Glossary
术语表
课堂和文章里出现过的词，按拼音排。点任何一条，回到它出现的那一课或那一篇。
半懂不懂的地方
最要警惕：懂的那一点刚好够让你觉得 AI 说得对，却不够让你发现它哪里错了
闭源 API
模型在厂商云上、你按量调用；模型不是你的，你是"买混凝土的"
变化
换一种文件、多一个例外、少一个条件，结果应该怎么变
表达清楚
这是对你的要求：模型默认不反问，你留下的每一处含糊，都会被它的想象填上
表格断行
表格被解析成一串没有行列结构的文字，"项目/数量/单价"的对应关系丢失；问"某项的单价"，模型把相邻行的数字配了对
不改变模型权重
划出了它的能力上限；提示词只是这一次对话的临时交代，对话结束即"忘"
场景
说明眼下要办哪件事
成功标准先行
把数字写进方案再开工——标准从业务痛点来，不从技术能力来
出口
看到什么证据才敢用这个结果？出现什么情况该停下来找人
出事谁通知谁
数据泄露的告知义务与时限
处理
抽哪些字段、依据什么规则——未提及输出"未约定"；冲突条款同报两个值
传统信息系统安全
账号、权限、加密、备份、日志——不会因为系统里多了个模型就豁免
存放
密钥放服务端（环境变量或密钥管理服务），受控系统运行时取用——印章入柜、用印走流程
错误处理
文件打不开、解析失败、字段未提及，各自该干什么——不写，AI 就会自己发明
大语言模型
深度学习中处理与生成语言的模型——全课程的主角，但远不是 AI 的全部
第二层
能看出结果哪里不对，比如发现汇总表的总金额比原始材料少了十万
第三层
知道问题可能出在哪，比如想到可能是重复记录被误删了
第一层
能在 AI 帮助下把事情做完
动权限的
读写权限、密钥、账号
对话历史
前面几轮的问答，每轮都在追加、膨胀
对外发送的
发邮件、调外部接口——不可逆，发出去收不回
对照组
没有对照的"效率提升"都是感觉；组间对照、基线对照、必须记录的数据
多模态文档处理
让系统"读"图像型资料
范围最小化
一个场景、一个部门、有限数据；范围内一切"先小后大"，扩范围是试点结论之后的事
方案可靠性
建议是否满足资源、技术、业务和授权约束
费用
装得下不等于免单——输入按 token 计费，窗口越大、塞得越多，单次越贵
分词器（tokenizer）
把文本切成一串 token 编号的规则工具——切法由模型厂商预先训练好，规则跟着模型走，换模型等于换尺子
分数高
不代表把握大，严重程度和判断把握是两条不同的轴
分析可靠性
结论是否符合已知条件，是否遗漏重要依赖
岗位
说明一个人负责什么
工具
模型能调用什么——连不上台账系统，就只是个会说话的顾问
工具调用
原子能力
工具返回结果
检索、计算、台账查询的产出
工作流
组织方式
保证批准的事情，按批准的方式发生
含糊
表述模糊、可作两解——照录原文，标"含糊待复核"，不要替你选一种解释
后训练配方
SFT 教"活怎么干"，偏好优化按评价标准打磨行为，RLVR 拿可程序判分的结果当奖励；各家各期路线不同
护栏设在程序层
模型本身改不动，提示词只能影响、不能保证；能拍板"能不能做"的是程序——工具白名单、权限校验、人工确认、日志留痕
环节
把办这件事的步骤再展开
幻觉
模型生成看似可信、但与事实或所给证据不符的内容
会不会用于训练
会则默认拒绝或改走核心级通道
机器学习
AI 中不写死规则、让机器从数据里自己学规律的分支
记录于
2026 年 3 月
监控
盯调用量和账单，异常暴增是泄露的第一信号
检索
找资料的活由一套独立程序干；模型不必背下你的全部资料，资料留在库里，用时取、取多少算多少钱
结论
分包审批实行三级
开发样本与保留测试分开
堵"考原题"：开发集分数越调越高，证明的只是你把这批题练熟了
开放权重
权重文件可以获取、自己（或委托）部署运行；能不能商用、能不能改造后对外卖，看许可证
开源软件
源代码开放、按开源许可证授权的软件；模型即便开放权重，训练代码、数据、完整流程未必开放
看似可信
编造的内容语言上完全合格：条款号规范、术语地道、语气笃定；错的和对的在语言质量上没有区别
可能提高，同时增加
质量提升是"可能"，要实测；时间和费用的增加是"确定"，账单上看得见
跨文档串扰
多份材料混在一个上下文里会互相污染；按问题只取相关片段，是检索的天然缓解
连接器/插件
具体产品里的集成载体——把某个服务接进某个产品
