# 全书术语表

这份术语表不是为了堆名词，而是为了帮你把整套教程里的核心概念串起来。

读这本教程时，最容易卡住的地方通常不是“完全没见过这个词”，而是：

- 见过 Prompt、RAG、Tool、Agent，但分不清它们各自解决什么问题；
- Coze、Dify、LangChain、LangGraph、MCP、DeepAgents 都在讲“智能体”，但层次不同；
- 会跟着案例跑代码，却说不清为什么这里该用 Workflow、那里该用 Agent；
- 到项目实战时，`thread_id`、`session_dir`、Checkpoint、Backend、ContextVar 又开始混在一起。

所以这份术语表按“由浅入深”的方式组织：先建立概念地图，再按能力层查术语，最后用易混对照收束。

---

## 1、怎么使用这份术语表

如果你是第一次学习，建议按这个顺序看：

1. 先看第 2 节“全书概念地图”，知道每类概念在整本书里的位置。
2. 再看第 3 节“高频易混概念速查”，先把最容易混的边界理清。
3. 学到某一章时，再回到对应分组查术语，不需要一次背完。
4. 做项目时，重点看“工程化与项目实战术语”，它们更贴近真实交付。

每个术语尽量回答三个问题：

| 问题           | 你应该看什么           |
| -------------- | ---------------------- |
| 它是什么       | 看“一句话解释”         |
| 它解决什么问题 | 看“解决的问题”         |
| 它容易和谁混   | 看“易混点”             |
| 想继续学       | 点“建议先看”回到原章节 |

---

## 2、全书概念地图

可以先把整套课程理解成 8 层能力。

| 层级 | 你在学什么       | 代表术语                                      | 核心问题                         |
| ---- | ---------------- | --------------------------------------------- | -------------------------------- |
| 1    | 大模型基础       | LLM、Token、上下文窗口、推理、幻觉            | 模型是什么，能力边界在哪里       |
| 2    | 模型沟通方式     | Prompt、Message、Output Parser、结构化输出    | 怎么把任务讲清楚，怎么拿到结果   |
| 3    | 外部知识补充     | Embedding、向量数据库、Retriever、RAG、Rerank | 模型不知道的内容怎么查回来       |
| 4    | 工具与动作       | Tool、Function Calling、ToolMessage、幂等性   | 模型如何调用外部系统             |
| 5    | 流程与智能体     | Workflow、Agent、ReAct、create_agent          | 谁决定下一步怎么走               |
| 6    | 协议与生态接入   | MCP、Resource、Server、A2A、Handoff           | 外部能力和其他 Agent 怎么接进来  |
| 7    | 状态化编排       | LangGraph、State、Node、Edge、Checkpoint      | 复杂流程怎么可控、可恢复、可观测 |
| 8    | 企业级项目工程化 | FastAPI、SSE、WebSocket、ContextVar、日志     | 怎么把能力做成可用、可查的系统   |

一句话记忆：

> Prompt 负责“怎么问”，RAG 负责“查资料”，Tool 负责“做动作”，Workflow 负责“固定流程”，Agent 负责“动态决策”，MCP 负责“标准化接能力”，LangGraph 负责“状态化跑流程”，工程化负责“把它稳定交付出去”。

---

## 3、高频易混概念速查

| 容易混淆的概念           | 快速区分                                                           |
| ------------------------ | ------------------------------------------------------------------ |
| Prompt vs System Message | Prompt 是输入说明总称，System Message 是更高优先级的系统规则消息   |
| RAG vs 微调              | RAG 不改模型参数，运行时查资料；微调改模型行为、格式和习惯         |
| 续训 vs 微调             | 续训更偏补领域知识分布，微调更偏任务行为和输出风格                 |
| Workflow vs Agent        | Workflow 的路径主要由人设计，Agent 会参与决定下一步                |
| Tool Calling vs MCP      | Tool Calling 是模型表达调用意图，MCP 是外部能力标准化接入协议      |
| Tool vs Resource         | Tool 是可执行动作，Resource 更像可读取上下文                       |
| Agent vs 多智能体        | Agent 是单个决策系统，多智能体强调多个 Agent 的协作和控制权传递    |
| MCP vs A2A               | MCP 接工具和资源，A2A 接另一个 Agent 或 Agent 系统                 |
| LangChain vs LangGraph   | LangChain 偏组件封装，LangGraph 偏状态化流程编排                   |
| 对话历史 vs 记忆         | 对话历史是消息内容，记忆是系统利用历史的能力                       |
| Checkpoint vs Store      | Checkpoint 保存某条执行线程的状态，Store 更偏跨线程长期数据        |
| Backend vs 数据库        | Backend 在 DeepAgents 里是文件、状态、存储抽象，不等同于业务数据库 |
| Subagent vs Skill        | Subagent 是能独立执行任务的助手，Skill 是可复用的能力说明和资源包  |
| SSE vs WebSocket         | SSE 主要服务端单向推送，WebSocket 支持双向实时通信                 |
| thread_id vs session_dir | `thread_id` 标识同一次执行线程，`session_dir` 标识本次任务文件目录 |

