主题
AI 英语：大模型术语、论文与产品界面
定位：和 AI 打交道的所有英文词汇——写 Prompt 的动词形容词、大模型/Agent 核心术语、AI 论文结构高频词。 不用背，写 Prompt 时直接翻、读论文时对照查，用 10 次自然记住。
三、AI / 大模型核心术语（不用全懂，但要认识）
按"最日常能看到的"顺序排，前 20 个天天出现在文档和对话里。
3.1 模型与基础架构
| 英文术语 | 发音 | 中文译法（通用） | 一句话讲懂是什么 |
|---|---|---|---|
| LLM (Large Language Model) | /el el em/ | 大语言模型 | GPT、Claude、豆包、通义这些大模型的统称 |
| Generative AI / GenAI | /ˈdʒenərətɪv/ | 生成式 AI | 能生成文本/图片/音频/视频的 AI 总称 |
| Foundation Model | /faʊnˈdeɪʃn/ | 基础模型 / 基座模型 | 大厂训练出来的"毛坯大模型"（比如 Llama 3 基座），不针对特定任务 |
| Transformer | /trænsˈfɔːrmər/ | Transformer 架构 | 2017 年"Attention is All You Need"论文提出的架构，所有大模型的基石 |
| Attention / Self-Attention | /əˈtenʃn/ | 注意力机制 / 自注意力 | Transformer 核心：模型读一句话时，知道哪些词和"当前这个词"最相关 |
| Context Window | /ˈkɒntekst/ | 上下文窗口 | 模型一次能"记住"的 Token 总量（128K = 约 9 万字，够一本小书） |
| Token | /ˈtoʊkən/ | Token（不用译） | 模型处理文本的最小单位（1 个中文词≈1-2 Token，1 个英文单词≈1-3 Token） |
| Tokenizer | /ˈtoʊkənaɪzər/ | 分词器 / Token 编码器 | 把人类文字切成一个个 Token 的程序，不同模型 tokenizer 不一样 |
| Temperature | /ˈtemprətʃər/ | 温度参数 | 0~2 之间：0=死板确定性强（写代码/事实），1=自然平衡，1.5+=发散有创意（写诗/广告） |
| Top-p / Nucleus Sampling | /ˈnjuːkliəs/ | 核采样 | 和 Temperature 搭档的另一个随机性参数：0.1=只在概率最高 10% 的词里选，0.9=几乎所有词都可能被选 |
| Top-k | Top-k 采样 | 只在概率最高的 k 个候选词里选下一个（k=1 就是贪心，总是选概率最大的） | |
| Prompt | /prɒmpt/ | 提示词 / 输入 | 你发给 AI 的内容（文字、文件、图片引用） |
| Completion / Response | 补全 / 响应 | AI 返回给你的内容 | |
| System Prompt / Custom Instructions | 系统提示词 / 自定义指令 | 每次对话前 AI 先"读到的规则"（你是谁、你该怎么回答、什么不能做） | |
| Streaming | /ˈstriːmɪŋ/ | 流式输出 | 打字机效果——AI 边想边出字，不用等全部生成完才显示 |
| Inference | /ˈɪnfərəns/ | 推理 / 推断 | 模型接收输入、生成输出的过程（用户问问题，模型跑一下出答案=一次推理） |
| Training | 训练 | 把海量数据灌给模型，让它学会语言规律的过程（花好几百万美元那一步） | |
| Pre-training | /ˌpriːˈtreɪnɪŋ/ | 预训练 | 基座模型的训练（从零开始学通用知识，最花钱最久） |
| Fine-tuning / FT | /faɪn ˈtuːnɪŋ/ | 微调 | 拿预训练好的基座模型，用一小批特定数据接着训，让它擅长某个领域（法律/医疗/代码） |
| Pre-trained Checkpoint | /ˈtʃekpɔɪnt/ | 预训练权重文件 | 训练好的模型参数（几 GB 到几百 GB 的大文件，可以下载下来本地跑） |
3.2 微调 / 对齐 / 安全相关
