Transformer是一种革命性的神经网络架构，它通过“自注意力”机制并行处理序列数据，彻底改变了自然语言处理领域，并成为GPT、BERT等大模型以及扩散模型的核心基础。

向量数据库是一种专门用于存储、索引和查询高维向量数据的数据库。它通过将文本、图像、音频等非结构化数据转化为向量（一组数字），并计算向量间的相似度，来实现基于语义的检索和推荐，是大模型应用落地的核心组件之一。

Embedding（嵌入）是将离散的非结构化数据（如文字、图片）映射为连续稠密向量的技术。这些向量能捕捉数据间的语义关系，让AI能进行语义相似度计算、推荐、分类等任务，是连接人类语言与机器计算的桥梁。

Context Window（上下文窗口）指大语言模型在生成回复时，能够参考和处理的输入文本（包括用户提问和历史对话）的最大长度限制。它定义了模型单次推理的“工作记忆”边界，直接影响对话连贯性、长文档处理和多步骤任务执行能力。

Prompt（提示词）是用户输入给大语言模型（如ChatGPT）的指令或问题，是引导AI生成期望回应的核心“钥匙”。它已从简单的问答发展为包含上下文、示例、角色设定等元素的系统工程，直接影响输出质量。

Token是AI处理文本时切分的最小语义单元，直接影响模型的理解能力、生成长度和API调用成本。

Skills是赋予AI智能体（Agent）完成特定任务或执行特定功能的核心能力单元。它类似于人类掌握的技能，将复杂任务拆解为可调用、可组合的标准化模块，是实现智能体自主规划和行动的基础。

MCP（Model Context Protocol）是斯坦福大学等机构提出的开放协议，旨在标准化AI模型与外部数据源、工具之间的通信方式，让不同AI组件能够像乐高积木一样灵活组合。

AI Agent（智能体）是一种能够感知环境、自主决策并执行任务以实现目标的AI系统。它超越了传统“一问一答”的聊天模式，具备规划、工具使用和持续学习的能力，正成为通往通用人工智能（AGI）的关键路径。

RAG（检索增强生成）是一种将信息检索与大语言模型生成能力相结合的技术范式。它让模型在回答前，先从外部知识库中查找相关文档，然后基于这些检索到的准确信息进行生成，从而显著提升回答的准确性、时效性和可追溯性。