Today for AIAI 情报与实践

EXPLORE / 06

术语索引

AI 与软件开发中的专用名词及其说明

RECORDS

实体记录

70 条记录 · 2/2

  1. 041

    Checkpointer

    检查点持久器（Checkpointer）在 Agent 图节点每次转换或完成步骤后，自动将当前的 Agent State 快照持久化至数据库或内存中。它为 Agent 系统提供断点恢复、长会话记忆、人工审批暂停与历史轨迹回放能力，是实现高可用长任务的核心基石。

    官网待补
  2. 042

    Agent State

    Agent 状态（Agent State）指在 Agent 执行生命周期中通过显式类型化 Schema（如 TypedDict 或 Pydantic）维护的单事实来源数据集。它严格区分用户目标、模型推理建议、外部检索证据、工具调用记录与异常错误码，避免将全部上下文混杂于纯文本聊天历史中。

    官网待补
  3. 043

    StateGraph

    状态图（StateGraph）是 LangGraph 等 Agent 编排框架中的核心构件，它将 Agent 系统的控制流建模为显式的有向图。图中的节点（Nodes）为接收并更新状态的纯函数，边（Edges）或条件边（Conditional Edges）控制节点间的状态传递方向，确保复杂逻辑的确定性与可追踪性。

    官网待补
  4. 044

    Router

    路由器模式（Router Pattern）利用模型或规则对输入的单次请求进行分类与意图识别，将其直接分流至固定的确定性处理链或专用 Agent。它是最简单、低延迟且易于测试的 Agent 架构，适合客服分类、订单查询与知识库问答等入口分流场景。

    官网待补
  5. 045

    Plan-and-Execute

    计划与执行模式（Plan-and-Execute Pattern）先由规划器模型将复杂的宏观目标拆解为有序的子任务计划列表，再由执行器逐项调用工具完成，并在遇到异常或新证据时触发重规划（Replanning）。相比 ReAct，该模式更适合步骤较多、长链条的复杂交付任务，能显著降低长上下文中的漂移风险。

    官网待补
  6. 046

    ReAct

    ReAct 循环（Reasoning and Acting Loop，ReAct）是一种让大模型交替执行推理思考（Thought）、工具选择与动作（Action）以及观察执行结果（Observation）的循环交互模式。它通过多轮观察反馈动态调整下一步策略，适用于路径未知的探索性任务，但需设立最大步数与重复动作拦截以防陷入死循环。

    官网待补
  7. 047

    Ungrounded Generation

    无依据生成（Ungrounded Generation）指模型在生成回答时脱离检索到的上下文依据，或推导出上下文中没有出现的结论。这种脱离事实约束的行为是导致大模型产生幻觉的主要根源。

    官网待补
  8. 048

    Citation Verification

    引用归属验证（Citation Verification）在模型生成包含引用标注（如 [S1]）的答复后，通过程序或评估器校验该引用 ID 是否真实存在、以及引用内容是否确实能支撑对应句子，防止生成虚假引用。

    官网待补
  9. 049

    Direct Query Search

    原始 Query 检索（Direct Query Search）直接将用户输入的原始口语问句未经处理送入向量或全文索引检索。当问句中包含上下文代词（如“它”、“这篇文档”）或复杂多特征对比时，极易发生检索失败。

    官网待补
  10. 050

    Query Rewriting

    Query 改写（Query Rewriting）利用大模型将用户输入的模糊、代词化或跨主题的原始问句重构为结构化的明确查询，或拆分为多个独立的搜索子查询，从而显著提升向量与全文检索的召回命中率。

    官网待补
  11. 051

    Full Re-indexing

    全量重建索引（Full Re-indexing）在数据变更时对知识库中所有文档重新全量解析、分块、嵌入并建立索引。虽然能保持索引完全干净，但计算开销巨大，且容易在重建期间导致搜索服务不可用。

    官网待补
  12. 052

    Incremental Indexing

    增量索引（Incremental Indexing）通过计算文档段落的内容哈希（Content Hash）只重新 Embedding 与更新发生变化的文本块，并同步清理废弃索引。它极大降低了知识库频繁更新时的计算与 API 成本。

    官网待补
  13. 053

    NDCG

    归一化折损累计收益（Normalized Discounted Cumulative Gain，NDCG）考虑候选文档的多级相关性打分（如非常相关、部分相关、不相关）及其在结果列表中的位置折损。它是评估精排与 Rerank 质量最全面的量化指标之一。

    官网待补
  14. 054

    MRR

    平均倒数排名（Mean Reciprocal Rank，MRR）是评估检索系统性能的核心指标，专注于衡量首个相关结果在检索列表中的靠前程度。其计算方法为所有测试查询首个相关结果排名倒数（1/Rank）的算术平均值。

    官网待补
  15. 055

    Fixed-size Chunking

    固定字符分块（Fixed-size Chunking）按硬性 Token 或字符窗口加滑动重叠分割文本。其吞吐高、实现简单，但容易硬性切断段落、代码与表格的完整语义结构。

