ADK.wang AI & 软件技术百科

检索器（Retriever）是人工智能与大模型生态中的核心组件，负责从海量非结构化数据中精准定位并召回与查询意图高度相关的信息片段，作为大语言模型实现知识增强与事实检索的关键桥梁。

软提示（Soft Prompts）是一种通过向大语言模型注入少量可训练的低维向量参数，以微调模型行为、提升特定任务表现的技术方法，属于参数高效微调（PEFT）的核心范式。

Trained Transformer 指经过预训练并微调的 Transformer 模型架构，作为大语言模型的核心基座，具备强大的语义理解与生成能力，是现代 AI 系统的通用智能引擎。

人类反馈（Human Feedback）是人工智能大模型训练中利用人类偏好数据驱动模型自我进化与对齐的核心机制，通过奖励模型引导强化学习实现价值对齐。

分词器是自然语言处理与大模型训练中的核心预处理组件，负责将连续文本序列切分为模型可理解的最小语义单元（Token），其主流范式已从基于词的离散切分演进为基于子词（Subword）的统计学习机制。

Transformer 是一种基于自注意力机制的深度学习架构，通过并行计算高效处理序列数据，彻底改变了自然语言处理及通用人工智能大模型的构建范式。

思维链（Chain-of-Thought, CoT）是一种让大语言模型通过分步推理展示解题过程的自然语言提示技术，显著提升复杂任务的逻辑推理与泛化能力。

少样本学习是一种让模型在仅有少量标注数据的情况下，通过迁移学习或元学习机制，快速掌握新任务并实现高精度泛化的深度学习范式。

微内核架构是一种将核心功能模块最小化并独立运行的系统设计理念，在人工智能与大模型领域，它通过解耦计算与存储、实现动态资源调度，显著提升大模型的推理效率与扩展性。

提示模板（Prompts）是面向大语言模型（LLM）的标准化输入指令集合，通过结构化设计优化模型输出质量，是连接人类意图与 AI 能力的核心交互接口。

文档加载器是面向大语言模型（LLM）的标准化接口组件，负责将非结构化文档（如PDF、Word、网页）解析为模型可理解的向量化或结构化数据流，是构建RAG系统的核心入口。

模型剪枝是一种通过移除神经网络中冗余连接或节点来降低模型参数量、压缩体积并提升推理效率的深度学习后处理技术，旨在在保持性能的前提下实现轻量化部署。

词袋模型是一种忽略语法结构与词序、仅通过统计词频将文本或图像特征转化为高维稀疏向量的基础表示方法，是自然语言处理与计算机视觉领域的基石技术。

贝尔曼方程是强化学习与动态规划的核心数学基石，通过递归分解将复杂多阶段决策问题转化为局部最优子问题的求解，实现全局最优策略的推导。

输出解析器是大模型推理阶段的关键组件，负责将模型生成的原始文本流转化为结构化数据或特定格式，是连接生成模型与下游应用系统的桥梁。

HyDE（Hypothetical Document Embedding）是一种大语言模型提示工程策略，通过让模型先生成针对特定查询的假设性文档，再将此生成内容作为输入嵌入向量，从而显著提升模型在语义检索与问答任务中的表现。

模型上下文协议（MCP）是由 Anthropic 推出的开源标准化接口，旨在通过统一的客户端 - 服务器架构，安全高效地连接大语言模型与外部数据源及工具，解决多源异构上下文集成难题。

Average Precision (AP) 是评估信息检索系统召回质量的核心指标，通过计算不同阈值下查准率与查全率曲线下的面积，量化模型在排序任务中的整体表现。

Prompt（提示词）是引导大语言模型生成特定输出的高维指令集，通过结构化输入上下文、设定角色与约束条件，将模糊意图转化为模型可执行的精确任务逻辑。

反射智能体是一种基于简单刺激 - 反应机制的初级人工智能模型，通过预设规则库直接映射环境观测与动作执行，无需内部状态记忆或复杂推理。

子代理架构是一种将大型语言模型的任务拆解为多个独立、协作的小型智能体（Sub-agent）的分布式系统架构，旨在通过分工协作提升复杂任务的执行效率与鲁棒性。

情景记忆是大模型中模拟人类自传式主观体验的核心机制，通过关联特定时间、地点与情感，赋予模型对过往事件的具象化回忆与情境感知能力。

智能体层（HelloAgents）是面向大模型应用的一层通用智能体编排框架，旨在通过标准化接口统一多模型能力，解决大模型在复杂任务执行中的碎片化与低效问题。

端点控制器并非人工智能与大模型领域的标准技术术语，该名称在现有学术文献、主流技术博客及权威架构文档中均无对应定义，极大概率为对通用计算机概念（如 USB 端点）或特定行业应用（如端点科技）的误称或混淆。