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。