Learn a new task using just a few examples in the prompt, without changing a single parameter
- 推理优化：先定位 prefill、decode、KV 还是排队瓶颈中文理解页
从 TTFT/TPOT、算术强度和连续批处理，到 PagedAttention、FlashAttention、量化、推测解码与真实负载验收。
- Inference Optimization: First Locate Whether the Bottleneck Is Prefill, Decode, KV, or QueuingEnglish reading
From TTFT/TPOT, arithmetic intensity, and continuous batching, to PagedAttention, FlashAttention, quantization, speculative decoding, and real-workload validation.
- 信息论与熵：从概率到编码代价中文理解页
先分清真实分布 P 与模型分布 Q，再从自信息、熵逐步推出交叉熵、KL 散度和困惑度。
- Information Theory and Entropy: From Probability to Coding CostEnglish reading
First distinguish the true distribution P from the model distribution Q, then derive cross-entropy, KL divergence, and perplexity step by step from self-information and entropy.
- 模型可解释性：从输入归因到因果干预，区分故事、证据与机制中文理解页
比较特征归因、探针、反事实、激活替换、稀疏特征和电路分析，理解忠实度、稳定性、完备性与“可读不等于真实”。
- Model Interpretability: From Input Attribution to Causal Intervention, Distinguishing Story, Evidence, and MechanismEnglish reading
Comparing feature attribution, probes, counterfactuals, activation replacement, sparse features, and circuit analysis to understand fidelity, stability, completeness, and “readable does not equal true.”
- 越狱攻击：用对抗指令寻找策略边界，但系统风险取决于能否触达资产中文理解页
从直接/间接、多轮、编码、后缀优化与多模态越狱，到威胁模型、基率、纵深防御、自适应红队和正常请求误拒。
- Jailbreak Attacks: Using Adversarial Instructions to Find Policy Boundaries, but System Risk Depends on Whether Assets Can Be ReachedEnglish reading
From direct/indirect, multi-turn, encoding, suffix optimization, and multimodal jailbreaking to threat models, base rates, defense in depth, adaptive red teaming, and false rejection of legitimate requests.
- 核方法与 SVM：只算相似度，也能学习非线性边界中文理解页
从最大间隔、对偶问题与核技巧理解线性、RBF、多项式核的能力、超参数和规模限制。
- Kernel Methods and SVM: Just Computing Similarity Can Learn Nonlinear BoundariesEnglish reading
Understand the capabilities, hyperparameters, and scale limitations of linear, RBF, and polynomial kernels through maximum margin, the dual problem, and the kernel trick.
- 知识图谱：把身份、关系、时间与证据组织成可查询事实中文理解页
从本体、实体解析和时态边，到路径检索与 GraphRAG，理解图何时优于相似度、又怎样传播错误。
- Knowledge Graphs: Organizing Identity, Relationships, Time, and Evidence into Queryable FactsEnglish reading
From ontologies, entity resolution, and temporal edges to path retrieval and GraphRAG, understand when graphs outperform similarity and how they propagate errors.
- 大语言模型 LLM中文理解页
从「预测下一个词」到「像助手一样对话」
- Large Language Model (LLM)English reading
From “predicting the next word” to “conversing like an assistant”
- Logprobs 与置信度：模型偏好不等于答案可信中文理解页
从 token 对数概率、序列似然、校准和选择性预测理解何时 logprob 有用，以及分词与语义等价如何误导阈值。
- Logprobs and Confidence: Model Preference Does Not Equal Answer TrustworthinessEnglish reading
Understand when logprob is useful from token log probabilities, sequence likelihood, calibration, and selective prediction, and how tokenization and semantic equivalence mislead thresholds.
- 损失函数：把‘哪里错了’变成可学习的方向中文理解页
从业务代价到可微代理，从单样本误差到经验风险；用同一个数值例子看见损失、梯度和参数更新怎样接成闭环。
- Loss Function: Turning ‘Where It Went Wrong’ into a Learnable DirectionEnglish reading
From business cost to a differentiable proxy, from single-sample error to empirical risk; using the same numerical example, see how the loss, gradient, and parameter update connect into a closed loop.
- 中间迷失：上下文放得下，为何模型仍可能找不到？中文理解页
理解长上下文中的位置效应，学会用受控实验测量它，并用检索、重排和结构设计降低关键证据被忽略的概率。
- Lost in the Middle: When context fits, why might the model still fail to find it?English reading
Understand position effects in long contexts, learn to measure them with controlled experiments, and use retrieval, reordering, and structural design to reduce the probability that key evidence is ignored.
