AI 医疗应用是把机器学习等技术用于医疗数据和流程。它可支持医疗 AI 智能体、图像和信号分析、文档记录与虚拟筛选，帮助医疗团队判断适用场景、流程接入和落地边界。

KV Cache 是 Transformer 自注意力中的推理优化技术。它缓存已生成的 K、V 向量，以存储换计算，适合理解 LLM 推理加速、缓存复用与外部存储边界。

Temperature 是调节大模型输出随机性的生成参数。它影响模型按概率分布预测下一个词，了解代码生成温度设置和数据抽取取值示例，有助于按任务平衡稳定性与变化空间。

AI 人力资源应用是用算法、机器学习和智能系统改造 HR 流程。它可处理重复任务、辅助内容生成并释放管理时间，适合招聘、入职引导与个性化培训。

AI 项目 ROI 是衡量企业 AI 投入与合格产出的关键指标。通过定义产出、记录上线前基线，并对照财务收益、运营效率和支出透明度，帮助判断项目是否值得规模化。

Attention 机制是一种让模型关注输入关键信息的技术，通过权重分配表达数据关联，并解释自注意力机制如何工作，适合入门 Transformer 与深度学习应用。

AI 幻觉是生成式 AI 输出看似合理却错误或误导内容的现象。说明常见表现、数据不足、错误假设和数据偏差等成因，适合问答、摘要和知识检索中的事实核查。

Cosine Similarity 是用向量夹角余弦值衡量相似度的方法。它关注方向而非长度，适合理解文本相似度、推荐系统相似匹配，以及高维数据中的方向比较。

Few-shot Learning 是用少量标记示例让模型学习新任务的方法。本文梳理支持集、快速适应机制及与 Zero-shot、One-shot 的区别，帮助判断数据不足场景。

Fine-tuning 是在预训练模型基础上继续训练的方法。它通过特定任务或领域数据调整模型行为，梳理大模型微调原理、应用场景与提示词示例选择边界。

Tokenizer 是将文本转换为模型可处理数据的核心组件。它通过分词、词汇管理和编码，把文本变成 tokens 或数字形式，帮助理解文本到模型输入的基本过程。

AI 在 IT 运维中的应用，是用机器学习、自然语言处理和大数据分析辅助管理 IT 系统，围绕异常检测、事件关联和流程自动化提升运维效率与质量。

AI 在制造和供应链中的应用，是从订单、库存、物流等数据中学习规律，支持端到端流程自动化、库存可见性与供需平衡，帮助判断落地场景。

Chain-of-Thought 是一种提示工程方法。它引导模型展示推理过程，将复杂任务拆成逻辑步骤并生成中间推理步骤，适合理解数学推理、关系推理等任务。

Top-p 是大模型生成文本时用于核采样的参数。它按累计概率阈值动态筛选候选词，帮助理解 Top-p 与 Top-K 区别，以及输出随机性与稳定性的取舍。

RLHF 是利用人类反馈优化机器学习模型的方法。它通过奖励模型学习人类偏好，并结合强化学习改进输出，常用于大模型人类偏好对齐、对话、文本摘要与自然语言理解。

Prompt Template 是将提示词固定结构与动态变量分离的模板方法。它通过指令、角色、示例和输入占位组织上下文，适合构建可复用、易维护的 LLM 或智能体工作流。