AI大模型应用开发核心技术与专有名词手册

（按技术领域分类，含英文缩写、全称、中文释义，适配Java工程师转型场景） https://learn.lianglianglee.com/

一、核心基础概念

英文缩写	英文全称	中文释义
AI	Artificial Intelligence	人工智能：利用计算机模拟人类智能（推理、学习、决策等）的技术总称
ML	Machine Learning	机器学习：AI的核心分支，通过数据训练模型，使计算机具备自主学习能力（无需显式编程）
DL	Deep Learning	深度学习：ML的子集，基于神经网络（多层结构）处理复杂数据（图像、文本等），是大模型的技术基础
NLP	Natural Language Processing	自然语言处理：AI的重要分支，研究计算机与人类语言的交互（理解、生成、翻译等），大模型应用核心场景
NLU	Natural Language Understanding	自然语言理解：NLP的子领域，专注于计算机对人类语言的语义、意图解析（如用户指令识别）
NLG	Natural Language Generation	自然语言生成：NLP的子领域，专注于计算机生成符合人类语言习惯的文本（如大模型对话、文案生成）
LLM	Large Language Model	大型语言模型：基于海量文本数据训练的大参数语言模型（如GPT、LLaMA），具备强大的NLU和NLG能力
Foundation Model	Foundation Model	基础模型：通过大规模通用数据训练，可适配多种下游任务（如LLM、多模态模型）的通用AI模型
Token	Token	词元：文本处理的基本单位（可是单词、字、子词），大模型计算和理解文本的最小单元（如“人工智能”可拆分为2个Token）
Tokenization	Tokenization	词元化：将原始文本拆分为Token的过程（大模型输入处理的第一步），常用工具如BPE、WordPiece

二、模型类型与训练技术

英文缩写	英文全称	中文释义
GPT	Generative Pre-trained Transformer	生成式预训练Transformer：基于Transformer架构的生成式LLM，通过预训练+微调实现文本生成（OpenAI核心模型系列）
BERT	Bidirectional Encoder Representations from Transformers	双向Transformer编码器表示：基于Transformer双向编码的模型，擅长NLU任务（如分类、问答），非生成式
T5	Text-to-Text Transfer Transformer	文本到文本转换Transformer：将所有NLP任务统一为“文本输入→文本输出”格式的通用模型（如翻译、摘要、问答）
LLama	Large Language Model Meta AI	Meta推出的开源LLM系列（如LLama 2、LLama 3），支持商用，可本地部署和二次开发
Claude	Claude	Anthropic推出的LLM，以安全性和长上下文窗口为核心优势（支持100k+Token上下文）
PaLM	Pathways Language Model	Google推出的大语言模型，基于Pathways架构，支持多语言和复杂推理任务
Multimodal Model	Multimodal Model	多模态模型：支持多种数据类型（文本、图像、音频、视频）输入输出的模型（如GPT-4V、Gemini）
RLHF	Reinforcement Learning from Human Feedback	基于人类反馈的强化学习：大模型对齐人类偏好的核心技术，通过“预训练→监督微调→RLHF”三步优化模型输出
SFT	Supervised Fine-Tuning	监督微调：使用标注数据（输入→期望输出）对预训练大模型进行微调，使其适配特定任务（如客服对话、代码生成）
LoRA	Low-Rank Adaptation	低秩适配：高效微调技术，通过冻结预训练模型权重，仅训练少量低秩矩阵参数，降低微调成本（Java开发中集成微调常用）
QLoRA	Quantized LoRA	量化低秩适配：LoRA的优化版本，结合模型量化（如4bit/8bit），进一步降低微调的显存占用，适合本地部署场景
PEFT	Parameter-Efficient Fine-Tuning	参数高效微调：一类大模型微调技术的总称（含LoRA、Adapter等），核心是仅训练少量参数实现模型适配
Prompt Tuning	Prompt Tuning	提示微调：通过在输入中添加特定提示（Prompt），结合少量参数训练，使模型适配下游任务的微调方式
In-Context Learning	In-Context Learning	上下文学习：LLM的核心能力，无需微调，仅通过在输入中提供示例或指令，即可完成特定任务（如“请模仿以下格式总结文本：XXX”）
Few-Shot Learning	Few-Shot Learning	少样本学习：仅需少量标注示例（如3-5个），模型即可完成任务（依赖In-Context Learning能力）
Zero-Shot Learning	Zero-Shot Learning	零样本学习：无需标注示例，仅通过自然语言指令，模型即可完成从未训练过的任务（如“用日语翻译‘你好’”）