留不留、留多久
即时删除、短期排障留存还是长期留存
轮换与回收
定期轮换；调岗、离职、供应商合同终止当日回收——"人动钥动"比固定周期更关键
逻辑一致性
状态为冲突时必须同时存在两条依据，付款节点比例合计不应超过 100；拦每一格都对、合在一起不对
枚举合法性
状态只能取正常/未提及/含糊待复核/冲突四值之一，出现第五种即非法；拦模型自造词汇
明确无
材料明确写了"无预付款"——如实记"明确无"，它和"未提及"法律含义不同，台账里混为一谈会埋争议
模块
把一类工作归拢起来，例如合同管理
模型层
在产能上"养"出来的能力——算法在算力上"喂"海量数据训练出来的产物，卖法主要是 API 与订阅
模型特有的新入口
提示注入（不可信输入诱导模型）、工具越权（模型请求被放行过头）、数据出域（敏感数据进入不受控的模型服务）
判定标准
什么算合格、异常怎么处理
评估
怎么验收——没有评估集，验收就退化为"看演示"
前后冲突
两处规定打架——两个口径都报，标"冲突"，不得自行择一
任务说明
这类任务的目标、步骤、口径
入口
我到底要解决什么问题？手上的材料够不够支撑它
三不
不写进代码和代码仓库、不贴进对话和提示词、不作为工具参数传给模型
三者层次不同
改输入、改资料来源、改参数、任务时多算，是四个不同层面的动作
扫描件 OCR 错字
文字层根本没有，靠 OCR 识别；印章遮挡、模糊扫描、手写批注是重灾区，片段里的金额、编号是错的
删东西的
删除文件、清空表格、覆盖旧文件
上线（production）
全面铺开、纳入日常运维——承担生产责任
谁能接触
是否有人工审核环节看到数据、有无子处理方和跨境传输
深度学习
机器学习中用多层神经网络自动提取规律的分支
升档更贵在两处
那段内部推演逐 token 生成、计入输出计费，而输出单价通常高于输入
生成
答案由模型写，质量责任却是两家的——答案质量 ≈ 检索质量 × 模型发挥
生成流利不保证真实
生成按 token 概率续写，流利与正确是两个维度；推理计算同样买不到事实
事实可靠性
订单、数量、版本、日期是否正确，是否有来源
视觉模型
模型直接看图理解
试点（pilot）
真实范围、真实数据、真实用户、预设标准——证明可行性，含失败可能
输出
Excel 表格的列定义、"待人工"清单的格式、文件怎么命名
输入
什么形态、放在哪、大约多少份、命名有没有规律
熟悉但耗时间的重复劳动
格式合同初步审查、条款版本比对、文书格式整理，交给 AI 提效
数据
怎么清洗、标注、管理——合同库版本混乱，喂进去照样答错
数据关联
回答“这些记录说的是不是同一件事情”
数值范围
比例必须在 0–100、金额非负、日期不晚于竣工日期；拦数字合法但数值离谱
思考档位
部分产品允许发起任务时指定投入多少"思考"，叫法不一；推演消耗算力和时间，也按用量计费
算力层
把设备组织成产能——把成千上万块芯片连同机房、电力、冷却和调度软件组织成可按需租用的产能；卖租赁
它基于什么事实
和我们手上的合同、实际的履行情况对得上吗？
它考虑了我们的业务吗
交易结构、商业目的，它知道吗？
它引用的是哪条规定
查过原文了吗？是现行有效的吗？
提示词要求
文本约束——在提示词里规定输出结构，约定意图，但没有强制力
提示工程
把任务、资料、约束与成功条件表达清楚，以改善模型行为的方法；通常不改变模型权重
停止条件
红线先画，触发即停，不讨论沉没成本；"这个场景该停"也是最有价值的结论之一
图像理解 ≠ 真伪鉴定
能看出"这里有个章"，不能鉴定章是真是假
推理时计算
部署之后、单次任务之中投入的额外计算，比如更长的思考过程、多方案自查；通常不改权重
一次任务中投入的推理计算量；部分模型允许调节，可能提高复杂问题的质量，同时增加等待与费用
退出怎么办
终止合作后如何删除、删除结果如何验证
外部记忆
存在对话之外、需要时再读入的结论
完全不懂的领域
让 AI 领你入门，搞清楚基本概念、主要规定、该问什么问题
未提及
材料里没有——填 null，标"未提及"，禁止按行业惯例推算补上
文本层直接解析
原生 PDF/Word 里的文字——精确、便宜、永远优先
先定义成功再动手
标准必须在测量之前写下——先测再看哪个数字好看就报哪个，那不叫评估，叫挑数
先诊断，再谈处理
同一条错误输出，病因可能在模型或资料、检索、工具、程序，药完全不同