---

## 4、大模型与训练基础术语

| 术语             | 一句话解释                     | 解决的问题 / 易混点                                    | 建议先看                                                                      |
| ---------------- | ------------------------------ | ------------------------------------------------------ | ----------------------------------------------------------------------------- |
| **LLM**          | 大语言模型                     | 主要处理自然语言理解、生成、推理和代码任务             | [1-1](1-1-大模型认知与工程概览.md)                                            |
| **AIGC**         | 人工智能生成内容               | 是结果视角，不等于底层一定只有 LLM                     | [1-1](1-1-大模型认知与工程概览.md)                                            |
| **AGI**          | 通用人工智能                   | 更偏长期目标，不是当前项目里的落地技术名词             | [1-1](1-1-大模型认知与工程概览.md)                                            |
| **Token**        | 模型处理文本的基本计量单位     | 不是字数，中文、英文、代码切分方式不同                 | [1-1](1-1-大模型认知与工程概览.md)                                            |
| **上下文窗口**   | 模型一次能看到的最大上下文范围 | 影响长文问答、多轮对话和 RAG 拼接能力                  | [1-1](1-1-大模型认知与工程概览.md)                                            |
| **Transformer**  | 现代大模型的重要架构基础       | 自注意力机制是关键，不等于所有 AI 模型都是 Transformer | [1-1](1-1-大模型认知与工程概览.md)                                            |
| **MoE**          | 混合专家模型                   | 不是每次激活全部参数，而是按路由激活部分专家           | [1-1](1-1-大模型认知与工程概览.md)                                            |
| **预训练**       | 用大规模通用语料训练基础能力   | 让模型先具备广泛语言和知识能力                         | [1-1](1-1-大模型认知与工程概览.md)                                            |
| **续训**         | 在已有基座上继续预训练         | 更偏补领域知识分布，成本通常比普通微调高               | [1-3](1-3-RAG、微调、续训与智能体选型.md)                                     |
| **微调**         | 用任务数据调整模型行为         | 更偏格式、风格、偏好和任务习惯                         | [1-3](1-3-RAG、微调、续训与智能体选型.md)                                     |
| **SFT**          | 监督微调                       | 用标注好的输入输出样本训练模型                         | [1-1](1-1-大模型认知与工程概览.md)、[1-3](1-3-RAG、微调、续训与智能体选型.md) |
| **RLHF / RLAIF** | 基于人类或 AI 反馈的对齐训练   | 让模型更符合偏好、安全规范和回答习惯                   | [1-1](1-1-大模型认知与工程概览.md)                                            |
| **LoRA**         | 低秩适配微调                   | 用较低成本对模型做增量训练                             | [1-3](1-3-RAG、微调、续训与智能体选型.md)                                     |
| **QLoRA**        | 量化版 LoRA                    | 常用于显存更紧张的微调场景                             | [1-3](1-3-RAG、微调、续训与智能体选型.md)                                     |
| **灾难性遗忘**   | 新训练后把原本会的能力冲掉     | 微调、续训都要警惕                                     | [1-3](1-3-RAG、微调、续训与智能体选型.md)                                     |
| **幻觉**         | 模型一本正经地说错话           | RAG 能缓解，但不能保证彻底消除                         | [1-1](1-1-大模型认知与工程概览.md)、[19](19-RAG检索增强生成.md)               |
| **推理**         | 模型线上生成回答的阶段         | 和训练阶段不同，线上调用主要发生在推理阶段             | [11](11-Model-I-O与模型接入.md)                                               |
| **Temperature**  | 控制输出随机性的参数           | 越高通常越发散，越低通常越稳定，不是越低越好           | [11](11-Model-I-O与模型接入.md)                                               |
| **Top P**        | 基于概率质量的采样参数         | 和 Temperature 都会影响输出多样性                      | [11](11-Model-I-O与模型接入.md)                                               |

---

## 5、Prompt 与 Model I/O 术语

| 术语                       | 一句话解释                   | 解决的问题 / 易混点                              | 建议先看                                                                 |
| -------------------------- | ---------------------------- | ------------------------------------------------ | ------------------------------------------------------------------------ |
| **Prompt**                 | 给模型的输入说明             | 从一句话到复杂模板都属于 Prompt                  | [1-2](1-2-提示词工程基础.md)、[13](13-提示词与消息模板.md)               |
| **提示词工程**             | 系统设计 Prompt 的方法       | 重点不是写漂亮话，而是让任务边界和输出约束更清楚 | [1-2](1-2-提示词工程基础.md)                                             |
| **Zero-shot**              | 不给示例，直接让模型完成任务 | 适合简单、边界清晰的问题                         | [1-2](1-2-提示词工程基础.md)                                             |
| **Few-shot**               | 给少量示例再让模型做任务     | 适合格式、风格、分类标准需要被示范的任务         | [1-2](1-2-提示词工程基础.md)                                             |
| **System Message**         | 系统级规则消息               | 常用于定义角色、边界、风格和硬约束               | [13](13-提示词与消息模板.md)                                             |
| **Human Message**          | 用户消息                     | 表示当前用户输入                                 | [13](13-提示词与消息模板.md)                                             |
| **AI / Assistant Message** | 模型消息                     | 既可以是历史回复，也可能包含工具调用痕迹         | [11](11-Model-I-O与模型接入.md)、[13](13-提示词与消息模板.md)            |
| **PromptTemplate**         | 文本模板                     | 适合单段文本 Prompt                              | [13](13-提示词与消息模板.md)                                             |
| **ChatPromptTemplate**     | 聊天消息模板                 | 适合多角色、多轮消息结构                         | [13](13-提示词与消息模板.md)                                             |
| **MessagesPlaceholder**    | 消息占位符                   | 用来把历史消息动态插回 Prompt                    | [13](13-提示词与消息模板.md)、[16](16-记忆与对话历史（含Redis基础）.md)  |
| **Model I/O**              | 模型输入输出层               | 解决怎么喂给模型、怎么拿回结果、怎么解析结果     | [11](11-Model-I-O与模型接入.md)                                          |
| **AIMessage**              | LangChain 中的模型回复对象   | 不只是文本，还可能带 metadata、tool_calls 等     | [11](11-Model-I-O与模型接入.md)                                          |
| **invoke**                 | 一次性调用                   | 最常见执行方式                                   | [10](10-LangChain快速上手与HelloWorld.md)、[15](15-LCEL与链式调用.md)    |
| **batch**                  | 批量调用                     | 适合一组输入同时处理                             | [15](15-LCEL与链式调用.md)                                               |
| **stream**                 | 流式输出                     | 边生成边返回，适合实时交互和过程观测             | [10](10-LangChain快速上手与HelloWorld.md)、[25](25-LangGraph高级特性.md) |
| **Output Parser**          | 输出解析器                   | 把模型原始输出整理成程序更好处理的结构           | [14](14-输出解析器.md)                                                   |
| **Structured Output**      | 结构化输出                   | 让模型按指定字段或 schema 返回                   | [14](14-输出解析器.md)、[21](21-Agent智能体.md)                          |
| **TypedDict**              | 轻量结构声明                 | 更偏类型提示，不等于强运行时校验                 | [14](14-输出解析器.md)                                                   |
| **Pydantic**               | Python 数据校验库            | 常用于 schema 定义和运行时校验                   | [14](14-输出解析器.md)、[17](17-Tools工具调用.md)                        |
| **JSON Schema**            | JSON 结构约束规范            | 描述字段类型、必填项、枚举值等                   | [14](14-输出解析器.md)                                                   |
| **response_format**        | 结果结构约束入口             | LangChain 1.x 语境中常用于约束 Agent 最终输出    | [21](21-Agent智能体.md)                                                  |
| **ProviderStrategy**       | 使用模型提供方原生结构化输出 | 前提是底层模型或 Provider 真支持                 | [21](21-Agent智能体.md)                                                  |
| **ToolStrategy**           | 借助工具调用实现结构化输出   | 常用于没有原生结构化输出能力时                   | [21](21-Agent智能体.md)                                                  |