三、核心技术架构与机制

英文缩写	英文全称	中文释义
Transformer	Transformer	Transformer架构：2017年提出的深度学习架构，基于自注意力机制，是所有现代LLM的核心基础（替代RNN、LSTM）
Self-Attention	Self-Attention	自注意力机制：Transformer的核心组件，使模型能关注输入文本中不同词元的关联关系（如“他”指代前文的“小明”）
Cross-Attention	Cross-Attention	交叉注意力机制：多模态模型或序列到序列任务中，使模型关注两种不同输入的关联（如文本→图像生成中，文本与图像特征的对齐）
Attention Mask	Attention Mask	注意力掩码：控制模型在计算注意力时“看不到”某些Token（如屏蔽Padding Token、实现因果掩码确保生成式模型不偷看未来Token）
Positional Encoding	Positional Encoding	位置编码：为Token添加位置信息的技术（Transformer本身无顺序感知能力），使模型理解文本的语序
Feed-Forward Network	Feed-Forward Network	前馈神经网络：Transformer中的核心组件（注意力层后），对每个Token的特征进行非线性转换，增强模型表达能力
Decoder	Decoder	解码器：Transformer的组成部分，用于生成式任务（如LLM），通过因果掩码确保自回归生成（逐词生成）
Encoder	Encoder	编码器：Transformer的组成部分，用于理解式任务（如BERT），双向编码文本特征，无因果限制
Autoregressive Generation	Autoregressive Generation	自回归生成：生成式模型的核心生成方式，逐Token生成文本，每个Token的生成依赖前序Token（如GPT系列的生成机制）
Non-Autoregressive Generation	Non-Autoregressive Generation	非自回归生成：一次性生成多个Token或完整文本，生成速度更快，但准确性和连贯性通常低于自回归（适用于实时性要求高的场景）
Embedding	Embedding	嵌入/词嵌入：将离散的Token转换为连续的低维向量（如Word2Vec、BERT Embedding），使模型能数值化理解文本
Context Window	Context Window	上下文窗口：LLM能处理的最大输入Token长度（如GPT-4 Turbo支持128k Token），决定模型能“记住”的上下文长度
Context Length	Context Length	上下文长度：同Context Window，即模型的输入上限长度（超过需分段处理）