- MCP 模型上下文协议中文理解页
让任何工具和数据，都能用同一个标准接口插进 AI 应用
- MCP Model Context ProtocolEnglish reading
Let any tool and data plug into AI applications through the same standard interface.
- MCP 架构：让 Host 在隔离边界内连接外部能力中文理解页
从 Host–Client–Server、JSON-RPC、能力协商与三类原语，理解 MCP 标准化了什么，以及授权与执行安全仍由谁负责。
- MCP Architecture: Enabling the MCP Host to Connect External Capabilities Within an Isolation BoundaryEnglish reading
From MCP Host–MCP Client–MCP Server, JSON-RPC, capability negotiation, and three types of primitives, understand what MCP standardizes, and who remains responsible for authorization and execution security.
- 模型评测与基准：把“更强”变成可复现证据中文理解页
从估计对象、采样预算和 pass@k，到污染、裁判偏差、置信区间与发布门槛。
- Model Evaluation and Benchmarks: Turning "Stronger" into Reproducible EvidenceEnglish reading
From estimation target, sampling budget, and pass@k, to contamination, judge bias, confidence intervals, and release thresholds.
- 模型家族：从信息流与训练目标理解能力边界中文理解页
不背品牌榜单，而是用架构、目标、模态与产品层四个轴，判断一个模型为什么擅长某类任务。
- Model Families: Understanding Capability Boundaries from Information Flow and Training ObjectivesEnglish reading
Instead of memorizing brand rankings, use four axes—architecture, objectives, modality, and product layer—to judge why a model excels at a particular type of task.
- 模型合并：在共享坐标系里组合权重增量中文理解页
从检查点平均、模型汤和任务向量，到置换对齐、符号冲突、TIES/DARE、系数搜索与安全回归。
- Model Merging: Combining Weight Deltas in a Shared Coordinate SystemEnglish reading
From checkpoint averaging, model soups, and task vectors, to permutation alignment, sign conflict, TIES/DARE, coefficient search, and safety regression.
- 模型路由与级联：把不同难度请求分给足够的能力中文理解页
从直接路由、先小后大和质量差预测，到升级阈值、级联延迟、公平风险与在线再校准。
- Model Routing and Cascades: Assign Requests of Different Difficulties to Sufficient CapabilityEnglish reading
From direct routing, small-then-large, and quality-gap prediction, to escalation thresholds, cascade latency, fairness risk, and online recalibration.
- 模型选型与成本：寻找满足约束的最小可行方案中文理解页
从任务分布、强模型上界和多维门禁，到每成功任务成本、帕累托前沿与退出策略。
- Model Selection and Cost: Finding the Minimal Viable Solution That Satisfies ConstraintsEnglish reading
From task distribution, strong-model upper bound, and multidimensional gates, to cost per successful task, Pareto frontier, and exit strategy.
- 混合专家 MoE：让每个 token 只激活少数前馈网络中文理解页
从 top-k 路由与加权输出，到负载均衡、容量溢出、all-to-all、专家专化和推理批处理。
- Mixture of Experts (MoE): Have each token activate only a few feed-forward networksEnglish reading
From top-k routing and weighted outputs, to load balancing, capacity overflow, all-to-all, expert specialization, and inference batching.
- 多智能体系统：用边界、并行与独立验证组织复杂任务中文理解页
从任务依赖图、通信拓扑和共享状态，到关键路径、移交损失与同源错误，判断何时多智能体真的优于单智能体。
- Multi-agent Systems: Organizing Complex Tasks with Boundaries, Parallelism, and Independent VerificationEnglish reading
From task dependency graphs, communication topologies, and shared state to critical paths, handoff losses, and common-source errors, determine when multi-agent truly outperforms single-agent.
- 多模态中文理解页
让一个模型同时看懂图、听懂声、读懂字
- Multimodal ModelsEnglish reading
One model that understands images, sounds, and text all at once.