---

## 6、平台、部署与模型服务术语

| 术语                 | 一句话解释                           | 解决的问题 / 易混点                                 | 建议先看                                                                                                                                 |
| -------------------- | ------------------------------------ | --------------------------------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------- |
| **Coze**             | 偏零代码、模板化、快速搭建的 AI 平台 | 更适合快速验证、平台化操作体验                      | [3](3-基于Coze&Dify平台的智能体开发.md)、[5](5-Python调用Coze平台工作流.md)                                                              |
| **Dify**             | 偏开发者和团队协作的 AI 应用平台     | 更适合工作流、知识库、API 调用和私有化部署          | [3](3-基于Coze&Dify平台的智能体开发.md)、[4](4-Python调用Dify平台工作流.md)、[6](6-Coze与Dify的Windows平台部署.md#_4、dify-的安装和启动) |
| **Workflow**         | 固定或半固定的流程编排               | 在 Coze、Dify、LangGraph 中都会出现，但不等于 Agent | [3](3-基于Coze&Dify平台的智能体开发.md)、[4](4-Python调用Dify平台工作流.md)                                                              |
| **API Key**          | 接口调用身份凭证                     | 不要和模型名、Base URL 混成一类                     | [4](4-Python调用Dify平台工作流.md)、[10](10-LangChain快速上手与HelloWorld.md)                                                            |
| **Base URL**         | 接口地址根路径                       | 决定请求发往哪里                                    | [10](10-LangChain快速上手与HelloWorld.md)、[11](11-Model-I-O与模型接入.md)                                                               |
| **Ollama**           | 本地运行大模型的轻量工具             | 适合本地开发、个人学习、小规模本地部署              | [12](12-Ollama本地部署与调用.md)                                                                                                         |
| **Xinference**       | 统一托管多类模型的模型服务平台       | 更适合把 LLM、Embedding、Rerank 统一暴露出来        | [7](7-企业级大模型部署.md)                                                                                                               |
| **推理引擎**         | 让模型高效运行的底层执行层           | 比如 vLLM、SGLang、Ollama、TEI，重点是跑模型        | [7](7-企业级大模型部署.md)                                                                                                               |
| **模型托管平台**     | 统一管理和暴露模型的服务层           | 重点是统一入口、统一治理                            | [7](7-企业级大模型部署.md)                                                                                                               |
| **OpenAI 兼容 API**  | 模仿 OpenAI 风格的接口形态           | 目的是降低接入成本，不代表底层一定是 OpenAI 模型    | [7](7-企业级大模型部署.md)、[11](11-Model-I-O与模型接入.md)                                                                              |
| **Docker**           | 容器化运行环境                       | 重点不是虚拟机，而是可复制地打包和运行服务          | [8](8-Docker快速入门与Dify部署排障.md)                                                                                                   |
| **镜像 / Image**     | 容器运行模板                         | 更像应用快照                                        | [8](8-Docker快速入门与Dify部署排障.md)                                                                                                   |
| **容器 / Container** | 镜像启动后的运行实例                 | 一个镜像可以启动多个容器                            | [8](8-Docker快速入门与Dify部署排障.md)                                                                                                   |
| **数据卷 / Volume**  | 容器外部持久化存储                   | 删容器不一定删数据，关键看卷是否保留                | [8](8-Docker快速入门与Dify部署排障.md)                                                                                                   |
| **Docker Compose**   | 多容器服务编排工具                   | 常用于一次性启动数据库、后端、前端等多服务          | [8](8-Docker快速入门与Dify部署排障.md)                                                                                                   |

---

## 7、LangChain 与 LCEL 术语

| 术语                 | 一句话解释                    | 解决的问题 / 易混点                             | 建议先看                                                                   |
| -------------------- | ----------------------------- | ----------------------------------------------- | -------------------------------------------------------------------------- |
| **LangChain**        | 面向 LLM 应用开发的组件框架   | 偏模型、Prompt、Parser、Tool、Agent 等组件封装  | [9](9-LangChain概述与架构.md)、[10](10-LangChain快速上手与HelloWorld.md)   |
| **Runnable**         | 可执行组件统一抽象            | Prompt、Model、Parser、Tool 都能抽象成 Runnable | [15](15-LCEL与链式调用.md)                                                 |
| **LCEL**             | LangChain Expression Language | 用声明式写法把多个 Runnable 串起来              | [15](15-LCEL与链式调用.md)                                                 |
| **RunnableSequence** | 顺序链                        | 前一步输出喂给下一步                            | [15](15-LCEL与链式调用.md)                                                 |
| **RunnableParallel** | 并行链                        | 同时执行多个分支，再汇总结果                    | [15](15-LCEL与链式调用.md)                                                 |
| **RunnableBranch**   | 条件分支链                    | 根据条件路由到不同处理路径                      | [15](15-LCEL与链式调用.md)                                                 |
| **RunnableLambda**   | 自定义逻辑节点                | 适合插入字段处理、业务映射、轻量逻辑            | [15](15-LCEL与链式调用.md)                                                 |
| **Chain**            | 由多个步骤构成的处理链        | 在 LCEL 时代更多会用 Runnable 体系理解          | [9](9-LangChain概述与架构.md)、[15](15-LCEL与链式调用.md)                  |
| **Provider**         | 模型提供方或集成方            | 比如 OpenAI、DeepSeek、阿里百炼、Ollama         | [10](10-LangChain快速上手与HelloWorld.md)、[11](11-Model-I-O与模型接入.md) |
| **Callback / 回调**  | 执行过程中的事件钩子          | 可用于日志、监控、流式输出和调试                | [9](9-LangChain概述与架构.md)、[25](25-LangGraph高级特性.md)               |