| 英文术语 | 发音 | 中文译法 | 一句话讲懂 |
|---|---|---|---|
| SFT (Supervised Fine-Tuning) | /es ef tiː/ | 监督微调 | 用人工写的"高质量问答对"教模型怎么好好回答人类的问题（对齐第一步） |
| RLHF (Reinforcement Learning from Human Feedback) | /ɑːr el eɪtʃ ef/ | 基于人类反馈的强化学习 | 人给模型回答打分（哪个答得好），模型学着让人打高分=更"对人类口味" |
| RLAIF | /ɑːr el eɪ aɪ ef/ | AI 反馈的强化学习 | 不找真人打分，让另一个大模型当评委，更便宜更快 |
| Alignment | /əˈlaɪnmənt/ | 对齐 | 让模型回答符合人类价值观、不胡说八道、不输出有害内容（SFT/RLHF 都是对齐手段） |
| Safety Alignment | 安全对齐 | 防止模型教炸弹、教人自杀、输出歧视性言论 | |
| Guardrails | 护栏 / 安全防护层 | 模型前后的"安检"：输入前过滤有害提问，输出前拦截违规回答 | |
| Jailbreak | /ˈdʒeɪlbreɪk/ | 越狱 | 绕过安全对齐，让模型输出被禁止的内容（比如绕过 Claude Code 禁止执行的命令） |
| Hallucination | /həˌluːsɪˈneɪʃn/ | 幻觉 | 模型一本正经地胡说八道：编不存在的函数、编不存在的论文引用、编虚假事实 |
| Confidence | /ˈkɒnfɪdəns/ | 置信度 | 模型对自己回答有多"确定"（注意：它很自信≠它是对的，幻觉时它也 99% 自信） |
| Grounding / Ground Truth | /ˈɡraʊndɪŋ/ | 接地 / 真实数据 | 让模型回答基于你给的资料，而不是它自己脑子里的记忆（RAG 就是做这个） |
| Bias | /ˈbaɪəs/ | 偏见 | 模型里带的各种偏见（性别/种族/地域），来自训练数据本身的偏见 |
3.3 RAG / Agent / 工具调用（工程化重点）
| 英文术语 | 发音 | 中文译法 | 一句话讲懂 |
|---|---|---|---|
| RAG (Retrieval-Augmented Generation) | /ræɡ/ | 检索增强生成 | 给模型装"外挂知识库"：提问时先从你的私域文档里搜相关片段，让 AI 只基于搜出来的内容回答→不胡说 |
| Retrieval | /ˌrɪˈtriːvl/ | 检索 | RAG 第一步：从向量数据库找和提问最相关的文档片段 |
| Chunk | 文档块 / 切片段 | RAG 里一个大 PDF 要切成一个个小块（比如每块 500 字），才能存进向量库 | |
| Embedding | /ɪmˈbedɪŋ/ | 向量嵌入 / 向量化 | 把一段文字变成一串数字（向量），意思相近的文字数字也相近→能算"相关性" |
| Embedding Model | 向量模型 | 专门做 Embedding 的小模型（比如 text-embedding-3、bge-* 系列，比大模型便宜快 100 倍） | |
| Vector Database / Vector Store | /ˈvektər/ | 向量数据库 | Pinecone / Milvus / Chroma / pgvector，专门存向量+做"相似度检索"的数据库 |
| Similarity Search | /ˌsɪməˈlærəti/ | 相似度检索 | 给一句提问，从向量库里找出"意思最接近"的文档块（Top-K 召回） |
| Re-ranking / Reranker | /ˌriːˈræŋkɪŋ/ | 重排序 | RAG 第二步：粗召回 20 条后，用更准的模型再精排一遍，挑最相关的 3-5 条给大模型读 |
| Knowledge Base / KB | 知识库 | RAG 喂给模型的所有私有文档的总称（公司内部文档、产品手册、法条全文） | |
| Agent | /ˈeɪdʒənt/ | 智能体 | 能自己做规划、自己调用工具、多步完成任务的程序（不是一问一答，是"给个目标自己干"） |