- 神经网络中文理解页
从「为什么需要」到「如何通过反向传播学会」
- Neural NetworkEnglish reading
From “Why We Need It” to “How It Learns Through Backpropagation”
- 归一化：控制表示尺度，稳定深层优化中文理解页
从 LayerNorm 的中心化、RMSNorm 的均方根缩放，到 Pre-Norm/Post-Norm 与实现验收，理解归一化究竟沿哪条轴统计、保留什么、又丢掉什么。
- Normalization: Controlling Representation Scale, Stabilizing Deep OptimizationEnglish reading
From LayerNorm's centering and RMSNorm's root-mean-square scaling, to Pre-Norm/Post-Norm and implementation acceptance, understand exactly which axis normalization computes statistics along, what it retains, and what it discards.
- 可观测性与追踪：重建一次 AI 请求为何得到这个结果中文理解页
用 trace、span、版本、质量信号和最小化数据，把“偶发答错”变成可定位、可回放、可回归的问题。
- LLM Observability and Tracing: Reconstructing Why an AI Request Got This ResultEnglish reading
Use traces, spans, versions, quality signals, and minimized data to turn “occasional wrong answers” into locatable, replayable, regression-testable problems.
- 优化器与学习率调度：把瞬时梯度变成可控训练轨迹中文理解页
从 SGD、Momentum、Adam 与 AdamW 的状态更新，到预热、平台、衰减、批量规模和混合精度；理解一套训练配方为什么必须整体调试。
- Optimizers and Learning Rate Schedules: Turning Instantaneous Gradients into a Controllable Training TrajectoryEnglish reading
From the state updates of SGD, Momentum, Adam, and AdamW, to warm-up, plateau, decay, batch size, and mixed precision; understand why a training recipe must be tuned as a whole.
- 过拟合：模型怎样把有限样本的偶然性误当成规律中文理解页
从经验风险与未知风险的分离开始，读懂训练/验证曲线，识别泄漏、重复与调参污染，并理解容量、双下降和大模型记忆的边界。
- Overfitting: How models mistake chance in a finite sample for regularityEnglish reading
Starting from the separation of empirical risk and unknown risk, learn to read training/validation curves, recognize leakage, repetition, and tuning contamination, and understand the boundaries of capacity, double descent, and large model memorization.
- PEFT / LoRA：冻结主干，只学习低秩权重增量中文理解页
从 ΔW=BA、rank 与缩放，到可训练参数账、QLoRA、目标模块、合并版本和多适配器干扰。
- PEFT / LoRA: Freezing the backbone, learning only low-rank weight incrementsEnglish reading
From ΔW=BA, rank, and scaling, to trainable parameter accounting, QLoRA, target modules, merged versions, and multi-adapter interference.
- 智能体规划：把目标变成可执行、可修订的状态图中文理解页
从目标、前置条件、产物和完成谓词理解计划—执行分离、滚动规划、检查点与局部重规划。
- Agent Planning: Turning Goals into Executable, Revisable State DiagramsEnglish reading
Understand planning–execution separation, rolling planning, checkpoints, and local replanning through goals, preconditions, artifacts, and completion predicates.
- 位置编码与 RoPE：让注意力知道顺序和距离中文理解页
从排列等变、正弦绝对位置、相对偏置到旋转位置编码，理解顺序怎样进入注意力，以及长上下文扩展为何不是改一个窗口数字。
- Positional Encoding and RoPE: Making Attention Know Order and DistanceEnglish reading
From permutation equivariance, sinusoidal absolute positions, and relative bias to rotary position embeddings, understand how order enters attention and why long-context extension is not simply changing a window number.
- 后训练 Post-training中文理解页
预训练给能力，后训练决定这些能力怎样被调用和呈现
- Post-trainingEnglish reading
Pre-training provides capabilities; post-training determines how those capabilities are invoked and presented.
- 响应预填充：让模型从一个给定的答案前缀继续中文理解页
理解 assistant prefix 如何改变条件分布，并与输入 prefill、提示缓存和约束解码严格区分。
- Assistant Response Prefilling: Letting the Model Continue from a Given Answer PrefixEnglish reading
Understand how the assistant prefix changes the conditional distribution, and strictly distinguish it from input prefill, prompt caching, and constrained decoding.
- 预训练中文理解页
在海量无标注文本上自监督学习，一次性把「通用能力」灌进模型
- Pre-trainingEnglish reading
Self-supervised learning on massive unlabeled text, instilling “general capabilities” into the model in one go
- AI 隐私：沿数据流控制可识别性、记忆与越权使用中文理解页
从采集、提示、检索、日志、供应商到模型权重，逐站理解个人数据怎样扩散，以及怎样用最小化、隔离和可验证删除缩小风险。
- AI Privacy: Controlling Identifiability, Memorization, and Unauthorized Use Along Data FlowsEnglish reading
From collection, prompts, retrieval, logs, vendors, to model weights, understand station by station how personal data spreads, and how to reduce risk through minimization, isolation, and verifiable deletion.