---

## 8、记忆、会话与持久化术语

| 术语                           | 一句话解释                     | 解决的问题 / 易混点                                       | 建议先看                                                                                                           |
| ------------------------------ | ------------------------------ | --------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------ |
| **对话历史**                   | 历史消息内容                   | 是内容本身，不等于系统真的会正确利用它                    | [16](16-记忆与对话历史（含Redis基础）.md)                                                                          |
| **记忆 / Memory**              | 系统利用历史信息的能力         | 可以来自对话历史、数据库、向量库或长期存储                | [16](16-记忆与对话历史（含Redis基础）.md)、[25](25-LangGraph高级特性.md)                                           |
| **RunnableWithMessageHistory** | 给 Runnable 包一层消息历史管理 | 适合理解 LangChain 对话历史接入方式                       | [16](16-记忆与对话历史（含Redis基础）.md)                                                                          |
| **Session ID**                 | 会话标识                       | 用于区分不同用户或不同对话                                | [16](16-记忆与对话历史（含Redis基础）.md)                                                                          |
| **Redis**                      | 常用内存数据库                 | 可用于保存会话历史、缓存、队列等                          | [16](16-记忆与对话历史（含Redis基础）.md)                                                                          |
| **Checkpoint**                 | 执行状态快照                   | 让图或 Agent 能恢复到某个执行点                           | [25](25-LangGraph高级特性.md)、[实战深搜 5](实战项目-深度研搜/5-人机协作与中断恢复.md)                             |
| **Checkpointer**               | 保存和读取 checkpoint 的组件   | 保存某条 thread 上的执行状态，是恢复和 Time-Travel 的基础 | [25](25-LangGraph高级特性.md)、[实战深搜 5](实战项目-深度研搜/5-人机协作与中断恢复.md)                             |
| **Store**                      | 跨线程长期存储                 | 不同于单线程 checkpoint，更适合共享长期记忆或业务数据     | [25](25-LangGraph高级特性.md)、[实战深搜 6](实战项目-深度研搜/6-长期记忆与Backend存储.md)                          |
| **thread_id**                  | 执行线程标识                   | 恢复、中断、进度推送都常依赖它                            | [实战深搜 5](实战项目-深度研搜/5-人机协作与中断恢复.md)、[实战深搜 8](实战项目-深度研搜/8-项目总览与工程初始化.md) |
| **session_dir**                | 当前任务的文件目录             | 用来隔离上传文件、Markdown、PDF 等产物                    | [实战深搜 8](实战项目-深度研搜/8-项目总览与工程初始化.md)                                                          |

---

## 9、向量、检索与 RAG 术语

| 术语                   | 一句话解释                           | 解决的问题 / 易混点                              | 建议先看                                                               |
| ---------------------- | ------------------------------------ | ------------------------------------------------ | ---------------------------------------------------------------------- |
| **Embedding**          | 把文本变成向量表示                   | 让语义相近的文本在向量空间里更接近               | [18](18-向量数据库与Embedding实战.md)                                  |
| **向量**               | 文本、图片等内容的数值表示           | 本教程里主要指文本向量                           | [18](18-向量数据库与Embedding实战.md)                                  |
| **向量数据库**         | 存储和检索向量的数据库或能力         | 核心价值是语义相似检索，不是普通 SQL 查询        | [18](18-向量数据库与Embedding实战.md)                                  |
| **Qdrant**             | 向量数据库                           | 电商问数项目中用于向量检索                       | [实战问数 5](实战项目-电商问数/5-Qdrant与ES快速入门与接入.md)          |
| **Elasticsearch / ES** | 搜索引擎                             | 更偏全文检索、关键词检索和倒排索引               | [实战问数 5](实战项目-电商问数/5-Qdrant与ES快速入门与接入.md)          |
| **相似度**             | 衡量两个向量有多接近                 | 常见有余弦相似度、点积、欧氏距离等               | [18](18-向量数据库与Embedding实战.md)                                  |
| **切块 / Chunking**    | 把长文切成小段                       | 切太大噪声高，切太碎语义不完整                   | [19](19-RAG检索增强生成.md)                                            |
| **Chunk Overlap**      | 相邻切块的重叠区域                   | 用于减少切块断裂导致的信息损失                   | [19](19-RAG检索增强生成.md)                                            |
| **元数据 / Metadata**  | 附在文档块上的结构信息               | 比如来源、时间、标题、标签，可用于过滤和解释结果 | [18](18-向量数据库与Embedding实战.md)、[19](19-RAG检索增强生成.md)     |
| **Retriever**          | 检索器                               | 负责从知识库里找候选片段                         | [19](19-RAG检索增强生成.md)                                            |
| **召回**               | 先找出一批候选内容                   | 重点是别漏掉，不等于最终排序最好                 | [18](18-向量数据库与Embedding实战.md)、[19](19-RAG检索增强生成.md)     |
| **Rerank / 重排**      | 对召回结果再排序                     | 把真正最有用的片段放到前面                       | [7](7-企业级大模型部署.md)、[19](19-RAG检索增强生成.md)                |
| **过滤 / Filter**      | 按元数据条件缩小检索范围             | 常用于租户隔离、时间范围、文档类型限制           | [19](19-RAG检索增强生成.md)                                            |
| **RAG**                | 检索增强生成                         | 先查外部资料，再基于资料生成回答                 | [1-3](1-3-RAG、微调、续训与智能体选型.md)、[19](19-RAG检索增强生成.md) |
| **索引阶段**           | 准备知识库的阶段                     | 包括加载文档、切块、向量化、入库                 | [19](19-RAG检索增强生成.md)                                            |
| **检索阶段**           | 用户提问时查找候选内容的阶段         | 是运行时行为                                     | [19](19-RAG检索增强生成.md)                                            |
| **生成阶段**           | 把检索结果和问题一起交给模型生成答案 | 不只是拼接片段，还要考虑 Prompt 约束             | [19](19-RAG检索增强生成.md)                                            |
| **管道式 RAG**         | 检索步骤基本固定的 RAG               | 更好调试，更适合先学清基础链路                   | [19](19-RAG检索增强生成.md)                                            |
| **Agent 式 RAG**       | 是否检索、怎么检索由 Agent 决定      | 灵活度更高，但复杂度和不确定性也更高             | [19](19-RAG检索增强生成.md)、[21](21-Agent智能体.md)                   |
| **RAGFlow**            | 面向知识库和 RAG 应用的平台          | 深度研搜项目里用于查询企业内部知识库             | [实战深搜 8](实战项目-深度研搜/8-项目总览与工程初始化.md)              |

