H

Hallucination

• 分类: 评估与安全
• 常见说法: 模型在说谎。
• 实际含义: 生成内容虚假、缺乏现有证据支撑，或与任务的事实来源不一致。即使输出流畅且模型并无欺骗意图，也可能发生。
• 为什么重要: 通常无法检查某个说法是否曾出现在训练数据中，因此生产检查应聚焦支撑性、正确性和可追溯性。
• 实际使用: 对事实性回答要求提供引用证据，并评估每条引用是否确实支撑对应主张。
• 常见混淆: Hallucination 是输出质量失败，不是对模型意图的诊断。
• 相关术语: Grounding, RAG (Retrieval-Augmented Generation), Verification Gate

Handoff

• 分类: AI-native 开发
• 实际含义: 在人员或 agent 之间结构化转交任务，同时保留目标、当前状态、证据、决策、约束和剩余工作。
• 为什么重要: 良好的 handoff 能避免下一位执行者从长篇记录中重建整个任务，或重复已经完成的操作。
• 实际使用: 用一份紧凑的任务包交付已接受的计划、改动文件、测试命令和结果、未解决风险以及确切的下一步动作。
• 常见混淆: Summary 只说明发生了什么；handoff 还要说明哪个状态是权威状态，以及接下来应该做什么。
• 学习课程: 多会话交接
• 相关术语: Agent State, Checkpoint, Scope Contract, Progressive Disclosure

HNSW

• 分类: 检索与生成
• 别名: Hierarchical Navigable Small World
• 实际含义: 一种近似最近邻索引，将向量组织为分层的邻近图，并从粗粒度的上层逐步搜索到细粒度的下层。
• 为什么重要: 当穷举比较过慢时，它是让高召回向量搜索在实际规模上可行的常用方法。
• 实际使用: 围绕延迟、内存和 Recall@K 目标调优构建和查询参数；embedding 版本变化时重建索引。
• 常见混淆: HNSW 是索引算法，不是相似度度量、embedding 模型或完整的向量数据库。
• 相关术语: Approximate Nearest Neighbor (ANN), Vector Database, Embedding, Recall@K
• 来源: Efficient and Robust Approximate Nearest Neighbor Search Using HNSW

Human-in-the-Loop (HITL)

• 分类: Agent 与工具
• 别名: Human oversight, human review
• 实际含义: 一种工作流设计：在 AI 驱动流程的既定节点，由人提供判断、纠正、审批或升级处理。
• 为什么重要: 人的参与在高影响、含糊或不可逆的边界最有价值，而不该在每一步之后充当未定义的兜底。
• 实际使用: 让 agent 自动处理常规请求，但将不确定或高价值的情况连同证据和拟议动作一起交给 reviewer。
• 常见混淆: HITL 不会自动让系统安全。reviewer 需要时间、上下文、权限和清晰的决策标准。
• 相关术语: Approval Gate, Verification Gate, Agent, Guardrails

Hybrid Retrieval

• 分类: 检索与生成
• 实际含义: 在合并或重排序结果前，将不同方法的信号结合起来的检索方式，常见组合是词法匹配和稠密向量相似度。
• 为什么重要: 精确标识符、罕见术语和语义改写的表现各不相同，单一检索信号可能遗漏有用证据。
• 实际使用: 同时用 BM25 风格的关键词搜索和 embeddings 检索候选项，合并其排名，再针对用户 query 重排序合并后的集合。
• 常见混淆: Hybrid retrieval 合并的是候选项信号；reranker 会对已检索到的候选项应用第二个相关性模型。
• 学习课程: 高级 RAG
• 相关术语: Semantic Search, Reranker, RAG (Retrieval-Augmented Generation), Embedding

Hyperparameter

• 分类: 数学与训练
• 常见说法: 你要调优的设置。
• 实际含义: 影响模型结构、优化、数据处理或推理的配置选择，而非作为普通模型参数学习得到的值。例如学习率、batch size、层数和 decoding 设置。
• 常见混淆: 有些 hyperparameter 在训练前选定，另一些则可以在训练计划期间或推理时调整。
• 相关术语: Parameter, Learning Rate, Batch Size, Temperature