- 提示缓存：复用共同前缀的 KV 计算中文理解页
从最长共同 token 前缀、KV 占用与命中价值，到提示排序、路由亲和、失效和租户隔离。
- Prompt Caching: Reusing KV Computation for Shared PrefixesEnglish reading
From longest common token prefix, KV footprint, and hit value, to prompt ordering, routing affinity, invalidation, and tenant isolation.
- 提示工程中文理解页
设计输入的措辞与结构，让模型稳定产出你想要的结果
- Prompt EngineeringEnglish reading
Design the wording and structure of inputs so that the model consistently produces the results you want.
- 提示注入中文理解页
把恶意指令藏在模型会读到的内容里，劫持它的行为
- Prompt InjectionEnglish reading
Hiding malicious instructions in content the model reads to hijack its behavior
- 量化：把连续参数压到有限格点中文理解页
从 scale、zero-point 和舍入误差，到粒度、异常值、PTQ/QAT、权重/激活/KV 与硬件内核。
- Quantization: Compressing Continuous Parameters onto a Finite LatticeEnglish reading
From scale, zero-point, and rounding error, to granularity, outliers, PTQ/QAT, weights/activations/KV, and hardware kernels.
- RAG 检索增强生成中文理解页
回答前先检索相关资料，让模型「开卷作答」而不是凭记忆瞎编
- RAG Retrieval-Augmented GenerationEnglish reading
Before answering, first retrieve relevant materials, letting the model 'answer with the book open' rather than making things up from memory.
- ReAct：让推理、行动与观察形成闭环中文理解页
用外部证据修正假设，而不是让一条推理链凭空走到底
- ReAct: Closing the Loop on Reasoning, Action, and ObservationEnglish reading
Use external evidence to revise assumptions instead of letting a reasoning chain run its course unsupported
- 推理模型中文理解页
把更多训练与推理时算力用于搜索、验证和修正，换取难题准确率
- Reasoning ModelsEnglish reading
Use more training and inference compute for search, verification, and correction in exchange for accuracy on hard problems.
- AI 红队测试：用威胁模型系统寻找可造成真实影响的失败链中文理解页
从资产、攻击者和攻击面，到测试用例、证据、修复回归与剩余风险，理解红队为何不是收集几条越狱提示。
- 反思与自我修正：让失败证据改变下一次行动中文理解页
区分空泛自评、外部反馈和可验证修正，用最小改动、停止条件与版本化经验避免“再想一遍”制造更自信的错误。
- Reflection and Self-Correction: Making Failure Evidence Change the Next ActionEnglish reading
Distinguish vague self-assessments, external feedback, and verifiable corrections; use minimal changes, stopping conditions, and versioned experience to avoid “thinking it over again” producing more confident errors.
- 正则化：用可解释的偏好约束模型怎样学中文理解页
从 L2/L1、AdamW、Dropout、数据增强与早停出发，理解参数、表示、数据和训练路径四类约束怎样改变泛化，而不是把正则化当成一个万能旋钮。
- Regularization: Constraining How Models Learn with Interpretable PreferencesEnglish reading
Starting from L2/L1, AdamW, Dropout, data augmentation, and early stopping, understand how four types of constraints—on parameters, representations, data, and training paths—change generalization, instead of treating regularization as a one-size-fits-all knob.
- 强化学习：从延迟反馈中学习决策策略中文理解页
用 MDP、回报、价值函数、Bellman 方程、探索与策略梯度理解 Agent 如何在交互中优化长期结果。
- Reinforcement Learning: Learning Decision Policies from Delayed FeedbackEnglish reading
Use MDPs, returns, value functions, Bellman equations, exploration, and policy gradients to understand how an RL agent optimizes long-term outcomes through interaction.
- 重排 Reranking：在高召回候选中做精细相关性判断中文理解页
理解双塔召回、交叉编码器、late interaction、LLM 重排和位置偏差，并设计 Recall@k 到端到端答案的评测。
- Reranking: Making Fine-Grained Relevance Judgments Among High-Recall CandidatesEnglish reading
Understand two-tower retrieval, cross-encoders, late interaction, Large Language Model (LLM) reranking, and position bias, and design evaluation from Recall@k to end-to-end answers.
