AI Agent 是能代表用户自主执行任务的系统。它通过感知规划行动闭环进行动态推理，并按需调用工具，适合理解客服、办公和业务流程自动化应用。

AI Agent 记忆机制是让智能体存储和回忆经验的能力。通过工作记忆、事实记忆等组织跨会话上下文，帮助多轮任务和 Coding Agent 减少重复输入、提升执行效率。

AI Agent 核心组件是支撑智能体感知环境、规划决策并执行任务的模块集合。本文梳理感知-决策-执行循环，说明大模型、工具和记忆如何协同，帮助判断适用场景。

负责任 AI 是安全、道德、可信地建设 AI 系统的方法，通过公平性、问责制、安全性和隐私性等维度约束设计、评估与部署，适合团队在具体使用场景中识别风险、建立治理边界。

RAG 与企业知识库保护是围绕检索、语料库管理和生成回答的安全治理。通过文件管理、平台安全能力、隔离与共享设计，帮助企业稳妥建设企业知识问答助手。

AI Agent 构建是把基础模型、目标规划和工具调用组织成可执行应用。说明 ReAct 模式、上下文管理与框架选型，帮助开发者从业务痛点落地智能体项目。

AgentOps 与 Agent 编排是智能体应用落地中的两类能力。前者关注全生命周期管理与运行监控，后者组织工具调用和任务执行，适合构建可评估的智能体应用。

AI 安全是用 AI 提升防护能力并保护 AI 系统的安全实践。它覆盖 AI 生命周期安全、威胁检测、分层防御、模型验证和安全护栏，适合技术与安全团队判断企业 AI 应用落地重点。

AI 数据隐私与版权风险是生成式 AI 摄取敏感信息和训练素材时产生的合规问题。说明数据来源、隐私影响评估与治理清单，帮助团队降低泄露和授权争议。

大模型推理成本优化是在生产环境提升模型效率、控制资源与 token 消耗的方法。通过模型压缩、量化、prompt 压缩和 RAG 知识库降本，帮助团队平衡成本、延迟与质量。

AI 爬虫管理是对模型训练和 AI 应用抓取行为的识别、放行与限制。通过可见性监测和 robots.txt 访问控制表达边界，适合需区分合作伙伴爬虫的团队。

Shadow AI 是未经 IT 批准或监督的 AI 工具使用。它常出现在个人生成式 AI、AI SaaS 与浏览器扩展中。帮助企业识别风险、建立审批与使用边界。

文本生成与文本摘要是利用 NLP 将输入信息生成自然语言或压缩为摘要的技术。文章说明核心流程、抽取式摘要与抽象式摘要差异，并帮助判断文档、问答和对话场景中的适用边界。

计算机视觉是让计算机理解图像和视频并提取信息的 AI 子领域。它通过机器学习、深度学习等方法支持图像识别、OCR，帮助判断计算机视觉应用场景。

大模型可观测性指标用于理解模型与 Agent 应用运行状态。通过延迟、令牌使用量、错误率和 CPU/GPU 使用率监控性能，并结合 Span 评测集支撑排障与改进。

代码沙盒与安全执行环境是隔离运行代码的安全机制。它通过文件和网络访问边界控制影响范围。适用于安全测试、AI 代码执行和应用隔离。

图像识别与 OCR 区别主要在处理目标。OCR 检测并提取图片、扫描件或纯图像 PDF 中的文字，转为可编辑文本，用于判断文字提取场景怎么选。

GPU、NPU 与 AI 加速器区别在于并行处理、AI 专用化与任务匹配。本文说明 AI 推理阶段、OpenCL 加速和功耗与性能平衡，帮助按场景选择加速硬件。

模型漂移是数据或输入输出关系变化导致模型性能下降的现象。模型漂移检测关注分布与性能变化，帮助理解数据漂移、概念漂移检测、机器学习监控和上线后模型调整。

多模态 AI 是处理并整合文本、图像、音频、视频等信息的机器学习模型。它通过特征提取与模态融合关联上下文，适合图片生成文字回复、视频告警和多模态 RAG 入门。

大模型推理加速方法是降低文本生成等待与资源压力的工程手段。涵盖量化推理、批量推理和参考文本加速，帮助开发者判断实时对话、模型评测与数据标注取舍。

LoRA 与 QLoRA 是面向大语言模型的高效微调方法。LoRA 侧重低秩适应，QLoRA 通过低精度存储降低资源压力，适合按显存、速度和模型尺寸选择方案。

单 Agent 与多 Agent 系统对比帮助判断任务该由一个还是多个智能体完成。围绕共享环境、角色职责和配置转交关系，说明原理差异与 AI Agent 架构选型。

