跳到主要内容

AI Agent 学习术语表

随着 AI Agent 相关内容越学越多，很容易出现一个问题：

每个词好像都看过，但真正放在一起时，边界开始模糊。

这篇术语表的目标，就是帮你把 Agent 学习里最常见的一批词快速对齐。

它不会追求百科全书式的冗长解释，而更偏：

  • 一句话解释
  • 必要时快速区分
  • 帮你建立清晰边界

1. 架构与系统类​

Agent​

围绕目标做多步决策、调用工具、读取结果并持续推进任务的系统。

Workflow​

由工程师预先定义好的执行流程，路径通常比较固定。

Orchestration​

系统如何组织模型、工具、状态和流程的方式。

Planner​

负责决定任务怎么拆、下一步做什么的部分。

Execution Loop​

Agent 在运行中不断重复的回路，例如：

Plan -> Act -> Observe -> Update -> Continue or Stop

Single-Agent​

一个 Agent 负责整个任务。

Multi-Agent​

多个 Agent 分工协作，共同完成一个任务。

2. Prompt 与 Context 类​

Prompt​

你给模型的具体指令或输入表达。

Prompt Engineering​

围绕 prompt 的写法、示例、约束和输出结构进行优化的方法。

Context​

模型本次调用时真正能看到的全部信息包。

Context Engineering​

围绕上下文选择、组织、裁剪、增强和更新的方法体系。

System Prompt​

用于定义模型角色、边界和长期行为规则的高优先级指令。

Few-shot​

通过给模型示例，让它照着示例的模式完成任务。

Structured Output​

要求模型按 JSON 或其他结构化格式输出，便于程序稳定解析。

3. 知识与检索类​

RAG​

Retrieval-Augmented Generation，先检索相关知识，再基于检索结果生成答案。

Retrieval​

从知识源里找出和当前问题相关内容的过程。

Chunking​

把文档切分成适合检索的片段。

Embedding​

把文本转换成向量表示，用于语义检索。

Rerank​

对检索出来的候选结果再次排序，提升相关性。

Grounding​

让回答尽量建立在明确证据和给定资料之上，而不是凭空生成。

4. 工具与行动类​

Tool Use​

让模型决定是否调用外部工具来获取数据或执行动作。

Function Calling​

模型以结构化方式生成函数名和参数，由系统执行真实动作。

Tool Schema​

工具的结构化定义，包括名称、用途、参数与返回约束。

Observation​

工具执行后返回给 Agent 的结果或反馈。

Action​

Agent 在某一步决定采取的动作，比如调用某个工具。

5. 状态与记忆类​

State​

当前任务进行中的工作状态。

Memory​

跨任务、跨轮次可复用的长期信息。

Session Memory​

当前会话内持续有效的信息。

Long-term Memory​

跨会话保留的稳定背景、偏好或长期记录。

State Update​

每执行一步之后，系统对当前任务状态做的更新。

6. 规划与推理模式类​

ReAct​

Reason + Act 风格的模式，常见节奏是：

Thought -> Action -> Observation

Plan-and-Execute​

先整体规划，再逐步执行的模式。

Router​

先判断任务该走哪条路径、交给哪类流程或哪个 Agent 的分流机制。

Reflection​

系统在输出前后做一轮自查或反思，以发现遗漏或错误。

Tree-of-Thought​

同时探索多个候选推理路径，再进行筛选和比较的思路。

7. 评估与质量类​

Evaluation / Evals​

用系统化方法判断模型或 AI 系统在任务上的表现是否真的有效。

Task Set​

一组稳定的测试任务，用于持续跑系统并比较版本表现。

Regression​

验证新改动有没有让旧问题复发或让已有能力退化。

Completion Rate​

任务完成率，衡量系统最终完成目标的比例。

Groundedness​

回答是否真正基于提供的证据或资料。

8. Harness 与观测类​

Harness​

围绕任务运行、轨迹记录、评估分析和版本对比建立起来的工程支架。

Trace​

一次运行过程中每一步决策、动作、结果和状态变化的记录。

Observability​

让系统运行过程可看见、可追踪、可复盘的能力。

Run Log​

单次运行的结构化记录，包括配置、步骤、结果等。

Stop Reason​

Agent 为什么停止，例如任务完成、最大步数、失败中止等。

9. 风险与治理类​

Guardrails​

为 Agent 设置的边界、约束和保护机制。

Human-in-the-Loop​

在关键风险节点把人纳入控制闭环的设计。

Fallback​

当系统失败、超限或不适合继续自动执行时的降级路径。

Risk Level​

某个动作或任务的风险等级，例如低、中、高。

10. 几组最容易混淆的词​

Prompt vs Context​

  • Prompt：更偏“怎么说”
  • Context：更偏“给什么信息环境”

Workflow vs Agent​

  • Workflow：路径主要由工程师提前定义
  • Agent：路径更多由模型在运行时决定

State vs Memory​

  • State：当前任务正在进行中的状态
  • Memory：长期保留、可复用的信息

RAG vs Memory​

  • RAG：按需从外部知识源检索
  • Memory：系统长期保留的信息

Evals vs Harness​

  • Evals：定义怎么评估
  • Harness：组织任务运行、记录、比较和回归的工程框架

Observability vs Harness​

  • Observability：更偏单次运行如何看清
  • Harness：更偏多次运行如何系统比较和验证

11. 一句话总结​

学 AI Agent 时，真正重要的不只是记住名词，而是：

知道每个词在系统里解决什么问题，以及它和相邻概念的边界在哪里。

当这些边界逐渐清楚时，你对 Agent 的理解就会从“听过很多词”变成“开始有系统感”。