---

## 10、Tool、Workflow、Agent 与协议术语

| 术语                   | 一句话解释                      | 解决的问题 / 易混点                                  | 建议先看                                                                                            |
| ---------------------- | ------------------------------- | ---------------------------------------------------- | --------------------------------------------------------------------------------------------------- |
| **Tool**               | 暴露给模型使用的外部能力        | 本质常是函数、接口、数据库读写或第三方服务包装       | [17](17-Tools工具调用.md)                                                                           |
| **Tool Calling**       | 模型表达工具调用意图的机制      | 常和 Function Calling 放在同一层理解                 | [17](17-Tools工具调用.md)                                                                           |
| **Function Calling**   | Tool Calling 的常见叫法         | 厂商 API 文档里更常见这个说法                        | [17](17-Tools工具调用.md)、[20](20-MCP模型上下文协议.md)                                            |
| **args_schema**        | 工具参数结构定义                | 帮模型知道工具需要哪些参数、参数类型是什么           | [17](17-Tools工具调用.md)                                                                           |
| **ToolMessage**        | 工具执行结果消息                | 把工具结果交回模型，让模型继续推理或回答             | [17](17-Tools工具调用.md)                                                                           |
| **Workflow**           | 固定或半固定步骤编排            | 流程主导权主要在开发者手里                           | [3](3-基于Coze&Dify平台的智能体开发.md)、[15](15-LCEL与链式调用.md)                                 |
| **Agent**              | 具备决策和多步行动能力的系统    | 重点是决定何时调、调哪个、下一步做什么               | [1-3](1-3-RAG、微调、续训与智能体选型.md)、[21](21-Agent智能体.md)                                  |
| **ReAct**              | Reason + Act 模式               | 先推理，再行动，再观察，再继续                       | [21](21-Agent智能体.md)                                                                             |
| **AgentExecutor**      | 经典 Agent 执行器               | 更适合理解早期 Agent 机制和历史资料                  | [21](21-Agent智能体.md)                                                                             |
| **create_agent**       | LangChain 1.x 高层 Agent 入口   | 更接近当前推荐用法，底层依托 LangGraph 运行时        | [21](21-Agent智能体.md)                                                                             |
| **MCP**                | Model Context Protocol          | 统一把外部工具、资源、提示模板暴露给 AI 应用的协议   | [20](20-MCP模型上下文协议.md)                                                                       |
| **Host**               | 承载并发起 MCP 会话的一侧       | 常可理解为 AI 应用宿主                               | [20](20-MCP模型上下文协议.md)                                                                       |
| **Client**             | 连接 MCP Server 的客户端组件    | 负责协议交互、调用转发、会话管理                     | [20](20-MCP模型上下文协议.md)                                                                       |
| **Server**             | 对外暴露 MCP 能力的一侧         | 可暴露 Tool、Resource、Prompt                        | [20](20-MCP模型上下文协议.md)                                                                       |
| **Resource**           | MCP 中的资源对象                | 更像可读取上下文，不一定是可执行动作                 | [20](20-MCP模型上下文协议.md)                                                                       |
| **Prompt（MCP 语境）** | MCP 中可复用的提示模板资源      | 不要和一般 Prompt 概念混为一层                       | [20](20-MCP模型上下文协议.md)                                                                       |
| **FastMCP**            | 更方便实现 MCP 服务端的开发工具 | 帮你更容易写 Server，但它不是协议本身                | [20](20-MCP模型上下文协议.md)                                                                       |
| **stdio**              | MCP 的本地标准输入输出传输方式  | 常用于本地进程通信                                   | [20](20-MCP模型上下文协议.md)                                                                       |
| **Streamable HTTP**    | MCP 的 HTTP 传输方式            | 适合网络化接入                                       | [20](20-MCP模型上下文协议.md)                                                                       |
| **A2A**                | Agent-to-Agent 协议             | 更偏跨系统 Agent 协作，不是工具接入协议              | [26](26-LangGraph多智能体与A2A.md)                                                                  |
| **Supervisor**         | 中央调度者模式                  | 一个上层 Agent 统一拆任务和分配下游                  | [26](26-LangGraph多智能体与A2A.md)                                                                  |
| **Handoff**            | 控制权转交                      | 当前任务从一个 Agent 切到另一个 Agent 继续处理       | [26](26-LangGraph多智能体与A2A.md)                                                                  |
| **Skill / Skills**     | 可复用能力包                    | 更像提示词、说明、脚本、资源的组合，不等于独立 Agent | [27](27-Skills技能与AI编程工具实践.md)、[实战深搜 7](实战项目-深度研搜/7-中间件机制与Skills配置.md) |