| Tool Use / Function Calling | 工具调用 / 函数调用 | 模型不只会说话，还能按格式调你写好的函数：查天气、查数据库、发邮件、下单 | |
| Planning / Plan-and-Execute | /ˈplænɪŋ/ | 规划执行 | Agent 做事流程：先想"第一步做什么第二步做什么"（Plan），然后一步步去执行（Execute） |
| Tool / Function Schema | 工具 / 函数描述 | 你告诉模型"我有这个工具，参数是什么、返回什么"，模型才知道什么时候怎么调 | |
| Reasoning / Chain-of-Thought (CoT) | /ˈriːzənɪŋ/ | 推理 / 思维链 | 让模型"先一步步想"再给答案：Let's think step by step，数学题准确率会大幅提升 |
| ReAct (Reason + Act) | /riː ækt/ | 推理行动循环 | Agent 核心模式：想一步（Reason）→ 做个动作（Act，比如调工具）→ 看结果再想→再做，循环到完成 |
| Memory / Short-term / Long-term | 记忆 / 短期 / 长期 | Agent 记忆：短期=当前对话上下文，长期=存起来的历史偏好/做过的事 | |
| Multi-Agent | 多智能体 | 好几个 Agent 分工协作（一个写代码、一个做审查、一个做测试） | |
| Observation | 观察 / 工具返回结果 | Agent 调完工具后，工具返回的内容=Observation，Agent 据此做下一步决定 | |
| Reflection / Self-Reflection | /rɪˈflekʃn/ | 反思 / 自我反思 | Agent 做完一步后"停下来复盘"：刚才做得对不对？下一步要不要改方向？ |
| MCP (Model Context Protocol) | /em siː piː/ | 模型上下文协议 | 2025 年 Anthropic 推出的开放协议：让所有 AI IDE/Agent 能统一调用外部工具和数据源 |
| Workflow | /ˈwɜːrkfloʊ/ | 工作流 | Agent 按固定流程跑的一套步骤（比如"生成→审查→修改→测试→部署"），比完全自由的 Agent 更稳 |
3.4 部署 / 性能 / 评估
| 英文术语 | 发音 | 中文译法 | 一句话讲懂 |
|---|---|---|---|
| Quantization | /ˌkwɒntəˈzeɪʃn/ | 量化 | 把模型权重从高精度（FP16，每个数 2 字节）压成低精度（INT4，4 bit）→ 体积小 4-8 倍、速度快、精度损失不大 |
| FP16 / BF16 / FP8 / INT8 / INT4 | 各种数值精度 | 训练一般 BF16/FP16，推理一般 INT8/INT4 量化 | |
| KV Cache | KV 缓存 | 推理优化：同一次对话里，前面的词不用每次都重算，缓存起来→后面回复生成更快 | |
| Throughput | /ˈθruːpʊt/ | 吞吐量 | 一秒能处理多少请求/输出多少 Token（越大越好） |
| Latency | /ˈleɪtənsi/ | 延迟 | 从发请求到收到第一个字/最后一个字的时间（越小越好，首 Token 延迟最影响体感） |
| TTFT / TPOT | /tiː tiː ef tiː/ | 首字延迟 / 每字延迟 | Time To First Token（打字机第一个字出来要多久）、Time Per Output Token（之后每个字要多久） |
| vLLM / TensorRT-LLM / SGLang | /viː el el em/ | 推理引擎 / 推理框架 | 专门把大模型跑快的框架：比原生 PyTorch 快 5-20 倍 |
| Speculative Decoding | /ˈspekjələtɪv/ | 投机解码 | 推理加速：用一个小模型先"猜"后面几个字，大模型验证→猜中了一次输出 N 个字，速度翻倍 |
| Benchmark | /ˈbentʃmɑːrk/ | 基准测试 | MMLU（通用知识）、GSM8K（小学数学）、HumanEval（代码生成），用来客观比哪个模型好 |
