行业知识 · v2.3.0 · 资料核对 2026-10-03

AI 产品与项目经理术语词典

在交互知识库中阅读下载 Markdown 原文

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。