四、应用开发核心技术

英文缩写	英文全称	中文释义
RAG	Retrieval-Augmented Generation	检索增强生成：核心应用架构，通过“检索外部知识库→将相关信息作为Prompt输入LLM→生成回答”，解决LLM知识时效性、准确性问题（Java开发最常用的大模型应用架构）
Vector DB	Vector Database	向量数据库：专门存储和检索Embedding向量的数据库（如Milvus、Pinecone、Chroma），支持相似性查询（RAG架构的核心组件）
Embedding Model	Embedding Model	嵌入模型：用于将文本、图像等数据转换为Embedding向量的模型（如Sentence-BERT、OpenAI Embeddings、阿里通义Embedding）
Prompt Engineering	Prompt Engineering	提示工程：设计和优化Prompt（输入指令），使LLM更准确、高效地完成任务（无需修改模型，纯输入优化）
Chain	Chain	链：将多个LLM调用、工具调用、数据处理步骤串联起来的流程（如LangChain中的核心概念，实现复杂任务拆解）
Agent	Agent	智能体：具备自主决策能力的AI系统，能理解任务、规划步骤、调用工具（LLM+工具+记忆），可独立完成复杂任务（如自动写代码、数据分析）
Tool Calling	Tool Calling	工具调用：LLM的能力，能识别用户需求并调用外部工具（API、数据库、计算器等）获取结果，再生成最终回答（如“查询今日天气并总结”）
Function Calling	Function Calling	函数调用：Tool Calling的具体实现形式，LLM通过识别函数定义（名称、参数），生成符合格式的函数调用请求，由应用程序执行后返回结果
LangChain	LangChain	大模型应用开发框架：提供Chain、Agent、Tool、向量存储集成等组件，简化LLM应用开发（Java有对应LangChain4j框架）
LlamaIndex	LlamaIndex	数据框架：专注于大模型与私有数据的集成，优化文档加载、分割、索引构建，适配RAG架构（辅助LangChain使用）
LangSmith	LangSmith	LangChain生态的调试、监控工具，用于跟踪LLM调用流程、评估输出质量、优化Prompt和Chain
API Gateway	API Gateway	API网关：大模型应用的入口层，负责请求路由、限流、认证、日志记录（Java开发中常用Spring Cloud Gateway适配）
Fine-Tuning Pipeline	Fine-Tuning Pipeline	微调流水线：大模型微调的全流程工具链（数据准备、模型加载、训练、评估、部署），如Hugging Face Transformers

五、部署与运维技术

英文缩写	英文全称	中文释义
MLOps	Machine Learning Operations	机器学习运维：将DevOps理念应用于AI模型，覆盖模型开发、训练、部署、监控、迭代的全生命周期管理
AIOps	Artificial Intelligence for IT Operations	智能运维：利用AI技术（如LLM）优化IT运维流程（如日志分析、故障诊断、自动修复）
Model Serving	Model Serving	模型服务化：将训练好的大模型封装为API接口（如REST、gRPC），供应用程序调用（Java开发中需对接的核心环节）
TensorRT	TensorRT	NVIDIA推出的深度学习推理优化引擎，可加速LLM在GPU上的推理速度（提升吞吐量、降低延迟）
ONNX	Open Neural Network Exchange	开放神经网络交换格式：跨框架的模型格式标准，可将PyTorch、TensorFlow训练的模型转换为ONNX，便于部署和优化
TorchServe	TorchServe	PyTorch官方的模型服务化工具，支持将PyTorch模型快速部署为REST/gRPC API
vLLM	vLLM	高性能LLM推理引擎：基于PagedAttention技术，大幅提升LLM的推理吞吐量和响应速度（支持本地部署大模型）
Text Generation Inference	Text Generation Inference	Hugging Face推出的LLM推理引擎，优化生成式模型的部署（支持动态批处理、张量并行）
Quantization	Quantization	模型量化：将模型权重从高精度（如FP32）转换为低精度（如INT8、FP16、4bit），降低显存占用和推理延迟（本地部署必备技术）
FP16	Float 16	半精度浮点数：模型量化的常用精度，显存占用仅为FP32的一半，推理速度提升，精度损失较小
INT8	Integer 8	8位整数：模型量化的常用精度，显存占用大幅降低（FP32的1/4），适合低资源环境部署（如CPU、边缘设备）
4bit Quantization	4bit Quantization	4位量化：更极致的量化技术（如GPTQ、AWQ算法），显存占用进一步降低，适合本地部署大参数量模型（如70B、175B）
Containerization	Containerization	容器化：将大模型服务、依赖环境打包为Docker容器，实现环境一致性和快速部署（Java微服务架构常用）
Kubernetes	Kubernetes	K8s：容器编排平台，用于管理大规模容器化的大模型服务（负载均衡、自动扩缩容、故障恢复）
Load Balancing	Load Balancing	负载均衡：在多个大模型推理节点间分配请求，避免单点过载，提升系统吞吐量（Java开发中常用Nginx、K8s Service实现）
Monitoring	Monitoring	模型监控：跟踪大模型服务的性能（延迟、吞吐量）、输出质量（准确性、相关性）、资源占用（CPU/GPU/内存）
Drift	Drift	模型漂移：模型在实际使用中，因数据分布变化（数据漂移）或任务场景变化（概念漂移），导致性能下降的现象（需定期更新模型）