---

## 11、LangGraph 与状态化编排术语

| 术语                 | 一句话解释                     | 解决的问题 / 易混点                            | 建议先看                                                                               |
| -------------------- | ------------------------------ | ---------------------------------------------- | -------------------------------------------------------------------------------------- |
| **LangGraph**        | 面向状态化工作流的图编排框架   | 更适合复杂、可分支、可循环、可持久化流程       | [22](22-LangGraph概述与快速入门.md)                                                    |
| **State**            | 图里的共享状态                 | 整张图围绕它流转                               | [22](22-LangGraph概述与快速入门.md)、[23](23-LangGraphAPI：图与状态.md)                |
| **StateGraph**       | 基于状态的图定义方式           | LangGraph 最常见的建图入口之一                 | [23](23-LangGraphAPI：图与状态.md)                                                     |
| **Node**             | 节点                           | 图里的处理单元，常常是函数或能力块             | [24](24-LangGraphAPI：节点、边与进阶.md)                                               |
| **Edge**             | 边                             | 决定从一个节点流向哪里                         | [24](24-LangGraphAPI：节点、边与进阶.md)                                               |
| **Conditional Edge** | 条件边                         | 根据状态内容决定下一步分支                     | [24](24-LangGraphAPI：节点、边与进阶.md)                                               |
| **Reducer**          | 状态合并规则                   | 决定新旧状态值怎么合并，尤其影响并行分支       | [23](23-LangGraphAPI：图与状态.md)                                                     |
| **Pregel**           | LangGraph 底层图运行模型       | 用 Actor、Channel、Superstep 推进图执行        | [23](23-LangGraphAPI：图与状态.md)                                                     |
| **Superstep**        | 图执行中的一轮调度             | 一轮里先计划、再并行执行、最后合并更新         | [23](23-LangGraphAPI：图与状态.md)                                                     |
| **StateSnapshot**    | 状态快照                       | 保存某一时刻的 values、next、config 等执行现场 | [23](23-LangGraphAPI：图与状态.md)、[25](25-LangGraph高级特性.md)                      |
| **START / END**      | 图的入口和出口                 | 定义流程从哪里开始、在哪里结束                 | [23](23-LangGraphAPI：图与状态.md)                                                     |
| **Command**          | 运行时控制原语                 | 适合把执行和决定跳哪合在一起表达               | [24](24-LangGraphAPI：节点、边与进阶.md)                                               |
| **Send**             | 动态派发控制原语               | 适合运行时并行分发子任务                       | [24](24-LangGraphAPI：节点、边与进阶.md)                                               |
| **Runtime**          | 运行时上下文对象               | 常用于配置、依赖、非业务状态信息               | [24](24-LangGraphAPI：节点、边与进阶.md)                                               |
| **Streaming**        | 流式观察执行过程               | 适合实时展示、调试和监控                       | [25](25-LangGraph高级特性.md)                                                          |
| **Interrupt**        | 中断执行并等待外部处理         | 常用于人工确认、审批、关键节点暂停             | [25](25-LangGraph高级特性.md)、[实战深搜 5](实战项目-深度研搜/5-人机协作与中断恢复.md) |
| **Time-Travel**      | 基于历史 checkpoint 回放或重跑 | 适合调试、复盘和纠错                           | [25](25-LangGraph高级特性.md)                                                          |
| **Subgraph**         | 子图                           | 用于模块化拆分复杂流程                         | [25](25-LangGraph高级特性.md)                                                          |
| **多智能体图**       | 用图组织多个 Agent 协作        | 重点是状态、路由、上下文传递怎么设计           | [26](26-LangGraph多智能体与A2A.md)                                                     |

---

## 12、DeepAgents 与深度研搜项目术语

| 术语                     | 一句话解释                                  | 解决的问题 / 易混点                                       | 建议先看                                                                                                                 |
| ------------------------ | ------------------------------------------- | --------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------ |
| **DeepAgents**           | 面向深度任务和多智能体协作的 Agent 构建能力 | 重点是主智能体、子智能体、工具、Backend、Skill 等工程组合 | [实战深搜 1](实战项目-深度研搜/1-DeepAgents基础与核心概念.md)                                                            |
| **Main Agent**           | 主智能体                                    | 负责理解任务、规划步骤、调度助手、汇总结果                | [实战深搜 8](实战项目-深度研搜/8-项目总览与工程初始化.md)                                                                |
| **Subagent**             | 子智能体                                    | 专门负责一类任务，比如搜索、数据库查询、RAGFlow 查询      | [实战深搜 3](实战项目-深度研搜/3-子智能体进阶与异步执行.md)                                                              |
| **Orchestrator-Workers** | 主从式多智能体架构                          | 主智能体像负责人，子智能体像专家助手                      | [实战深搜 1](实战项目-深度研搜/1-DeepAgents基础与核心概念.md)、[实战深搜 8](实战项目-深度研搜/8-项目总览与工程初始化.md) |
| **Backend**              | DeepAgents 的文件、状态和存储抽象           | 不等于业务后端，也不等于数据库                            | [实战深搜 6](实战项目-深度研搜/6-长期记忆与Backend存储.md)                                                               |
| **FilesystemBackend**    | 把 Agent 文件系统映射到本地目录的 Backend   | 常用于 Skill、文件读写和会话目录隔离                      | [实战深搜 6](实战项目-深度研搜/6-长期记忆与Backend存储.md)、[实战深搜 7](实战项目-深度研搜/7-中间件机制与Skills配置.md)  |
| **StateBackend**         | 保存执行状态的 Backend                      | 更偏当前任务状态和恢复                                    | [实战深搜 6](实战项目-深度研搜/6-长期记忆与Backend存储.md)                                                               |
| **StoreBackend**         | 长期存储 Backend                            | 更偏跨会话、跨线程的长期数据                              | [实战深搜 6](实战项目-深度研搜/6-长期记忆与Backend存储.md)                                                               |
| **CompositeBackend**     | 组合多种 Backend                            | 用于把文件、状态、长期存储分层管理                        | [实战深搜 6](实战项目-深度研搜/6-长期记忆与Backend存储.md)                                                               |
| **Middleware**           | 执行链路中的治理层                          | 不负责业务本身，而是做限制、重试、脱敏、审批等治理        | [实战深搜 7](实战项目-深度研搜/7-中间件机制与Skills配置.md)                                                              |
| **Model Call Limit**     | 模型调用次数限制                            | 控制成本，防止无限循环                                    | [实战深搜 7](实战项目-深度研搜/7-中间件机制与Skills配置.md)                                                              |
| **Tool Call Limit**      | 工具调用次数限制                            | 防止工具被反复调用造成成本或风险                          | [实战深搜 7](实战项目-深度研搜/7-中间件机制与Skills配置.md)                                                              |
| **HITL**                 | Human In The Loop，人机协作                 | 让高风险动作暂停，等待人工 approve、edit 或 reject        | [实战深搜 5](实战项目-深度研搜/5-人机协作与中断恢复.md)                                                                  |
| **SKILL.md**             | Skill 的说明文件                            | 通常包含 name、description、执行规则和资源说明            | [27](27-Skills技能与AI编程工具实践.md)、[实战深搜 7](实战项目-深度研搜/7-中间件机制与Skills配置.md)                      |
| **渐进式加载**           | 先看 Skill 元数据，再按需加载完整说明       | 避免一次把所有技能内容塞进上下文                          | [27](27-Skills技能与AI编程工具实践.md)、[实战深搜 7](实战项目-深度研搜/7-中间件机制与Skills配置.md)                      |
| **Thinking Loop**        | 主智能体的思考循环                          | 规划、分发、回收结果、再判断是否继续                      | [实战深搜 8](实战项目-深度研搜/8-项目总览与工程初始化.md)                                                                |
| **RAGFlow 助手**         | 查询企业内部知识库的子智能体                | 不等于 RAGFlow 平台本身，是对平台能力的 Agent 封装        | [实战深搜 8](实战项目-深度研搜/8-项目总览与工程初始化.md)                                                                |