写数据的
写台账、写表格、写库——错一行，账就错
芯片层
干活的设备——GPU、NPU 是两类适合跑 AI 计算的芯片，擅长同时做海量简单计算；卖硬件
新员工交底
见多识广但对你的项目一无所知；头衔不提供信息，把职责边界、材料、口径、红线写清楚才有用
选项概率
不等于业务事件发生的概率，问题定义不同，数字的含义就不同
严格 Schema
接口能力——锁死字段名、类型、必填项，到结构合法为止
演示（demo）
挑好的案例给你看——证明可能性，不证明稳定性
验收标准
用什么样本、多少条、什么算通过
业务系统
保存“正式发生了什么”，来自有权限的记录系统
业务校验
应用自己的规则——数值范围、枚举合法、逻辑一致、引用回查，管事实
一次任务中投入
计算发生在回答这一次请求的过程里，用完即弃；这次多想一会儿，下次并不会更聪明
一人一钥一用途
每个系统、每个供应商、每个对接人独立密钥，出事能定位到源头，回收不动全局
依据
《分包管理办法》2025 版·第 8 条
以实际结果验收
"模型说完成"不算数——验收要看台账里真写了什么、对了几条
引用回查
把依据字段的引用文字放回输入材料逐字查找，查不到即标证据存疑；四类里性价比最高
应用层
交付到手上的产品——合同审查工具、智能巡检系统，面向具体业务场景、由最终用户直接使用
与事实或所给证据不符
对外指参数过期、用错制度版本；对内指漏看附件、读错金额——两把尺子，修法不同
预训练
在海量文本上反复预测下一个 token，把语言规律、常识和知识轮廓压进权重；上限由数据、架构、算力和方法共同决定
运行环境
在哪执行、什么权限——它有什么权限，决定它能闯多大的祸
责任边界
人机分工写进操作规程——AI 初审、人终审，对外文件有具名人
增强
增强的是这一次作答，不是模型本身——下次换个问法、换个用户，还得重新检索
执行可靠性
实际执行的是否是被批准的方案，结果是否得到确认
指令
提示词——上一课的主题，只是五个对象之一
智能体
把不同能力组织到同一项任务中，管的是任务状态
专业算法
计算“哪些方案真正可行”——预测、优化、模拟各司其职
状态
现行有效；制度一改版先降为"待验证"，强制回原文复核后才能重新启用
资料
贴进去的合同、制度、检索回来的片段
资源
模板、表格、参考文件
自注意力
让每个 token 根据相关度从全文加权提取信息——Transformer 架构的核心算子
总参数 / 激活参数
总参数决定知识容量与存储，激活参数决定单次计算量——读私有化报价全靠把这两个口径分开
Agent
组织方式
Agent 运行框架
管理制度
AI
让机器表现出类人智能行为的技术总称——说的是目标，不是一种具体技术
Bolt 74B-A9B 24GB
工作站与笔记本上的日常代理任务，2 比特量化
Bolt E4B 4GB
语音助手、交互角色与嵌入式界面，十月二十三日
confidence
表达结果有多集中，不等于模型给自己评出的正确率
JSON mode
接口开关——保证输出一定能被解析成 JSON，只管成文、不管字段
lost in the middle
装得下不等于用得好——关键条款在中部可能"看过"但没"用上"，且失败是概率性的
MCP
模型应用与外部工具/数据源之间的开放互联协议——像统一接口标准，解决"重复对接"问题
MoE（混合专家）
把负责加工 token 的前馈层复制成多个"专家"，每个 token 只激活少数几个
Nemotron 3 Ultra
难的纯文本规划与编排，参数规模居首
Nemotron 3.5 Super VL
要看图、调工具的多步任务，单卡或一台 Spark
OCR
图像转文字
PDF 双栏乱序
解析器按"从左到右"逐行读，左右两栏文字被穿插；检索根本找不到该条文，或找到的片段读不通
Skill
提供给模型的任务说明书与配套资源——教它怎么干某类活
token
大模型处理文本的最小单位——模型读不进"字"和"词"，只有 token
token 编号
每个 token 对应词表里的一个编号（比如 51783）——模型从头到尾处理的都是这串编号，不是你看到的文字
Transformer
2017 年提出的架构，主体就是把注意力这道工序叠几十层反复做
没有匹配的术语。
共 148 条术语，来自 39 个术语块，其中 2 条在不止一处出现过。