六、伦理与安全相关

英文缩写	英文全称	中文释义
AI Alignment	AI Alignment	AI对齐：使大模型的行为和目标与人类价值观、需求保持一致（避免生成有害、偏见内容）
Safety	Safety	模型安全：确保大模型不被滥用（如生成恶意代码、虚假信息），不生成有害内容（暴力、歧视、隐私泄露）
Moderation	Content Moderation	内容审核：对大模型的输入和输出进行过滤，拦截有害、违规内容（如色情、暴力、仇恨言论）
Hallucination	Hallucination	模型幻觉：大模型生成不存在、不准确的信息（如虚假事实、错误引用），是大模型应用的核心风险点（需通过RAG、事实核查缓解）
Bias	Bias	模型偏见：大模型因训练数据中存在的偏见（如性别、种族歧视），导致生成带有偏见的内容
Privacy Preservation	Privacy Preservation	隐私保护：在大模型训练和应用中，保护用户隐私数据（如不泄露训练数据中的个人信息、使用联邦学习/差分隐私技术）
GDPR	General Data Protection Regulation	通用数据保护条例：欧盟的隐私保护法规，对AI模型的数据收集、使用、存储有严格要求（跨国应用需合规）
Compliance	Compliance	合规性：大模型应用需符合当地法律法规（如数据隐私、内容安全、知识产权）

七、常用工具与平台

英文缩写	英文全称	中文释义
Hugging Face	Hugging Face	开源AI社区与平台：提供海量预训练模型（Transformers库）、数据集、训练/部署工具（Java可通过Hugging Face Java SDK对接）
OpenAI API	OpenAI API	OpenAI提供的大模型调用接口（如GPT-3.5/4、Embeddings），支持文本生成、嵌入转换等功能（Java需通过HTTP客户端调用）
LangChain4j	LangChain4j	LangChain的Java版本：专为Java开发者设计的大模型应用开发框架，支持与Spring Boot集成，适配Java生态
Spring AI	Spring AI	Spring官方推出的AI应用开发框架，简化Java应用与大模型（OpenAI、本地LLM）、向量数据库的集成
Milvus	Milvus	开源向量数据库：支持大规模Embedding向量存储与相似性查询，适配RAG架构（Java有官方SDK）
Pinecone	Pinecone	托管式向量数据库：无需自建运维，提供API接口，适合快速搭建RAG应用
Chroma	Chroma	轻量级开源向量数据库：部署简单，适合开发测试和小规模应用
Weaviate	Weaviate	开源向量数据库：支持多模态数据（文本、图像），内置语义搜索功能
Docker	Docker	容器化工具：打包大模型服务及依赖环境，确保开发、测试、生产环境一致
NVIDIA GPU	NVIDIA GPU	英伟达图形处理器：大模型训练和推理的核心硬件（支持CUDA加速，大幅提升效率）
CPU	Central Processing Unit	中央处理器：计算机核心硬件，可运行大模型（但推理速度远慢于GPU，适合小规模模型或边缘设备）
TPU	Tensor Processing Unit	张量处理单元：Google推出的专用AI加速芯片，优化TensorFlow模型的训练和推理

使用说明

1. 重点关注「应用开发核心技术」「常用工具与平台」章节，适配Java工程师从“调用API→搭建RAG架构→集成Java生态”的学习路径；
2. 涉及部署运维的名词（如Quantization、vLLM），可在本地部署大模型时深入研究；
3. 伦理与安全相关名词（如Hallucination、GDPR），在商业应用开发中需重点关注合规性；
4. 建议结合实际开发场景记忆（如搭建RAG时，重点掌握RAG、Vector DB、Embedding Model、LangChain4j等名词的关联关系）。