AI百科

思维链是大模型先写出中间步骤、再给出结论的回答方式。本文讲清它的定义和原理、与直接回答及推理模型的区别、哪些题型真正受益、步骤写得像模像样却依然出错的原因，适合想用好深度思考功能的普通读者。

注意力机制是大模型给上下文中每个词分配重要程度的计算方法。本文用查询、键、值的直白说法讲清它如何工作、多头注意力有什么用、它与记忆的区别，以及计算量随长度平方增长的限制，适合想弄懂 Transformer 原理的入门读者。

向量嵌入把文字、图片等内容变成一串数字坐标，意思越接近，位置越靠近。本文讲清它与Token、关键词检索的区别、相似度怎么算、它在RAG和语义搜索中的用法，以及换模型必须重建等限制，适合刚接触大模型检索的读者。

上下文窗口决定大模型一次能读入多少 Token，直接影响长文档处理和多轮对话的连贯性。本文讲清它的定义、与知识和记忆的区别、窗口满后的三种处理方式，以及长上下文、RAG 与分段处理各自的适用边界，适合刚接触大模型的读者。

RAG 让大模型先查资料再回答，专治知识过时和一本正经的胡编。本文讲清检索增强生成的定义、两步工作流程、与微调的边界、四个常见误解，以及它适合和不适合的场景。

温度参数（temperature）控制大模型生成回答时的随机程度。本文讲清它的定义、工作原理、与 top-p/top-k 的区别、四个常见误解和按场景选温度的实操建议，适合调用 API 或钻研提示词的入门读者。

微调是拿现成大模型用领域数据继续训练、把它变成行业专家的方法。本文讲清微调的定义、两种做法、与提示词工程/RAG/蒸馏的区别，以及何时值得做，适合想真正理解大模型训练的入门读者。

Transformer 是几乎所有大语言模型的底层架构。本文讲清自注意力机制如何工作、编码器与解码器的分工、它和 RNN/CNN 的本质区别，以及普通人用好大模型最该记住的三个边界，帮你从零建立对大模型的正确认知。

Token 是大模型处理文字的最小单位。本文讲清 Token 的定义、切分原理、与字词的区别，以及它如何决定 API 计费、上下文长度和生成速度，适合想真正理解大模型工作原理的入门读者。

大模型幻觉就是 AI 一本正经地编造事实。本文讲清它的成因、常见类型和三大误解，教你用检索增强、提问约束、交叉核验三招把风险降到最低，适合每天用 AI 查资料、写报告的读者。