---

## 13、电商问数项目术语

| 术语               | 一句话解释                            | 解决的问题 / 易混点                              | 建议先看                                                                                                                     |
| ------------------ | ------------------------------------- | ------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------- |
| **电商问数**       | 自然语言查询业务数据的项目            | 用户问业务问题，系统生成并执行 SQL，返回数据结果 | [实战问数 1](实战项目-电商问数/1-项目概述与数仓基础.md)、[实战问数 10](实战项目-电商问数/10-问数智能体总览与工作流骨架.md)   |
| **数仓**           | 面向分析的数据集合                    | 不等于线上业务库，强调统计分析和指标口径         | [实战问数 1](实战项目-电商问数/1-项目概述与数仓基础.md)                                                                      |
| **元数据**         | 描述数据的数据                        | 比如表名、字段名、字段含义、指标定义             | [实战问数 7](实战项目-电商问数/7-元数据知识库总览与构建入口.md)                                                              |
| **元数据知识库**   | 保存表、字段、指标等信息的知识库      | 帮模型理解数据库结构，减少生成 SQL 时瞎猜        | [实战问数 7](实战项目-电商问数/7-元数据知识库总览与构建入口.md)                                                              |
| **指标**           | 业务统计口径                          | 比如销售额、订单数、转化率，不能只看字段名猜     | [实战问数 7](实战项目-电商问数/7-元数据知识库总览与构建入口.md)                                                              |
| **字段取值召回**   | 查找字段里的典型值或候选值            | 帮模型理解用户说的“华北”“女装”等值该映射到哪里   | [实战问数 11](实战项目-电商问数/11-关键词抽取与多路召回.md)                                                                  |
| **多路召回**       | 从多个来源同时找上下文                | 字段、指标、字段取值可以并行召回再合并           | [实战问数 11](实战项目-电商问数/11-关键词抽取与多路召回.md)、[实战问数 12](实战项目-电商问数/12-召回信息合并与上下文构建.md) |
| **SQL 生成上下文** | 给模型生成 SQL 前整理出的材料         | 包括表结构、字段含义、指标口径、过滤条件等       | [实战问数 13](实战项目-电商问数/13-SQL生成前的信息过滤与补全.md)                                                             |
| **SQL 校验**       | 执行前检查 SQL 是否安全、合法、可运行 | 避免错误 SQL 或危险 SQL 直接执行                 | [实战问数 14](实战项目-电商问数/14-SQL生成与执行闭环.md)                                                                     |
| **SQL 校正**       | 根据校验错误修正 SQL                  | 让查询形成“生成、校验、修正、执行”的闭环         | [实战问数 14](实战项目-电商问数/14-SQL生成与执行闭环.md)                                                                     |
| **QueryService**   | 查询服务封装层                        | 把 API、LangGraph 工作流、依赖组装连接起来       | [实战问数 16](实战项目-电商问数/16-查询接口实现与依赖组装.md)                                                                |
| **request_id**     | 请求追踪 ID                           | 用来把一次 API 请求的日志串起来                  | [实战问数 17](实战项目-电商问数/17-前后端联调与日志追踪.md)                                                                  |

