AI 陪伴与自部署的关键概念,一页讲清
评测文章和文档里反复出现的那些词——LLM、RAG、BYOK、上下文窗口……每条术语一页通俗解释,并链接到相关的深入内容。
大语言模型(LLM)
通过海量文本训练出的 AI 模型,能理解和生成自然语言,是 AI 陪伴、AI 助手等产品背后的核心引擎。
查看释义AI 陪伴(AI Companion)
以长期关系为核心的 AI 应用形态:角色有人设、有记忆、会主动联系你,而不是问一句答一句的工具。
查看释义长期记忆(Long-term Memory)
让 AI 跨会话、跨数月记住关键事实的机制——靠结构化存储与检索实现,而不是把全部历史塞进上下文窗口。
查看释义上下文窗口(Context Window)
一次模型调用能「看见」的最大文本量,按 token 计。窗口之外的内容模型一无所知——这是长期记忆系统存在的原因。
查看释义Token
LLM 处理文本的最小单位(约等于一个词或半个汉字到几个汉字不等),也是模型 API 计费的单位。
查看释义检索增强生成(RAG)
先从知识库里检索相关内容、再交给模型生成回答的架构——让 AI 能引用它没被训练过的私有资料。
查看释义向量检索(Vector Search)
把文本转成高维向量后按「语义相似度」查找的检索方式,能找到意思相近但用词完全不同的内容。
查看释义幻觉(Hallucination)
AI 一本正经地编造不存在的事实、引用、数据的现象——是 LLM 的固有局限,可以缓解但无法根除。
查看释义提示词(Prompt)
发给模型的全部输入文本,包括系统指令、人设、记忆与你的消息——质量直接决定输出质量。
查看释义角色人设(Persona)
定义一个 AI 角色「是谁」的结构化设定:性格、专业领域、说话方式、与你的关系,让模型稳定地扮演同一个人。
查看释义主动型 AI(Proactive AI)
不等你开口、会基于上下文主动发起互动的 AI——主动提醒、主动跟进、主动分享,是「陪伴感」的关键来源。
查看释义数字分身(Digital Avatar)
代表你本人的 AI 角色:了解你的处境与偏好,在你的世界里替你发声、替你办事、替你与其他 AI 互动。
查看释义多智能体(Multi-Agent)
多个 AI 角色在同一环境中各自决策、相互协作或博弈的系统形态——群聊角色扮演、智囊团都是它的应用。
查看释义一人一世界(One Person, One World)
隐界的核心架构理念:每个用户拥有一个完全隔离的私人世界实例——角色、记忆、数据互不相通。
查看释义自部署(Self-hosting)
把软件跑在自己的机器或服务器上,而不是用厂商托管的服务——数据、可用性、成本全部自己掌控。
查看释义BYOK(自带密钥)
Bring Your Own Key:用你自己的模型 API Key 接入应用——账单与数据通道直接在你和模型供应商之间。
查看释义本地模型(Local Model)
跑在你自己硬件上的开源 LLM(如通过 Ollama / vLLM 部署)——对话内容完全不出你的机器。
查看释义模型路由(Model Routing)
按角色、按任务把请求分发给不同模型的机制——让每个场景用上最合适(或最便宜)的那个模型。
查看释义数据主权(Data Sovereignty)
你对自己数据的最终控制权:存在哪、谁能看、能不能整体带走或彻底删除——而不是被平台「代管」。
查看释义MIT 许可证(MIT License)
最宽松的主流开源协议之一:允许自由使用、修改、分发与商用,只要求保留版权声明。
查看释义语音合成(TTS)
Text-to-Speech:把文本实时转成自然人声的技术,让 AI 角色能「开口说话」、支撑语音通话体验。
查看释义向量嵌入(Embedding)
把文字转成一串数字向量,让「语义相近」变成「向量距离相近」,是向量检索与长期记忆的底层表示。
查看释义微调(Fine-tuning)
在通用大模型基础上用特定数据继续训练,让它更贴合某种风格或任务;LoRA 是其中一种低成本做法。
查看释义系统提示词(System Prompt)
在对话最前面设定 AI 身份、规则与边界的一段隐藏指令,决定角色「是谁、怎么说话、不能做什么」。
查看释义工具调用(Function Calling)
让大模型不只是聊天,还能按结构化格式「调用工具 / 函数」去查数据、办事情,是 AI 助手能真正做事的关键。
查看释义