| LLM (大语言模型) | 深度学习模型，能够理解和生成自然语言，是Agent的“大脑”。 |
| Prompt (提示词) | 向LLM提供的输入文本，用于指导模型生成期望的输出。 |
| System Prompt | 设置LLM行为、角色和约束的系统级指令，通常固定不变。 |
| Temperature | 控制LLM输出随机性的参数，值越低越确定，越高越多样。 |
| Top-p (核采样) | 只从累积概率超过p的token中采样，控制生成多样性。 |
| Context Window (上下文窗口) | LLM单次处理的最大token数量，决定了可记忆的信息量。 |
| Fine-tuning (微调) | 在特定数据集上继续训练预训练模型，使其适应特定任务。 |
| Token | 文本处理的基本单位，可以是单词或子词，LLM按token计费。 |
| Agent (智能体) | 基于LLM，能自主规划、记忆、调用工具完成复杂任务的程序。 |
| Tool (工具) | Agent可调用的外部函数或API，如查询天气、发送邮件。 |
| Function Calling (函数调用) | LLM输出结构化函数调用指令的能力，使Agent能调用工具。 |
| Tool Calling | Function Calling的泛化，指Agent调用任意预定义工具。 |
| Plugin (插件) | 为LLM/Agent扩展能力的模块，如浏览器插件、代码解释器。 |
| Memory (记忆) | Agent存储和回忆信息的能力，分短期和长期。 |
| 短期记忆 | 同一会话内的对话历史，通常通过缓存上下文实现。 |
| 长期记忆 | 跨会话持久化信息，通常用向量数据库存储和检索。 |
| 实体记忆 | 记录对话中提及的实体（如人名、地点）及其属性。 |
| 情景记忆 | 记录过去发生的事件或交互的细节。 |
| Planning (规划) | Agent拆解复杂任务、决定行动步骤的推理过程。 |
| ReAct | 推理+行动交替的模式，Agent思考→行动→观察结果→再思考。 |
| CoT (思维链) | 引导LLM逐步推理，输出中间步骤，提升复杂问题解决能力。 |
| ToT (思维树) | 探索多条推理路径并评估选择，类似搜索树。 |
| Plan-and-Execute | 先生成完整计划，再逐步执行，适合结构化任务。 |
| Self-ask | Agent自己提问并回答，引导自我推理。 |
| RAG (检索增强生成) | 从外部知识库检索相关信息，作为上下文辅助LLM生成答案。 |
| Embedding (嵌入) | 将文本转换为数值向量，用于相似性计算。 |
| Vector Database (向量数据库) | 存储和检索向量嵌入的数据库，如Chroma、Pinecone。 |
| Chunking (分块) | 将长文档切分成小片段，便于嵌入和检索。 |
| Retriever (检索器) | 根据查询从知识库中检索相关文档片段的组件。 |
| RAG Fusion | 多查询检索并融合结果，提升RAG效果。 |
| HyDE (假设文档嵌入) | 先用LLM生成假设答案，再用该答案的嵌入检索，提高召回率。 |
| Multi-Agent (多智能体) | 多个Agent协作完成任务，每个有专门角色。 |
| Orchestrator (协调器) | 管理多个Agent工作流的中心组件，分配任务、收集结果。 |
| Supervisor (监督者) | 在多智能体系统中监控和指导其他Agent行为的Agent。 |
| Collaboration (协作) | Agent之间通过消息传递共享信息、共同完成任务。 |
| LangChain | 最流行的AI Agent开发框架，提供模块化组件（链、工具、记忆）。 |
| LangGraph | 基于LangChain的状态化多Agent编排框架，支持复杂流程图。 |
| AutoGen | 微软开发的多智能体框架，强调可定制对话和自动化。 |
| CrewAI | 角色扮演驱动的多智能体框架，Agent以“角色”协作。 |
| Semantic Kernel | 微软的企业级SDK，支持C#、Python、Java，集成规划、记忆。 |
| OpenAI Agents SDK | 官方推出的轻量级多智能体编排框架，设计简洁。 |
| Dify | 开源LLM应用开发平台，支持可视化编排RAG、Agent工作流。 |
| Coze (扣子) | 字节跳动的低代码AI Bot开发平台，集成丰富插件。 |
| MCP (模型上下文协议) | 开放标准协议，标准化Agent与数据源/工具的连接方式。 |
| Agentic Workflow | 以Agent为核心的自动化工作流，强调自主决策和动态调整。 |
| Self-reflection | Agent对自身输出进行反思、纠错和改进的机制。 |
| Evaluation (评估) | 衡量Agent性能的过程，包括准确性、效率、安全性等。 |
| LangSmith | LangChain的调试、监控和评估平台，支持链路追踪。 |
| Trace (链路追踪) | 记录Agent每一步的思考、行动和观察，用于调试。 |
| Guardrails (护栏) | 限制Agent行为的规则或过滤机制，防止有害输出。 |
| Hallucination (幻觉) | LLM生成不真实或虚构信息的现象，RAG可缓解。 |
| Toolformer | 让LLM自学使用工具的模型架构，通过微调集成工具调用。 |
| ReAct Agent | 基于ReAct模式的Agent，交替思考和行动。 |
| Conversational Agent | 专注于多轮对话的Agent，强调记忆和上下文理解。 |
| Task-Oriented Agent | 面向特定任务（如订票、客服）的Agent，注重工具调用。 |
| Autonomous Agent | 高度自主、能长期运行并自我优化的Agent，如AutoGPT。 |
| Persona (角色) | Agent扮演的角色设定，影响其语言风格和行为模式。 |
| Few-shot Prompting | 在Prompt中提供少量示例，引导模型理解任务。 |
| Zero-shot Prompting | 不提供示例，直接给出指令让模型执行。 |
| Chain (链) | LangChain中组合多个LLM调用或工具的序列。 |
| Agent Executor | LangChain中负责运行Agent循环的组件。 |
| Parser (解析器) | 将LLM输出解析为结构化数据（如JSON）的组件。 |
| Output Validator | 验证LLM输出是否符合预期格式或内容。 |
| Retry Mechanism | Agent在工具调用失败时的重试或降级策略。 |
| Human-in-the-loop | 在Agent流程中引入人工确认或干预的机制。 |
| Cost Management | 控制LLM API调用成本的技术，如缓存、模型选择。 |
| Streaming (流式) | 逐步返回LLM生成的内容，提升用户体验。 |