| Evaluation / Eval | /ɪˌvæljuˈeɪʃn/ | 评估 | 评测模型效果：用固定数据集跑，看正确率/幻觉率/工具调用成功率 |
| A/B Testing | /eɪ biː ˈtestɪŋ/ | A/B 测试 | 两个模型版本/两个 Prompt 方案，各分一半流量跑，看哪个指标更好 |
四、AI 论文阅读高频词（不读论文可以跳过，但查资料时会遇到）
4.1 论文结构词（每篇论文都有这几段）
| 英文章节 | 发音 | 中文对应 | 里面讲什么 |
|---|---|---|---|
| Abstract | /ˈæbstrækt/ | 摘要 | 整篇论文做了什么、效果怎么样，300 字内读完决定要不要看全文 |
| Introduction / Intro | 引言 | 背景问题是什么、之前方法有啥缺点、我这篇论文的核心贡献（3~5 点 Contribution） | |
| Related Work | 相关工作 | 之前别人做过什么研究，和我的方法区别在哪 | |
| Methodology / Approach / Method | /ˌmeθəˈdɒlədʒi/ | 方法论 / 方法 | 论文核心：我提出的算法/模型/训练方式，一般有架构图和公式 |
| Architecture | /ˈɑːrkɪtektʃər/ | 模型架构 | 我这个模型具体长什么样，分哪些模块（Encoder/Decoder 之类） |
| Experiments / Experimental Setup | /ɪkˈsperɪmənts/ | 实验 / 实验设置 | 在什么数据集上跑的、用了什么超参数、和谁对比、用什么指标评估 |
| Dataset / Corpus | /ˈdeɪtəset/ | 数据集 / 语料库 | 训练和测试用的数据，多大、怎么收集的、是否公开 |
| Baseline | /ˈbeɪslaɪn/ | 基线 / 对照组 | 之前最好的方法，我要超过它（不超 baseline 说明论文没价值） |
| Ablation Study | /əˈbleɪʃn/ | 消融实验 | 我的方法里拆了零件一个个测：不用 A 掉多少分、不用 B 掉多少分→证明每个零件都有用 |
| Results | 结果 | 一堆表格：我的方法 vs 基线 vs 其他论文，我的排第几 | |
| Analysis / Case Study | /əˈnæləsɪs/ | 分析 / 案例分析 | 深入看：什么样的样本我做得好、什么样的做不好、为什么 |
| Limitation / Limitations | /ˌlɪmɪˈteɪʃn/ | 局限性 | 我这方法的缺点（每篇诚实的论文都写，没写的要警惕）：什么场景不行、什么数据上不好 |
| Conclusion / Conclusion and Future Work | /kənˈkluːʒn/ | 结论 / 未来工作 | 总结我做了啥，以后还能怎么改进 |
| References | /ˈrefərənsɪz/ | 参考文献 | 引用了哪些之前的论文 |
| Appendix | /əˈpendɪks/ | 附录 | 太长塞不下的细节：超参数表、更多例子、数据处理流程 |
4.2 论文里描述效果的高频词
| 英文说法 | 发音 | 中文意思 | 什么时候出现 |
|---|---|---|---|
| Outperforms / SOTA | /ˌaʊtpərˈfɔːrmz/ | 超过 / 达到新最优（State-of-the-Art） | 我的方法比目前所有公开方法都好=SOTA，作者最骄傲的句子 |
| Achieves new SOTA on X | 在 X 数据集上达到新最优 | — | |
| On par with / Comparable to | 与…相当 / 差不多 | 我的效果和最强基线差不多，但我更省/更快 | |
| Significant improvement over baseline | /sɪɡˈnɪfɪkənt/ | 比基线有显著提升 | 结果表格里带星号=统计学显著 |
| Marginal improvement | /ˈmɑːrdʒɪnl/ | 微弱提升 | 提升不大，聊胜于无 |
| Consistent improvement across all benchmarks | 所有测试集上都稳定提升 | 不是只在某一个数据集上好（过拟合那数据集） | |