- 残差连接：给深层变换保留一条恒等信息高速路中文理解页
从 y=x+F(x) 的前向增量与 I+JF 的反向雅可比开始，理解深度退化、投影捷径、分支尺度、零初始化以及 Transformer 的 Pre-Norm/Post-Norm。
- Residual Connections: Preserving an Identity Information Highway for Deep TransformationsEnglish reading
Starting from the forward increment y=x+F(x) and the backward Jacobian I+JF, understand depth degradation, projection shortcuts, branch scaling, zero initialization, and Transformer's Pre-Norm/Post-Norm.
- 检索与语义搜索中文理解页
从知识库里找出最相关的少量内容，喂给模型作答
- Retrieval and Semantic SearchEnglish reading
Surface the most relevant snippets from a knowledge base and feed them to the model for answering.
- 奖励黑客：系统完成了指标，却背离了真正目标中文理解页
从目标与代理指标的缝隙出发，识别规格博弈、评审器过拟合和反馈篡改，并用独立评测与分层防线降低风险。
- RLHF 与偏好对齐：把“人更喜欢什么”转成可训练信号中文理解页
从示范数据、偏好比较、奖励模型到策略优化，理解 RLHF 在优化什么，以及它为什么不能等同于“让模型绝对安全”。
- RLHF and Preference Alignment: Turning “What People Prefer” into a Trainable SignalEnglish reading
From demonstration data, preference comparisons, reward models, to policy optimization, understand what RLHF optimizes and why it cannot be equated with “making the model absolutely safe.”
- 循环神经网络 RNN：把历史压进一个不断更新的状态中文理解页
从共享递推、时间展开与 BPTT，到梯度连乘、LSTM 门控、教师强制和流式部署。
- Recurrent Neural Network (RNN): Compressing History into a Continuously Updated StateEnglish reading
From shared recurrence, time unrolling, and BPTT, to gradient multiplication, LSTM gating, teacher forcing, and streaming deployment.
- 采样与解码参数：从 logits 到最终序列中文理解页
用一组可手算的候选分布串起 temperature、top-k、top-p、重复惩罚、停止条件与随机种子，理解每个旋钮改变哪一步、不能保证什么。
- Sampling and Decoding Parameters: From Logits to Final SequenceEnglish reading
Use a set of hand-computable candidate distributions to tie together temperature, top-k, top-p, repetition penalty, stopping conditions, and random seed, and understand which step each knob changes and what it cannot guarantee.
- 缩放定律：用幂律规划参数、数据与算力中文理解页
从 log-log 直线、边际收益递减到计算最优分配，再到数据质量、能力阈值与全生命周期成本。
- Scaling Laws: Using Power Laws to Plan Parameters, Data, and ComputeEnglish reading
From log-log straight lines and diminishing marginal returns to compute-optimal allocation, and then to data quality, capability thresholds, and total lifecycle cost.
- 自洽性：用多条独立推理路径投票中文理解页
理解采样多样性、答案聚合、相关错误、成本与置信估计，并区分多数一致和事实正确。
- 自监督学习：让数据自己产生训练目标中文理解页
统一理解自回归、遮盖重建、对比学习与自蒸馏，并追踪预文本目标怎样迁移、走捷径或错位。
- Self-supervised Learning: Letting Data Generate Its Own Training TargetsEnglish reading
A unified understanding of autoregression, masked reconstruction, contrastive learning, and self-distillation, and tracing how pretext objectives transfer, take shortcuts, or become misaligned.
- 语音系统：在文字、语言内容、说话人身份与声学波形之间转换中文理解页
把语音识别、语音合成和声音克隆放到同一管线，理解声学特征、对齐、声码器、流式延迟、WER及身份授权。
- Speech systems: converting between text, linguistic content, speaker identity, and acoustic waveformsEnglish reading
Put speech recognition, speech synthesis, and voice cloning into the same pipeline, understanding acoustic features, alignment, vocoders, streaming latency, WER, and identity authorization.
- 状态空间模型 SSM：用可控动态系统压缩长序列中文理解页
从连续状态方程、离散化与卷积等价，到选择性扫描、线性复杂度、稳定性和随机访问边界。
- State Space Models (SSM): Compressing Long Sequences with Controllable Dynamical SystemsEnglish reading
From continuous state equations, discretization, and convolution equivalence, to selective scanning, linear complexity, stability, and random-access boundaries.
