基本概念
Agent
Agent，即智能体，能够根据用户指令或预设规则自主执行任务。它通常具备一定的智能和决策能力，可以模拟人类的思考和行为模式，自动完成诸如信息检索、数据分析、任务调度等复杂操作。广泛应用于客服、自动化办公、数据分析等场景，Agent通过学习和优化不断提升自身性能，为用户提供高效、便捷的服务。
Prompt
Prompt，即提示词，是用户输入给AI模型（如大模型、生成式AI等）的指令、问题、描述或上下文信息，是模型理解用户需求、确定输出方向与内容的核心依据，可通过文字、代码片段、格式说明等形式，引导模型生成符合预期的结果（如回答、文本创作、代码编写等）。
插件
插件是一种用于扩展大模型功能的工具集合，让大模型与外部系统进行交互，快速扩展智能体能力，平台提供了丰富的内置插件，开箱即用。
工作流
工作流是指利用大模型的能力，结合自动化任务编排技术，通过可视化或代码方式连接多个AI模型、数据处理模块、逻辑判断节点等，实现复杂任务自动化执行的端到端流程。
节点
节点是构成整个流程的基本功能单元，可承载数据输入输出、任务执行（如调用大模型/插件）、逻辑判断（如条件分支）等单一或特定组合操作，是流程中信息流转和任务推进的关键落点。
变量
用于存储应用运行中需动态调整的参数。
提示词工程
提示词工程是通过设计、优化输入给AI模型的指令（提示词），引导模型更精准理解需求、生成符合预期的输出，以提升模型应用效果的优化手段。
大语言模型
大语言模型（Large Language Model，简称LLM）是基于海量文本数据训练而成、具备强大自然语言理解与生成能力的人工智能模型，其核心通过复杂的深度学习架构（如Transformer）捕捉语言中的语法、语义、逻辑及知识关联，可实现文本生成、问答、翻译、摘要、代码编写等多样化自然语言任务，能理解上下文并生成连贯、符合人类语言习惯的输出，是当前自然语言处理领域的核心技术之一。
记忆
记忆（Memory）是指通过技术手段让大模型在交互过程中“记住”历史信息（如用户过往提问、对话上下文、特定任务参数等），而非每次交互都从零开始理解，从而实现连贯的多轮对话、个性化需求适配（如记住用户偏好）或复杂任务的持续推进（如逐步完成文档创作、问题拆解）的能力，核心是解决大模型“短期上下文有限”和“长期信息留存”的问题，提升应用的交互流畅性与实用性。
Token
Token是指文本被分割后的最小语义单元。它可以是一个单词、一个标点符号、一个子词或一个特殊符号。
向量化模型
向量化模型是将文本数据转换为数值向量的过程。常用于将文本转换为机器可以处理的形式，以便进行各种任务，如文本分类、情感分析、机器翻译等。
向量化检索
向量化检索是一种在高维向量空间中查找相似向量的技术，广泛应用于自然语言处理、图像识别、推荐系统等领域。通过将数据转换为向量表示、建立高效的索引结构和使用相似度度量方法，向量化检索能够快速地找到与查询最相似的数据。
多模态模型
多模态模型是指能够处理多种类型数据（如文本、图像、音频等）的机器学习模型。这些模型可以将不同类型的数据进行融合和联合分析，从而实现更全面的理解和更准确的预测。多模态模型的应用非常广泛，例如，在图像识别中，可以将图像和文本信息结合起来，提高图像识别的准确性；在自然语言处理中，可以将文本和语音信息结合起来，提高文本语义理解的准确性。