| Trade-off between A and B | /treɪd ɒf/ | A 和 B 之间的权衡 | 我牺牲了一点精度，换来了速度翻倍→工程里有价值 |
| Robust to X | /roʊˈbʌst/ | 对 X 有鲁棒性 / 抗 X 干扰 | 加噪声/改输入后效果不怎么掉=鲁棒 |
| Generalize well | /ˈdʒenrəlaɪz/ | 泛化能力好 | 在训练数据集上学到的规律，拿到"从没见过的数据集"上也管用 |
| Overfit | /ˌoʊvərˈfɪt/ | 过拟合 | 训练集上 99 分，测试集上 60 分→死记硬背训练集了，没学到真规律 |
| Underfit | /ˌʌndərˈfɪt/ | 欠拟合 | 训练集都没学好，60 分，模型太小/数据太少 |
| Converge | /kənˈvɜːrdʒ/ | 收敛 | 训练到后面 loss 不再降了、效果不再涨了=收敛了 |
五、AI 产品界面常见术语（Cursor/Claude/ChatGPT 文档里的）
| 英文 | 发音 | 中文 | 典型产品/场景 |
|---|---|---|---|
| Project-level / User-level | 项目级 / 用户级 | Custom instructions 分这两级，项目级覆盖整个代码库的规则 | |
| Repo-map / Codebase map | /ˈriːpoʊ mæp/ | 代码库地图 | Agent 读代码前先画一张代码库结构地图，避免瞎找文件 |
| Apply / Reject all | 全部应用 / 全部拒绝 | AI 改了一堆代码，你选全接受还是全拒绝 | |
| Inline suggestion | 行内建议（灰字） | Copilot 在你光标后面灰字提示，Tab 一键接受 | |
| Diff view / Side-by-side diff | /saɪd baɪ saɪd/ | 差异对比 / 并排对比 | 左边原代码、右边 AI 改后的代码，一目了然看改了什么 |
| Pinned files / @-mention files | /pɪnd/ | 钉选文件 / @引用文件 | 对话里 @ 某个文件，强制 AI 读它作为上下文 |
| Knowledge / Connected sources | 知识库 / 连接数据源 | Claude Projects 里连 Google Drive/Notion，AI 就能读你这些外部文件 | |
| Rate limit | 速率限制 | 付费版也有上限：1 小时最多问 X 次，超了会被限流等一会儿 | |
| Usage cap | 用量上限 | Pro 版 1 个月用多少 Token / 多少次高级模型，超了降级到便宜模型 | |
| Slash commands | /slæʃ/ | 斜杠命令 | /help、/review、/clear 这些，在 Claude Code、Cursor Composer 里 |
| Plan mode / Approval mode | 计划模式 / 审批模式 | AI 先做计划，你点"批准"它才动手改文件/执行命令，防止瞎搞 | |
| Sandbox / Sandboxed execution | /ˈsændbɒks/ | 沙箱执行 | AI 跑代码/命令在隔离的环境里，弄不坏你电脑（Claude Code 就是） |
| Permissions (Allow / Deny / Always allow) | 权限（允许/拒绝/总是允许） | AI 想执行一个命令，弹窗问你：这次允许？每次都允许？还是拒绝？ |
使用建议
- 写 Prompt 用动词开头，形容词结尾：动作（Explain/Summarize）+ 任务对象 + 格式要求 + 形容词（concise/actionable/step-by-step），结构越固定 AI 理解越准。
- RAG/Agent 工程词要认识：做 AI 应用的，Chunk/Embedding/Vector DB/Reranker/Tool Use/CoT 这 10 个词是基础，面试必问。
- 论文不用全读：先读 Abstract→看 Results 表格→看 Limitation→决定要不要看 Method，别从第一字读到最后一字，99% 的论文不值得。