- 流式输出：把一次生成变成可取消、可恢复的事件协议中文理解页
从 token、UTF-8 字节块与 SSE 事件，到 TTFT、背压、结构缓冲、安全审查和最终提交。
- Streaming Output: Turning One Generation into a Cancelable, Resumable Event ProtocolEnglish reading
From tokens, UTF-8 byte chunks, and SSE events, to TTFT, backpressure, structural buffering, safety review, and final commit.
- 结构化输出：把概率文本接入确定性软件契约中文理解页
从最小 schema、约束生成和分层校验，到版本迁移、有限修复与安全执行。
- Structured Outputs: Connecting Probabilistic Text to Deterministic Software ContractsEnglish reading
From minimal schema, constraint generation, and layered validation to version migration, limited repair, and secure execution.
- 超分辨率：从退化观测反推高分辨率，不等于找回真实细节中文理解页
从模糊—降采样—噪声模型、像素损失与感知损失，到GAN/扩散先验、盲超分、幻觉边界和面向任务评测。
- Super-resolution: Inferring high resolution from degraded observations does not equal recovering true detail.English reading
From blur–downsampling–noise models, pixel loss and perceptual loss, to Generative Adversarial Network (GAN)/diffusion priors, blind super-resolution, hallucination boundaries, and task-oriented evaluation.
- 监督学习中文理解页
从「输入 + 目标」样本中学习，并在未见数据上做出可靠预测
- Supervised LearningEnglish reading
Learn from “input + target” samples and make reliable predictions on unseen data.
- 合成数据：生成候选容易，增加有效信息很难中文理解页
从教师示范、程序真值、自训练和增强，到验证器选择偏差、覆盖配比、反馈回路与模型坍缩。
- Synthetic Data: Generating Candidates Is Easy, Increasing Useful Information Is HardEnglish reading
From teacher demonstrations, programmatic ground truth, self-training, and augmentation, to verifier selection bias, coverage ratios, feedback loops, and model collapse.
- 系统提示：在概率模型里声明行为契约，而不是建立安全边界中文理解页
从消息序列、指令优先级、冲突解析和上下文拼装，到注入、泄露、版本化与契约测试，理解系统提示能控制什么。
- System Prompts: Declare Behavioral Contracts in Probabilistic Models, Not Security BoundariesEnglish reading
From message sequences, instruction priority, conflict resolution, and context assembly to injection, leakage, versioning, and contract testing—understand what system prompts can control.
- 推理时计算与验证器中文理解页
不改权重，靠采样、搜索、工具与检查把额外计算换成更可靠的答案
- Test-time Compute and VerifiersEnglish reading
Without changing the weights, use sampling, search, tools, and checking to convert extra computation into more reliable answers.
- Token 与分词：模型真正读写的离散语言中文理解页
从 Unicode、预切分、BPE/Unigram、字节回退到特殊 token，理解同一句文本为何会变成不同长度、不同成本和不同能力边界。
- Tokens and Tokenization: The Discrete Language That Models Actually Read and WriteEnglish reading
From Unicode, pre-tokenization, BPE/Unigram, byte fallback, and special tokens, understand why the same text yields different lengths, different costs, and different capability boundaries.
- 工具调用 / 函数调用中文理解页
给只会说话的模型，接上一双能查、能算、能做事的「手」
- Tool Calling / Function CallingEnglish reading
Give a model that can only talk a pair of “hands” that can look things up, calculate, and do things.
- 训练数据治理：让模型所学内容可追溯、可审计、可处置中文理解页
从来源与授权、谱系、过滤去重和配比，到污染、删除请求、训练快照与事故响应。
- Training Data Governance: Making What Models Learn Traceable, Auditable, and ActionableEnglish reading
From sources and licensing, lineage, filtering, deduplication, and mixing ratios, to contamination, deletion requests, training snapshots, and incident response.
- Transformer中文理解页
把注意力包装成可深度堆叠、可并行训练的标准积木
- TransformerEnglish reading
Packaging attention into a standard building block that can be stacked deeply and trained in parallel.
- 思维树 ToT：在多个中间方案间搜索与回溯中文理解页
理解状态、候选生成、价值评估、BFS/DFS、剪枝和搜索预算，并区分探索空间扩大与答案正确。
- Tree of Thoughts (ToT): Searching and Backtracking Across Multiple Intermediate SolutionsEnglish reading
Understand states, candidate generation, value evaluation, BFS/DFS, pruning, and search budget, and distinguish between expanding the search space and getting the answer right.