    官网待补
  16. 056

    Parent-Child Chunking

    父子分块（Parent-Child Chunking）通过切分小粒度 Child Chunk 用于精确定位与高效向量召回，并在召回后自动回溯映射到包含完整上下文的大粒度 Parent 文档块送入大模型，兼顾了精准检索与生成上下文的完整性。

    官网待补
  17. 057

    Score Normalization

    分数归一化（Score Normalization）将向量相似度与 BM25 词法得分各自映射到 0–1 的标准数值区间后再做线性加权。该方法保留了原始分值的相对差距，但容易因不同检索器分值分布不平稳而导致某一检索权重失真。

    官网待补
  18. 058

    RRF

    倒数排名融合（Reciprocal Rank Fusion，RRF）是一种无需对不同检索器得分进行量纲归一化的多路融合算法。它通过累加文档在各检索结果列表中的排名倒数（1 / (k + rank)）进行综合打分，稳健且抗绝对分值分布异常。

    官网待补
  19. 059

    Top-K Similarity

    Top-K 相似度排序（Top-K Similarity）仅根据向量距离或 BM25 匹配得分从高到低硬性截取前 K 个候选文本。虽然高分结果相关度高，但在处理多处重复描述的文档库时容易招致高度冗余的检索上下文。

    官网待补
  20. 060

    MMR

    最大边际相关性（Maximal Marginal Relevance，MMR）是一种在检索结果重排时兼顾相关性与多样性的算法。它在计算文档与 Query 相似度的同时惩罚与已选择文档相似度过高的高维向量，有效防止 Top-K 结果全部来自同一种重复文档或模板。

    官网待补
  21. 061

    Non-parametric Memory

    非参数记忆（Non-parametric Memory）指保存在向量数据库、文档库或知识图谱等外部系统中的显式知识与事实数据。模型可以在推理阶段通过 RAG 动态调取非参数记忆作为上下文，无需更改任何模型权重即可完成知识更新与修正。

    官网待补
  22. 062

    Parametric Memory

    参数记忆（Parametric Memory）指神经网络模型在预训练与微调阶段内化并隐式存储于权重中的知识。其推理响应迅速，但知识固定于训练截止点，更新需重新训练，且在缺乏外部上下文时容易产生无中生有的幻觉。

    官网待补
  23. 063

    Post-filtering

    结果后置过滤（Post-filtering）在向量数据库按相似度算分并召回 Top-K 结果后，再由应用层剔除无权限或不符合条件的文档。该方式极易因为高相似度块被全数过滤导致无有效结果可返回（召回坍塌），且存在潜在的安全漏洞与无用计算开销。

    官网待补
  24. 064

    Metadata Pre-filtering

    元数据前置过滤（Metadata Pre-filtering）在进行向量或全文相似度检索前，先依据租户隔离、部门权限 ACL、文档版本或更新时间等字段对索引空间进行硬性约束。它能确保未授权文档绝不进入检索候选集，保障企业级多租户数据安全。

    官网待补
  25. 065

    Cross-Encoder

    交叉编码器（Cross-Encoder）将查询（Query）与文档（Document）拼接后同时输入单一 Transformer 网络，通过全注意力机制计算深层匹配得分。其排序准确度极高，但由于计算复杂度随候选集激增，无法用于大规模全库索引，通常用于第二阶段重排（Rerank）。

    官网待补
  26. 066

    Bi-Encoder

    双编码器（Bi-Encoder）将查询（Query）与文档（Document）分别独立输入两个独立的编码网络生成向量，并预先建立向量索引。它支持极高效的百毫秒级大规模向量检索，但由于查询与文档在编码时缺乏交互，语义匹配粒度相对较粗。

    官网待补
  27. 067

    Fine-tuning

    模型微调（Fine-tuning）通过在特定任务或领域数据集上对预训练大模型进行二次训练，以修改神经网络参数权重。它擅长固化特定输出格式、提升指令遵循能力和专业语域风格，但知识更新成本高且无法保证生成事实的实时性。

    官网待补
  28. 068

    RAG

    检索增强生成（Retrieval-Augmented Generation，RAG）在模型生成回答前从外部知识库检索最新且相关的文档，并将调取的证据组装入上下文发给大语言模型。它能降低模型依赖参数记忆产生的事实幻觉、支持实时数据更新并提供可追溯的引用来源。

    官网待补
  29. 069

    Sparse Retrieval

    稀疏词法检索（Sparse Retrieval）基于高维稀疏向量与倒排索引（如 BM25 或 TF-IDF 算法），通过词频与逆文档频率计算文本匹配度。它擅长精准匹配产品编号、专业术语和错误代码，但无法识别语义相近但用词不同的同义文本。

    官网待补
  30. 070

    Dense Retrieval

    稠密向量检索（Dense Retrieval）通过神经网络将文本编码为低维稠密嵌入向量，并在向量空间中计算余弦相似度或内积。它擅长捕捉语义关联、泛化理解和同义改写，但可能在匹配精确专有名词、错误代码或版本号时发生漏检。

    官网待补