在 LLM（大语言模型）应用开发领域，理解核心专有名词是构建高效应用的基石。以下是基于来源提供的详细名词解释：

1. 核心模型概念

• LLM (Large Language Model，大语言模型)：一种基于深度学习技术的人工智能模型，由数亿计参数的神经网络组成。它通过在海量无标签文本上进行自监督或半监督学习，改变了以往必须针对特定任务（如翻译、问答）进行专门标注训练的模式。现在，开发者可以基于大模型通过“微调”来实现特定功能。

• GPT (Generative Pre-trained Transformer，生成型预训练变换模型)：由 OpenAI 开发，其核心是通过预测下一个单词或字符来学习语言规律。在当前环境下，GPT 与 LLM 的概念非常接近，几乎可以等价看待。

• AIGC (AI Generated Content，AI 生成内容)：指通过 AI 技术生成文字、图像、视频、音频等内容的生产方式。它是 AI 大模型具备泛化能力的具体体现，而 ChatGPT 只是 AIGC 在聊天场景下的一个应用。

• AGI (Artificial General Intelligence，人工智能通用智能)：AI 发展的终极目标，指能够像人类一样理解、学习和应用广泛知识与技能的系统。它与 AIGC 的区别在于，AGI 不仅能生成内容，还能思考和处理各种复杂问题。

2. 交互与计量单位

• Prompt (提示词)：目前人类与大模型交互的核心方式。它是一段引导模型生成回答的文本或问题。尽管目前底层多将语音、视频等输入转换为文本 Prompt 传递给模型，但未来模型可能直接读取多模态数据。

• Token (文本基础单元)：大模型处理文本的基本单位，可以是单词、字符或子词。模型上下文长度（如 GPT-4 的 16K）是基于 Token 计算而非字符。

    ◦ 差异性：在英文中，一个单词通常等于一个 Token；但在中文中，一个汉字大约等于 1.5 个 Token。

3. 开发与优化技术

• Agent (智能体/智能代理)：一种能够自主感知环境并采取行动以实现特定目标的计算实体。

    ◦ 实例：智能驾驶系统就是一个 Agent，它感知环境（红绿灯、车辆）、规划路径并主动驾驶，以达到安全抵达目的地的目标。相比之下，AGI 具备广泛适应性，而目前的 Agent 通常用于完成特定目标。

• LoRA (Low-Rank Adaptation，插件式微调)：一种高效的个性化定制技术。它通过将模型的权数矩阵分解为低秩相似矩阵，仅调整一小部分参数（通过适配器实现），从而在大幅降低计算成本和存储要求的同时，达到接近全参数微调的效果。

• 数据蒸馏 (Data Distillation)：将原始大数据集的知识“浓缩”到小型数据集中。利用蒸馏后的数据训练模型，可以在缩短训练时间、降低成本的同时，保持与原始数据训练相近的效果，并提高模型的鲁棒性。

4. 数据存储

• 向量数据库 (Vector Database)：专门用于存储和管理向量数据（如图像、视频、文本的嵌入表示）的数据库。与传统数据库不同，它能通过“嵌入”方式实现非结构化数据之间的相似性对比（如两张图片的对比），广泛应用于人脸识别和智能推荐领域。

比喻理解： 如果把开发 AI 应用比作烹饪，那么 LLM 就像是一个掌握了所有基本烹饪技巧的“名厨”；Token 是切碎的“食材颗粒”；Prompt 是你给厨师下的“菜谱指令”；LoRA 像是给厨师配了一个“特定风味调料包”（如川菜包），让他能快速做出特定口味；而向量数据库则是那个能通过味道（非结构化特征）快速找到食材的“超级冰箱”。