| 自适应思考（Adaptive Thinking） |
Claude Fable 5 / Mythos 5（常开且不可关闭）、Claude Opus 5（默认开启，关闭时受 effort 限制）、Claude Sonnet 5（默认开启）与 Opus 4.8、Opus 4.7、Opus 4.6、Sonnet 4.6 支持的推理模式（type: "adaptive"），由模型根据任务复杂度自动决定思考深度。Fable 5 / Mythos 5 已于 2026-07-01 恢复访问，Mythos 5 仍限获批客户；Sonnet 5 与 Opus 4.8 / 4.7 不支持手动 Extended Thinking，Opus 4.6 与 Sonnet 4.6 上的手动 Extended Thinking 已被标为 deprecated。 |
| 智能体（Agent） |
能够自主感知环境、做出决策并采取行动的 AI 系统，通常具备规划、执行和反思能力。 |
| 智能体驱动的检索增强生成（Agentic RAG） |
智能体驱动的检索增强生成，支持多轮自适应检索与推理，实现更灵活的知识检索与推理循环。 |
| API（应用程序接口） |
Application Programming Interface，允许应用程序之间相互通信的接口，大语言模型通常通过 API 提供服务。 |
| APE（自动提示词工程） |
Automatic Prompt Engineering，使用 AI 自动生成和优化提示词的技术。 |
| Attention Mechanism（注意力机制） |
Transformer 架构的核心机制，使模型能够关注输入序列中的不同部分。 |
| Beam Search（束搜索） |
一种文本生成策略，在每步保留多个候选序列，平衡质量和多样性。 |
| Bias（偏见） |
模型在输出中体现的系统性倾向，可能来源于训练数据或设计。 |
| Chain-of-Thought（思维链） |
通过引导模型展示推理步骤来提升复杂任务表现的提示技术，简称 CoT。详见第 6 章。 |
| ChatML |
一种用于格式化对话的标记语言，某些开源模型使用此格式。 |
| Chunk（文档块） |
RAG 系统中，将长文档分割成的较小片段，便于检索和处理。 |
| 上下文工程（Context Engineering） |
超越提示词工程的范式，关注动态组装和管理 LLM 的完整输入上下文，包括系统指令、检索内容、记忆状态等。 |
| Context Window（上下文窗口） |
模型一次能处理的最大 Token 数量，决定了输入和输出的总长度限制。 |
| CoT（思维链） |
Chain-of-Thought 的缩写，见 Chain-of-Thought。 |
| Delimiter（分隔符） |
用于区分提示词不同部分的标记，如三引号、XML 标签等。 |
| Embedding（嵌入） |
将文本转换为向量表示的过程，用于语义相似度计算。 |
| Few-Shot Learning（少样本学习） |
在提示词中提供少量示例来引导模型学习任务模式的技术。详见第 5 章。 |
| Fine-tuning（微调） |
在预训练模型基础上，使用特定数据进行进一步训练以适应特定任务。 |
| Function Calling（函数调用） |
模型生成结构化的函数调用请求，以调用外部工具或 API 的能力。 |
| Generative AI（生成式 AI） |
能够生成新内容（文本、图像、音频等）的人工智能技术。 |
| Grounding（事实基础） |
将模型输出基于可靠的外部知识源，以减少幻觉和提高准确性。 |
| 驭具工程（Harness Engineering） |
围绕 LLM 构建的执行控制层工程，包括工具管理、安全防护、可观测性等，是应用系统的基础设施层。 |
| Hallucination（幻觉） |
模型生成看似合理但实际错误或虚构的信息。 |
| In-Context Learning（上下文学习） |
模型通过提示词中的示例“学习”任务，而不改变模型参数。 |
| Instruction Tuning（指令调优） |
通过大量指令-回复对训练模型，提升其遵循指令的能力。 |
| JSON（JavaScript 对象表示法） |
一种轻量级的数据交换格式，常用于结构化输出。 |
| LLM（大语言模型） |
Large Language Model，基于大规模文本数据训练的生成式语言模型。 |
| LangChain |
