# AI 产品与项目经理术语词典 > 术语采用“产品能用的解释”，不是严格数学教材。英文缩写保留，便于与论文和技术团队沟通。 ## AI 与机器学习基础 - **AI（Artificial Intelligence）**：让机器产生预测、内容、推荐、决策或动作的技术总称。 - **ML（Machine Learning）**：从数据学习模式，而非为每种情况手写规则。 - **Deep Learning / DL**：用多层神经网络学习复杂表示的机器学习方法。 - **Neural Network**：由可学习参数和非线性变换组成的函数系统。 - **Parameter**：训练中学习到的模型权重；数量不是产品质量的充分条件。 - **Feature**：模型用于预测的输入表示；可人工设计或自动学习。 - **Label / Ground Truth**：训练或评测时作为目标的答案；也可能带偏见或不确定。 - **Supervised Learning**：用带标签样本学习输入到输出。 - **Unsupervised Learning**：在无显式标签数据中发现结构。 - **Self-supervised Learning**：从数据本身构造学习目标，基础模型预训练常用。 - **Semi-supervised Learning**：少量标签结合大量无标签数据。 - **Reinforcement Learning / RL**：Agent 通过环境反馈/奖励学习策略。 - **Reward**：RL 中鼓励行为的信号；设计不好会导致奖励黑客。 - **Inference**：用已训练模型处理新输入，亦称推理/预测阶段。 - **Training**：用数据和优化方法调整模型参数。 - **Epoch**：训练数据完整被遍历一次。 - **Loss Function**：训练要最小化的误差目标，不等于最终业务价值。 - **Gradient Descent**：根据损失梯度迭代更新参数的方法家族。 - **Hyperparameter**：训练前/外部设定的配置，如学习率、批大小。 - **Overfitting**：对训练/benchmark 表现好，真实新数据表现差。 - **Underfitting**：模型连基本数据模式都没学好。 - **Generalization**：在未见的合理新样本上仍有效。 - **Distribution Shift**：生产输入分布与训练/评测分布不同。 - **Concept Drift**：输入与正确结果之间的关系随时间改变。 - **Calibration**：预测置信与真实正确概率匹配程度。 - **Deterministic System**：相同输入和状态通常产生确定输出的系统。 - **Probabilistic System**：输出带统计不确定性或采样随机性的系统。 - **Classification**：从有限类别中选择，如意图/风险类型。 - **Regression**：预测连续数值，如需求量。 - **Ranking**：给候选排序，如搜索和推荐。 - **Clustering**：在无标签情况下按相似性分组。 - **Anomaly Detection**：识别偏离常态的样本。 - **Computer Vision / CV**：图像/视频理解与生成。 - **ASR**：Automatic Speech Recognition，语音转文字。 - **TTS**：Text-to-Speech，文字转语音。 - **OCR**：Optical Character Recognition，图像/扫描中的文字识别。 ## 基础模型与生成式 AI - **Foundation Model**：在广泛数据上预训练、可适配多任务的模型。 - **Generative AI / GenAI**：生成文本、图像、音频、视频、代码等内容的 AI。 - **LLM**：Large Language Model，以语言 Token 为主要输入输出的大模型。 - **Transformer**：依赖注意力机制的神经网络架构，现代 LLM 基础。 - **Attention**：根据上下文动态聚合其他位置的信息。 - **Token**：模型处理文本的基本单元；不等同于字或词。 - **Tokenizer**：把文本与 Token ID 相互转换的规则/模型。 - **Embedding**：把对象映射为向量，使语义相近对象在空间中接近。 - **Context Window**：单次推理可容纳的 Token 范围。 - **Pre-training**：在大规模数据上学习通用能力。 - **Post-training**：预训练后的指令、偏好和安全适配。 - **SFT**：Supervised Fine-Tuning，用示例进行监督微调。 - **RLHF**：Reinforcement Learning from Human Feedback，用人类反馈训练奖励/策略。 - **DPO**：Direct Preference Optimization，直接从偏好对优化模型的方法。 - **Fine-tuning**：用特定数据继续训练，调整模型行为。 - **PEFT**：Parameter-Efficient Fine-Tuning，只训练少部分新增/选定参数。 - **LoRA**：一种低秩参数高效微调方法。 - **Distillation**：让较小模型学习较大/教师模型的行为。 - **Quantization**：降低权重/激活数值精度以节省内存和计算。 - **Mixture of Experts / MoE**：每次只激活部分专家子网络的架构。 - **Multimodal Model**：同时处理文本、图像、音频、视频等模态。 - **Prompt**：给模型的指令、上下文、示例和输出要求。 - **System Prompt**：系统层高优先级指令；不是安全秘密或权限边界。 - **Few-shot / One-shot / Zero-shot**：给少量/一个/不给示例完成任务。 - **Chain-of-Thought / CoT**：引导产生中间推理步骤的提示/训练方法；外显步骤不等于真实内部机制。 - **Structured Output**：要求模型按 JSON Schema 等结构输出。 - **Temperature**：控制采样分布随机程度的参数。 - **Top-p / Nucleus Sampling**：只从累计概率达到阈值的候选中采样。 - **Hallucination**：生成不受事实或给定证据支持的内容。 - **Faithfulness / Groundedness**：输出主张是否由指定上下文/来源支持。 - **Sycophancy**：模型迎合用户观点，即使观点错误。 - **Refusal**：模型选择不回答；应同时评测正确拒答与误拒。 - **Guardrail**：限制、检测和处理不期望行为的一组控制，不是单一过滤器。 - **Model Routing**：按任务/风险/成本把请求分配给不同模型或流程。 - **Speculative Decoding**：用小模型草拟、大模型验证以加速生成的推理技术。 - **KV Cache**：复用注意力计算的缓存，影响推理性能和内存。 ## RAG 与搜索 - **RAG**：Retrieval-Augmented Generation，检索外部内容后辅助生成。 - **Corpus**：可被检索的文档/内容集合。 - **Chunking**：把文档切为可检索片段。 - **Metadata**：来源、标题、时间、权限、版本等描述信息。 - **Vector Database**：支持向量相似检索的存储/索引系统。 - **Semantic Search**：基于语义向量而非只匹配关键词的搜索。 - **BM25**：经典关键词相关性排序方法。 - **Hybrid Search**：组合关键词和向量检索。 - **Top-K**：返回得分最高的 K 个候选。 - **Reranker**：对初步候选进行更精细重排的模型。 - **Query Rewriting**：把用户问题改写成更适合检索的查询。 - **Query Decomposition**：把复杂问题拆为多个子问题检索。 - **Graph RAG**：利用实体关系/图结构进行检索与生成的系统模式。 - **Recall@K**：相关结果是否在前 K 个中被找回。 - **Precision@K**：前 K 个结果中有多少相关。 - **MRR**：第一个相关结果排名倒数的平均。 - **NDCG**：考虑相关程度和位置的排序质量指标。 - **Index Freshness**：索引与源知识更新同步程度。 - **ACL**：Access Control List，定义谁能访问什么；必须在检索层强制执行。 ## Agent 与工具 - **Agent**：基于目标和环境状态，动态选择工具并多步行动的系统。 - **Workflow**：由人预定义步骤/分支的流程，通常比开放 Agent 可控。 - **Tool / Function Calling**：模型按 Schema 请求外部函数/API。 - **Orchestrator**：管理模型、工具、状态、重试、策略和流程的编排层。 - **Planning**：把目标拆成步骤或选择下一动作。 - **Memory**：保存任务、会话或长期信息的机制。 - **State**：当前任务已知事实、步骤、结果和权限状态。 - **Reflection**：让系统分析先前结果并调整，但可能增加循环和成本。 - **Multi-agent System**：多个角色/Agent 协作的系统。 - **Human-in-the-loop / HITL**：人参与训练、审核、决定或执行的机制。 - **Human-on-the-loop**：系统自主运行，人监督并可干预。 - **Autonomy Level**：系统从建议到自主执行的权限等级。 - **Sandbox**：隔离、限制影响的执行环境。 - **Idempotency**：同一请求重复执行不产生额外副作用。 - **Compensating Transaction**：无法直接回滚时用反向动作补偿。 - **Circuit Breaker**：故障/超限时暂停调用，防级联失败。 - **Budget Guard**：对 Token、步骤、时间、金额等设硬上限。 - **MCP**：Model Context Protocol，一种连接 AI 应用与工具/数据源的开放协议；使用仍需权限和信任治理。 - **Agent Harness / Scaffold**：模型周围的状态、工具、控制、执行与验证环境；评测对象包括模型和这层系统。 - **Agent Control Plane**：管理身份、授权、策略、预算、审计、停止和恢复的控制层。 - **Delegation Chain**：从真实用户到服务/子Agent的委托记录，限定对象、动作、条件和期限。 - **CIMD**：Client ID Metadata Document；MCP 授权采用的客户端元数据机制，具体信任规则依协议与实现版本判断。 - **pass@k**：k 次尝试中至少一次成功的指标；适合可重试且能选择结果的任务。 - **pass^k**：k 次试验都成功的稳定性指标；需注明独立性、k 与估计方法。 ## 数据、评测与实验 - **TEVV**：Testing, Evaluation, Verification and Validation；测试、评估、验证与确认的组合实践。 - **Evaluation Contract**：事先约定任务总体、样本、指标、评分器、预算、门禁和允许结论。 - **Quality Budget**：约定期间允许的内容/任务质量退化额度，区别于技术可用性错误预算。 - **Metric Contract**：指标的事件、分子分母、去重、窗口、切片、来源与责任定义。 - **AI Impact Assessment**：评估系统对个人、群体与社会的预期及可预见影响。 - **AIMS**：Artificial Intelligence Management System，AI 管理体系。 - **GPAI**：General-purpose AI，通用人工智能模型；具体义务按法律角色与条款判断。 - **Cost per Successful Outcome**：达到预定义质量标准的成功结果单位成本，需声明费用边界。 - **Training/Validation/Test Set**：训练、调参与最终估计使用的不同数据切分。 - **Holdout Set**：严格隔离、避免调参污染的最终测试样本。 - **Golden Set**：经高质量确认、用于回归和验收的代表样本集。 - **Benchmark**：标准化比较任务/数据；不一定代表本产品场景。 - **Data Leakage**：答案、未来或测试信息意外进入训练/输入造成虚高表现。 - **Data Lineage**：数据从来源到变换、模型和输出的可追溯链。 - **Data Card**：描述数据来源、用途、组成、质量、限制和治理的文档。 - **Model Card**：描述模型用途、评测、限制和风险的文档。 - **System Card**：描述端到端 AI 系统、风险、控制和评测的文档。 - **Synthetic Data**：由程序/模型生成的数据；可补长尾，也会复制偏差和伪模式。 - **Active Learning**：优先标注最有信息量的样本。 - **Inter-annotator Agreement**：不同标注者的一致程度。 - **Accuracy**：正确预测比例。 - **Precision**：预测为正的样本里真为正的比例。 - **Recall / Sensitivity**：所有真正例中被找出的比例。 - **Specificity**：所有真负例中被正确排除的比例。 - **F1**：Precision 与 Recall 的调和平均。 - **False Positive / FP**：误报；把负例判成正例。 - **False Negative / FN**：漏报；把正例判成负例。 - **ROC-AUC**：跨阈值区分正负样本的排序指标。 - **PR-AUC**：Precision-Recall 曲线面积，正例稀少时常更有信息。 - **BLEU / ROUGE**：与参考文本词面重合的生成指标，不能单独代表正确性。 - **Pass@k**：生成 k 次时至少一次通过的概率，代码评测常见。 - **LLM-as-a-Judge**：用 LLM 按 Rubric 评输出，需人类校准。 - **Rubric**：评分维度、等级锚点和规则。 - **Red Teaming**：主动模拟滥用、攻击和极端失败。 - **Adversarial Example**：为诱导模型失败而构造的输入。 - **A/B Test**：随机把对象分到不同版本比较因果效果。 - **Shadow Mode**：系统处理真实流量但不影响用户或业务决定。 - **Canary Release**：先给极小流量发布，健康后逐步扩大。 - **Confidence Interval**：基于样本对总体指标不确定性的区间估计。 - **Statistical Significance**：观察差异由随机波动造成的可能性评估，不等于业务重要。 - **Guardrail Metric**：主指标改善时不可恶化的安全/质量/成本指标。 ## 工程与运营 - **API**：软件系统间交互的接口契约。 - **SDK**：封装 API 的开发工具包。 - **Schema**：数据字段、类型和约束定义。 - **Authentication**：确认“你是谁”。 - **Authorization**：确认“你能做什么”。 - **OAuth**：授权访问资源的标准框架。 - **Rate Limit**：单位时间允许的请求量限制。 - **Latency P50/P95/P99**：50%/95%/99% 请求不超过的延迟。 - **Throughput**：单位时间处理量。 - **SLA**：对客户的服务承诺及后果。 - **SLO**：内部设定的服务目标。 - **SLI**：测量 SLO 的具体指标。 - **Error Budget**：允许的不可靠额度，用于平衡发布与稳定。 - **Observability**：通过日志、指标、追踪理解系统内部状态。 - **Trace**：一次请求跨组件的完整执行链。 - **MLOps**：机器学习数据、训练、部署、监控和治理工程化。 - **LLMOps**：进一步管理 Prompt、RAG、模型 API、工具和生成评测。 - **Feature Store**：管理和复用 ML 特征的平台。 - **Model Registry**：记录模型版本、状态、元数据和发布的系统。 - **CI/CD/CT**：持续集成、交付/部署，以及机器学习中的持续训练。 - **Rollback**：恢复到先前已知良好版本。 - **Fallback / Degradation**：主方案失败时使用备用或降低功能。 - **RTO**：故障后目标恢复时间。 - **RPO**：可接受的数据丢失时间窗口。 - **Drift Monitoring**：监测数据、概念、知识或行为变化。 - **TCO**：Total Cost of Ownership，全生命周期总拥有成本。 - **Cost per Successful Task**：全链路成本除以成功任务，比每调用成本更接近价值。 ## 产品、商业与项目 - **AI PM**：对 AI 产品价值、体验、指标、风险和路线图负责的产品经理。 - **AI Project Manager**：对 AI 项目范围、进度、成本、质量、风险和验收负责的项目经理。 - **Product Owner / PO**：在 Scrum 中对产品目标和 Product Backlog 价值最大化负责的角色。 - **JTBD**：Jobs to Be Done，用户在特定情境想取得的进步/完成的任务。 - **Value Proposition**：目标用户为何选择该方案的价值主张。 - **North Star Metric**：代表持续用户价值的核心指标。 - **Vanity Metric**：看起来增长但难以说明真实价值的指标，如无人采纳的生成次数。 - **MVP**：验证最关键价值假设的最小可行产品，不是粗糙功能集合。 - **PoC**：Proof of Concept，证明某技术点可行，不等于可用/可运营产品。 - **Pilot**：在有限真实环境验证价值、采用、风险和运营。 - **Product-Market Fit / PMF**：产品对一类市场产生持续强需求的状态，不由单一指标宣告。 - **Unit Economics**：以用户/任务/订单等单位衡量收入价值与变动成本。 - **ROI**：投资回报，需说明时间、现金流和关键假设。 - **Build/Buy/Partner**：自建、采购或合作交付的战略选择。 - **Vendor Lock-in**：切换供应商的技术、数据、合同或能力成本过高。 - **Roadmap**：展示目标、结果、假设和投资顺序的方向计划，不是日期承诺表。 - **Backlog**：按优先级管理的待办/机会/实验集合。 - **User Story**：从用户价值描述需求的格式，不替代完整约束和验收。 - **Acceptance Criteria**：判断需求是否满足的可验证条件。 - **Definition of Done / DoD**：一项工作被视为完整所需的统一质量条件。 - **Project Charter**：授权项目并定义目标、范围、角色和治理的章程。 - **WBS**：Work Breakdown Structure，以交付物分解项目工作。 - **Milestone**：无持续时间的关键证据/决策事件。 - **Critical Path**：决定最早项目完成日期的最长依赖路径。 - **RACI**：Responsible/Accountable/Consulted/Informed 责任矩阵。 - **RAID**：Risk/Assumption/Issue/Dependency 台账。 - **Risk Appetite**：组织愿意承担的风险类型和程度。 - **Residual Risk**：控制实施后仍剩余的风险。 - **Change Control**：评估、批准并追踪基线变更的机制。 - **Stage Gate**：进入下一投资/风险阶段前的证据和批准门。 - **ADR**：Architecture Decision Record，架构选择及理由记录。 - **Runbook**：处理运行事件、降级、回滚和恢复的操作手册。 - **Postmortem**：对项目/事故结果进行无责根因分析和行动追踪。 ## 安全、隐私与治理 - **Responsible AI / Trustworthy AI**：强调公平、透明、安全、隐私、问责等的治理实践集合。 - **AI Governance**：组织控制 AI 目的、责任、风险、证据和生命周期的机制。 - **AI Inventory**：组织全部 AI 系统及其所有者、用途、风险和状态清单。 - **DPIA / PIPIA**：数据/个人信息保护影响评估。 - **PII / Personal Information**：可识别或关联自然人的信息；具体定义依法域。 - **Sensitive Personal Information**：泄露/滥用更可能造成损害、需更强保护的个人信息。 - **De-identification**：降低数据与个人直接关联的方法，不保证绝对匿名。 - **Data Minimization**：只收集完成明确目的所必要的数据。 - **Purpose Limitation**：数据只用于明确、合法、相容的目的。 - **Data Retention**：数据保存时长与删除规则。 - **Prompt Injection**：攻击者通过输入让模型偏离可信指令。 - **Indirect Prompt Injection**：恶意指令藏在网页、邮件、文档等外部内容中。 - **Jailbreak**：绕过模型安全策略的输入/交互方法。 - **Data Poisoning**：恶意修改训练、检索或反馈数据影响系统行为。 - **Model Extraction**：通过查询等手段复制模型能力/参数信息。 - **Membership Inference**：推断某条数据是否在训练集中。 - **Least Privilege**：只授予完成任务所需的最低权限。 - **Defense in Depth**：使用多层独立控制，避免单点失效。 - **Threat Model**：系统化识别资产、攻击者、路径、影响和控制。 - **Content Provenance**：记录内容来源和变更历史。 - **Watermarking**：向内容加入可检测标记；可能被破坏，不能单独证明真伪。 - **Human Oversight**：有能力、有时间、有证据且有权干预的人工监督。 - **Automation Bias**：人过度依赖自动结果。 - **Explainability**：让相关人理解影响结果的因素或系统行为。 - **Transparency**：披露 AI 使用、能力、限制、数据/过程和责任的适当信息。 - **Accountability**：明确谁对系统行为和补救负责并能提供证据。 - **Algorithmic Impact Assessment**：部署前评估算法对人、权利和社会影响。 - **Algorithm Filing/备案**：在特定法规情形向主管部门提交算法相关信息；不等于产品免检。 - **AI-generated Content Labeling**：对生成合成内容提供可见或机器可读标识。 如果一个术语在项目里仍有歧义，把它写进项目“术语与口径表”，并指定 Owner。统一定义往往比再开一次会更有效。