使用建议
- 讨论技术方案时，先对齐术语再讨论取舍——多数分歧来自对同一个词的不同理解。
- 每个词条都给了「为什么重要」，比定义本身更能在评审里用得上。
- 需要完整方法论的读者，可继续阅读 AI 智能体与聊天机器人的区别。
一、智能体与模型（8 个）
AI 智能体 AI Agent
以目标为中心、能自主拆解任务、调用工具并校验结果的执行体。四个构件是目标、规划、工具、记忆与校验。为什么重要：它把 AI 的输出从"文本"变成"完成的工作"。
大语言模型 LLM
在海量文本上训练、以预测下一个词元为核心任务的模型，是当前智能体的主要推理引擎。为什么重要：它决定理解与生成的上限，但不负责执行。
上下文窗口 Context Window
模型单次可处理的最大词元数量，决定能一次读入多长的文档与多轮对话历史。为什么重要：窗口越大显存与延迟开销越高，长文档场景通常先检索再放入窗口。
提示词 Prompt
输入给模型的指令与素材，工程实践中通常包含角色、任务、约束、示例与输出格式五部分。为什么重要：把提示词结构化，输出稳定性会明显提升。
系统提示词 System Prompt
会话开始前设定的角色与规则，用于稳定模型的行为边界，优先级高于用户输入。为什么重要：它是智能体"人格与边界"的载体。
工具调用 Function Calling / Tool Use
模型以结构化参数请求外部函数执行的能力。为什么重要：这是智能体从"会说"到"会做"的关键机制，也是权限治理的落点。
MCP Model Context Protocol
一套开放的工具接入协议，把数据源与外部系统以统一方式暴露给模型。为什么重要：工具封装一次即可被多个智能体复用，避免为每个模型重复适配。
幻觉 Hallucination
模型生成看似合理但与事实不符的内容。为什么重要：企业场景必须用检索增强、数据溯源与结果校验来压制它，而不是指望模型"变老实"。
二、知识与检索（4 个）
RAG Retrieval-Augmented Generation
先检索相关资料，再让模型基于资料作答的方法。为什么重要：能让回答带上出处，并让知识更新不必重新训练模型。
向量数据库 Vector Database
存储内容的向量表示并支持相似度检索的数据库，是 RAG 的常用基础设施。为什么重要：它决定"能不能快速找到相关的那一段"。
微调 Fine-tuning
用业务数据继续训练模型以适配特定风格或任务。为什么重要：成本高于提示词与 RAG，只有当"风格稳定"或"高度专业化"成为刚需时才值得。
量化 Quantization
用更低位数表示模型权重以缩小体积、降低显存占用。为什么重要：Q4 通常是本地部署的默认档位，显存占用约为原精度的一半到三分之一。
三、执行与自动化（6 个）
聊天机器人 Chatbot
以一问一答为交互单位、输出止于文本的对话系统。为什么重要：分清它与智能体的边界，能避免为简单需求付出过度工程成本。
自主规划 Planning
把目标拆成有序步骤，并在执行中根据中间结果调整路线。为什么重要：规划能力决定智能体能否处理没被预先编排过的任务。
多智能体 Multi-Agent
由多个职责不同的智能体协作完成任务。为什么重要：适合可清晰分工的复杂流程，但协调成本高，简单任务不必上。
工作流 Workflow
按确定顺序执行的步骤编排。为什么重要：稳定性高于自主规划，规则明确的业务流程应优先用工作流固化。
RPA Robotic Process Automation
通过模拟界面操作来驱动软件完成任务的技术。为什么重要：它是没有开放接口的老系统的现实解法，详见 无 API 老系统自动化。
网页小程序 Web Mini-App
把任意 Web 站点注册为可编排对象，让智能体完成页面跳转、表单填写、数据提取与按钮操作。为什么重要：无需改造系统即可打通老旧业务系统。
四、可靠性（2 个）
定时任务 Scheduled Task
按预设周期自动触发的任务。为什么重要：它把自动化从"手动运行"变成"无人值守"，但必须同时设计幂等、重试与告警，详见 定时任务自动化。
幂等 Idempotency
同一操作执行多次与执行一次的效果相同。为什么重要：这是自动化重复执行不产生重复数据的前提，也是最容易被忽略的设计点。
五、数据与知识（3 个）
本体 Ontology
对某一领域概念、属性与关系的显式规范。为什么重要：它让数据具备机器可推理的语义结构，是跨系统数据融合的前提。
知识图谱 Knowledge Graph
以实体与关系构成的网络化知识表示。为什么重要：支持跨系统关联查询与多跳推理，让 AI 能"查数、找数、办业务"。
数据溯源 Data Provenance
记录数据从产生到使用全过程的来源信息。为什么重要：它让 AI 的每条结论都能指回原始记录，是消除幻觉与通过审计的共同手段。
六、部署与合规（3 个）
私有化部署 On-Premise Deployment
把平台与模型部署在企业自有网络内，数据不出边界。为什么重要：满足合规与自主可控要求，详见 私有化部署方案。
本地推理 Local Inference
在自有硬件上运行模型，无需联网与按量计费。为什么重要：适合敏感数据与离线环境；硬件选型可参考 本地大模型硬件选型指南。
等级保护 Classified Protection 2.0
国家网络安全等级保护制度，对系统按级别提出安全要求。为什么重要：AI 系统交付时通常需要提供权限矩阵、审计日志等证明材料，详见 企业 AI 合规落地。