用于构建 LLM 应用的开发框架，提供提示词管理、链式调用等功能。 |
| MCP（模型上下文协议） |
Model Context Protocol，Anthropic 提出的模型上下文协议，标准化 LLM 与外部工具、数据源的连接方式。 |
| Meta-Prompting（元提示） |
使用提示词来生成或优化其他提示词的技术。 |
| Multimodal（多模态） |
能够处理和生成多种类型数据（文本、图像、音频等）的模型。 |
| One-Shot Learning（单样本学习） |
在提示词中提供一个示例来指导模型的技术。 |
| Parameter（参数） |
模型内部的可学习权重，参数量通常用来衡量模型规模。 |
| Prefill（预填充） |
预先设定回复的开头部分，引导模型按特定格式继续生成。 |
| Prompt（提示词） |
发送给语言模型的输入文本，用于指导模型生成期望的输出。 |
| Prompt Engineering（提示词工程） |
设计和优化提示词以提升模型输出质量的技术和实践。 |
| Prompt Injection（提示词注入） |
通过恶意输入试图操控模型行为的安全攻击手段。 |
| PromptOps |
将 DevOps 理念应用于提示词生命周期管理的实践。 |
| RAG（检索增强生成） |
Retrieval-Augmented Generation，结合信息检索和文本生成的技术架构。详见第 9 章]。 |
| ReAct |
Reasoning and Acting，将推理与行动交替进行的 Agent 框架。详见第 8 章。 |
| RLHF（人类反馈强化学习） |
Reinforcement Learning from Human Feedback，使用人类反馈优化模型行为的训练方法。 |
| Role（角色） |
为模型设定的身份或专业领域，影响回复风格和视角。 |
| Self-Consistency（自一致性） |
通过多路径采样和投票提升推理准确性的技术。 |
| 系统提示词（System Prompt） |
设定模型整体行为和规则的提示词，通常在对话开始时提供。 |
| Temperature（温度） |
控制生成随机性的参数，值越高输出越随机，越低越确定。 |
| Token（词元） |
模型处理文本的基本单位，可以是一个词、词的一部分或标点符号。 |
| Token Limit（Token 限制） |
上下文窗口的大小限制，决定了输入输出的总 Token 数上限。 |
| Top-k Sampling |
每步生成时只从概率最高的 k 个 Token 中采样的策略。 |
| Top-p Sampling（核采样） |
每步生成时从累积概率达到 p 的最小 Token 集合中采样的策略。 |
| ToT（思维树） |
Tree of Thoughts，将推理过程组织为树形结构的高级推理策略。 |
| Transformer |
现代大语言模型的基础架构，基于注意力机制。 |
| Vector Database（向量数据库） |
专门用于存储和检索向量嵌入的数据库，RAG 系统的核心组件。 |
| VLM（视觉语言模型） |
Vision-Language Model，能够理解图像和文本的多模态模型。 |
| Zero-Shot Learning（零样本学习） |
不提供示例，仅通过指令描述任务让模型完成的技术。详见第 5 章。 |
| A2A Protocol（Agent-to-Agent 协议） |
Google 提出的 Agent 间通信标准化协议，定义了多智能体系统中的消息格式和交互模式。 |
| Extended Thinking（扩展思考） |
Claude 等模型的深度推理功能，允许模型在回答前进行更深入的内部推理。预算参数（budget_tokens）控制方式在 Opus 4.6 / Sonnet 4.6 上已弃用、在 Opus 5、Opus 4.8 / 4.7 与 Sonnet 5 上已移除；Fable 5 / Mythos 5 只提供常开的 Adaptive Thinking，二者已于 2026-07-01 恢复访问。 |
| MoE（混合专家模型） |
Mixture of Experts，一种模型架构，通过路由机制动态激活部分参数，实现大规模模型的高效推理。 |
| Structured Outputs（结构化输出） |
OpenAI 等平台提供的功能，确保模型输出严格符合指定的 JSON Schema，无需后处理验证。 |