- 不确定性与校准：让“80% 把握”真的约等于 80% 正确中文理解页
从置信分数、可靠性图和 ECE，到选择性预测、拒答阈值与分布漂移。
- Uncertainty and Calibration: Making “80% Confidence” Really Mean About 80% CorrectEnglish reading
From confidence scores, reliability diagrams, and ECE to selective prediction, rejection thresholds, and distribution shift.
- 无监督学习：没有人工标签时，结构从假设中来中文理解页
用聚类、降维、密度估计和生成建模理解“没有标准答案”的目标设计、非唯一性、伪结构与验证。
- Unsupervised Learning: When There Are No Human Labels, Structure Comes from AssumptionsEnglish reading
Using clustering, dimensionality reduction, density estimation, and generative modeling to understand the objective design, non-uniqueness, Pseudo-structure, and validation when there is “no standard answer”.
- 变分自编码器 VAE：用可采样的概率潜空间压缩数据中文理解页
从编码分布、重参数化和ELBO，到KL—重建权衡、后验坍塌、潜空间插值和生成质量边界。
- Variational Autoencoder (VAE): Compressing Data with a Sampleable Probabilistic Latent SpaceEnglish reading
From the encoding distribution, reparameterization, and the ELBO, to the KL–reconstruction trade-off, posterior collapse, latent-space interpolation, and limits of generation quality.
- 梯度消失与爆炸：深度怎样把局部导数放大成指数效应中文理解页
从标量连乘到矩阵雅可比，从 sigmoid 饱和到 RNN 时间展开；用数值例子理解初始化、门控、残差、归一化和梯度裁剪分别改变哪段路径。
- Vanishing and Exploding Gradients: How Depth Turns Local Derivatives into Exponential EffectsEnglish reading
From scalar products to matrix Jacobians, from sigmoid saturation to RNN unrolling over time; use numerical examples to understand how initialization, gating, residuals, normalization, and gradient clipping each change which segment of the path.
- 向量数据库：在大规模嵌入中做近似近邻检索中文理解页
理解向量、距离度量、HNSW/IVF/PQ、过滤、更新与一致性，并把索引 Recall、延迟和端到端 RAG 分开。
- Vector Databases: Approximate Nearest Neighbor Search in Large-Scale EmbeddingsEnglish reading
Understand vectors, distance metrics, HNSW/IVF/PQ, filtering, updates, and consistency, and separate index recall, latency, and end-to-end Retrieval-Augmented Generation (RAG).
- 视频生成：联合建模空间外观、时间运动与跨镜头状态中文理解页
从视频潜变量、时空注意力和扩散，到图生视频、级联超分、身份一致、物理失败、长视频规划与时序评测。
- Video Generation: Jointly Modeling Spatial Appearance, Temporal Motion, and Cross-Shot StateEnglish reading
From video latent variables, spatiotemporal attention, and diffusion, to image-to-video, cascaded super-resolution, identity consistency, physics failures, long video planning, and temporal evaluation.
- 声音克隆中文理解页
把“说什么”和“像谁说”拆成两种条件，再用可懂度、自然度、身份相似度与授权共同验收
- Voice CloningEnglish reading
Split "what is said" and "who it sounds like" into two conditions, then accept using intelligibility, naturalness, speaker similarity, and authorization together
- 工作流编排：用持久状态和确定性控制承载概率模型中文理解页
从 DAG、状态机和持久执行，到幂等、重试、补偿、版本迁移与人工任务，建立可恢复、可审计的 AI 流程。
- Workflow Orchestration: Carrying Probabilistic Models with Persistent State and Deterministic ControlEnglish reading
From DAGs, state machines, and durable execution, to idempotency, retries, compensation, version migration, and human tasks, build recoverable, auditable AI processes.
- 世界模型：在内部状态中预测行动后的世界中文理解页
从状态表示、转移与奖励模型，到想象滚动、模型预测控制、不确定性和模型利用，理解“在脑中试走”怎样帮助又怎样误导智能体。
- World Models: Predicting the World After Actions in Internal StatesEnglish reading
From state representations, transition and reward models, to imagined rollouts, model predictive control, uncertainty, and model exploitation, understand how “trying things out in the mind” helps and misleads agents.