AI Agent 通信协议用于规范智能体与工具、数据和其他智能体的连接。本文解释 MCP 与 A2A 最大区别、互补关系和典型场景，帮助开发者判断协议选型。

OWASP 大模型应用十大安全风险是面向 LLM 应用的关键漏洞清单，覆盖提示词注入与不安全的输出处理，帮助团队评估敏感数据、权限边界和治理检查。

数据投毒是向训练数据注入恶意信息以操纵 AI 模型行为的攻击。它会削弱准确性、可靠性和安全性，帮助理解后门、偏见输出、欺诈识别失效与 LLM 触发短语投毒风险。

AI Agent 评测方法用于衡量智能体任务执行、决策和交互表现。说明轨迹评估、最终回答评估与智能体自动评测流程，帮助团队验证运行状态并比较方案。

语音转文字连接声音与文本，ASR 借助声学模型和语言模型识别音频；文字转语音将文本生成可听语音，适合理解会议记录自动整理、智能客服和无屏交互的基础流程。

多模态模型应用场景指模型把文本、图像、音频、视频等信息联合处理。文章梳理图像到文本、内容生成、图片分类与智能体接入，帮助产品和研发判断落地路径并合理选择模型。

MLOps 与 LLMOps 是模型生命周期运维方法。前者连接机器学习开发、部署与 CI、CD、CT，后者聚焦大语言模型管理，帮助团队判断适用场景和选型边界。

扩散模型是一类生成模型，常用于 AI 图像生成和计算机视觉。它通过加噪、噪点预测和反向扩散生成内容，帮助理解原理、应用与 Stable Diffusion 示例。

语音识别是将口语音频转换为文本的技术。通过接收音频流生成可读文本，支持实时语音转文本。适合听写、在线会议字幕、呼叫中心和智能助手等场景。

大模型部署是将训练好的模型投入生产环境的过程。通过模型选择、部署规格和副本数配置，创建可调用推理服务。适合了解云平台部署步骤和版本管理等工程关注点。

模型微调是用任务或场景数据继续训练预训练模型的方法。它在通用能力上做定向调整，使 LLM 更适配特定任务、领域表达和业务模型定制，帮助读者判断何时需要对 LLM 做微调。

模型量化、剪枝与蒸馏是三类模型压缩方法。对比降低精度、删除冗余结构和知识迁移机制，说明如何选择量化、剪枝或蒸馏，适用于快速部署、硬件适配与小模型精度保持场景。

模型生命周期是管理 AI 模型从数据准备、训练评测到部署监控的结构化迭代过程。说明模型注册、阶段推进、上线服务与运行监控，帮助团队建立可跟踪的闭环流程。

大模型幻觉是模型生成不准确或误导性内容的现象。梳理数据偏差、错误假设与评估激励机制，说明大模型幻觉缓解方法。适合技术团队在知识问答中识别风险、设计校验流程。

AI Agent 安全风险是智能体在自主规划、工具调用和内容生成中产生的威胁。涵盖提示词注入、工具说明注入与身份凭据管理，帮助企业评估 Agent 应用安全边界。

提示注入攻击是利用恶意提示操纵 LLM 的攻击方式。本文说明直接提示词注入与间接提示词注入的区别、识别信号和基础检查思路，帮助开发者理解生成式 AI 应用风险。

合成数据是由算法或仿真生成、用于模仿真实数据的信息。本文说明合成数据生成方式、数据形态及与真实数据的关系，帮助理解 AI 训练数据补充和敏感信息暴露风险控制。

对抗性机器学习是研究欺骗 AI 模型并识别脆弱性的领域。它常通过对抗样本扰动输入，让模型产生错误输出，帮助理解图像、音频、文本场景中的模型盲区与模型安全评估。

生成式 AI 主要应用场景是将内容生成、转换和改编能力用于具体任务。它基于数据模式生成文本、图像等内容，适合团队在企业写作、设计创作和虚拟模拟中评估落地。

AI 营销是用人工智能增强营销流程的方法。通过数据学习、预测分析和生成式 AI 支持内容生成、个性化全渠道体验与广告优化，适合营销团队规划应用边界。

AI 红队测试是通过对抗性探测发现模型和智能体安全风险的方法。它结合种子提示、攻击目标数据集与自动化评估，适合上线前检查、版本回归和攻击面识别。

AI 智能客服是利用人工智能理解咨询并自动交互的客服系统。通过知识库语义检索与受控任务执行，覆盖 7x24 咨询、错误码查询和公众号服务，降低重复答复压力。

AI 知识管理是用大模型和知识库管理企业文档、网页与结构化数据的方法。通过 RAG 先检索再生成，支持自然语言检索和智能问答。适合提升知识查阅、摘要与复用效率。

AI 在软件开发中的应用，是用生成式 AI 和 LLM 辅助设计、编码、测试与维护。围绕代码生成、错误修复、测试自动化和生成式 AI 应用开发流程，帮助团队判断落地场景。

AI 在数据分析中的应用，是用 LLM 和机器学习分析、解释数据。它能识别模式、趋势和异常，并通过数据分析智能体支持自然语言数据问答、完整性检查、代码生成和可视化。

AI 欺诈检测是在金融服务中用机器学习减少欺诈活动。它通过大型数据集、异常检测与行为分析识别可疑交易，并支持风控、KYC、AML 与人机协同流程。

AI 在销售中的应用，是用人工智能提升销售运营效率与有效性。它涉及意图识别、任务规划、工具调用和 RAG 销售助理知识整合，适合理解客户服务与产品推荐场景。