---

## 14、工程化与交付术语

| 术语                      | 一句话解释                         | 解决的问题 / 易混点                                        | 建议先看                                                                                                                   |
| ------------------------- | ---------------------------------- | ---------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------- |
| **幂等性**                | 重复执行不会产生额外副作用         | 对删除、扣款、发消息、写库这类 Tool 特别重要               | [17](17-Tools工具调用.md)                                                                                                  |
| **副作用**                | 会真实改动外部世界的动作           | 比如发消息、下单、改数据库、写文件                         | [17](17-Tools工具调用.md)                                                                                                  |
| **超时**                  | 超过时间限制就终止等待             | Tool、模型调用、平台工作流都要考虑                         | [11](11-Model-I-O与模型接入.md)、[17](17-Tools工具调用.md)                                                                 |
| **重试**                  | 失败后再次尝试                     | 不是所有错误都值得重试，有副作用场景尤其谨慎               | [17](17-Tools工具调用.md)、[实战深搜 7](实战项目-深度研搜/7-中间件机制与Skills配置.md)                                     |
| **限流**                  | 控制调用频率                       | 既是稳定性问题，也是成本问题                               | [17](17-Tools工具调用.md)                                                                                                  |
| **鉴权 / Authentication** | 确认你是谁                         | 比如 API Key、Token、登录态                                | [4](4-Python调用Dify平台工作流.md)、[20](20-MCP模型上下文协议.md)                                                          |
| **授权 / Authorization**  | 确认你能做什么                     | 不要和鉴权混为一体                                         | [20](20-MCP模型上下文协议.md)                                                                                              |
| **最小权限**              | 只开放完成任务必需的能力           | Tool、MCP、企业部署都很关键                                | [17](17-Tools工具调用.md)、[20](20-MCP模型上下文协议.md)                                                                   |
| **可观测性**              | 让系统运行过程可追踪、可诊断       | 在复杂 Agent 与 LangGraph 场景里尤其重要                   | [25](25-LangGraph高级特性.md)、[实战问数 17](实战项目-电商问数/17-前后端联调与日志追踪.md)                                 |
| **日志 / Logging**        | 记录系统执行过程                   | 是调试和运维的第一入口                                     | [实战问数 17](实战项目-电商问数/17-前后端联调与日志追踪.md)                                                                |
| **评估闭环**              | 用数据和指标持续验证系统效果       | RAG、Agent、Prompt 都不能只靠主观感觉判断                  | [19](19-RAG检索增强生成.md)、[21](21-Agent智能体.md)                                                                       |
| **FastAPI**               | Python Web API 框架                | 常用于把 AI 能力暴露成 HTTP 接口                           | [实战问数 15](实战项目-电商问数/15-API接口基础与FastAPI入门.md)、[实战深搜 8](实战项目-深度研搜/8-项目总览与工程初始化.md) |
| **SSE**                   | Server-Sent Events                 | 适合服务端向浏览器单向推送流式结果                         | [实战问数 15](实战项目-电商问数/15-API接口基础与FastAPI入门.md)                                                            |
| **WebSocket**             | 双向实时通信协议                   | 适合前后端实时交互和进度推送                               | [实战深搜 8](实战项目-深度研搜/8-项目总览与工程初始化.md)                                                                  |
| **ContextVar**            | Python 协程级上下文变量            | 适合 FastAPI 异步请求中隔离 request_id、thread_id 等上下文 | [实战问数 17](实战项目-电商问数/17-前后端联调与日志追踪.md)、[实战深搜 8](实战项目-深度研搜/8-项目总览与工程初始化.md)     |
| **依赖注入**              | 把依赖对象交给框架或服务统一组装   | 降低模块耦合，便于测试和替换                               | [实战问数 16](实战项目-电商问数/16-查询接口实现与依赖组装.md)                                                              |
| **生命周期事件**          | 应用启动和关闭时的初始化或清理逻辑 | 常用于创建连接池、加载资源、关闭连接                       | [实战问数 15](实战项目-电商问数/15-API接口基础与FastAPI入门.md)                                                            |

---

## 15、最容易混淆的概念对照

### 15.1 RAG vs 微调 vs 续训

- **RAG**：补运行时外部知识，不改模型参数。
- **微调**：改行为、格式、风格、任务习惯。
- **续训**：补更底层的领域知识分布，成本通常更高。

一句话判断：**缺资料先想 RAG，缺行为再看微调，底层知识分布都不对才考虑续训。**

### 15.2 Workflow vs Agent

- **Workflow**：流程由人设计，模型只在既定位置完成子任务。
- **Agent**：模型参与决定下一步要做什么。

一句话判断：**路径固定优先 Workflow，路径开放再考虑 Agent。**

### 15.3 Tool / Function Calling vs MCP

- **Tool / Function Calling**：模型如何表达“我要调用这个工具”。
- **MCP**：外部能力如何被标准化暴露出来。

一句话判断：**一个偏调用机制，一个偏接入协议。**

### 15.4 MCP vs A2A

- **MCP**：让模型接外部工具、资源、提示模板。
- **A2A**：让不同 Agent 或 Agent 系统互相协作。

一句话判断：**一个是接能力，一个是接另一个 Agent。**

### 15.5 LangChain vs LangGraph

- **LangChain**：组件、模型、Prompt、Parser、Tools、Agent 封装层。
- **LangGraph**：图式编排、状态流转、持久化、恢复、观察层。

一句话判断：**LangChain 更像拼能力，LangGraph 更像跑流程。**

### 15.6 对话历史 vs 记忆 vs Checkpoint

- **对话历史**：消息本身。
- **记忆**：系统利用历史的能力。
- **Checkpoint**：某次执行过程中的状态快照。

一句话判断：**历史是内容，记忆是能力，checkpoint 是状态保存机制。**

### 15.7 Subagent vs Skill

- **Subagent**：一个能被主智能体调度的专家助手。
- **Skill**：一套可复用的说明、提示词、脚本和资源。

一句话判断：**Subagent 更像人手，Skill 更像工具包。**

### 15.8 Backend vs Checkpointer vs Store

- **Backend**：DeepAgents 里对文件、状态、长期存储的统一抽象。
- **Checkpointer**：保存执行状态快照，便于恢复。
- **Store**：保存跨线程、跨会话的长期数据。

一句话判断：**Backend 是抽象层，Checkpointer 管恢复，Store 管长期数据。**

### 15.9 SSE vs WebSocket

- **SSE**：服务端持续向前端推送消息，浏览器接收为主。
- **WebSocket**：前后端可双向实时通信。

一句话判断：**只需要服务端推送，SSE 更轻；需要双向实时交互，WebSocket 更合适。**

---

## 16、英文缩写速查

| 缩写      | 全称                                       | 中文理解               |
| --------- | ------------------------------------------ | ---------------------- |
| **LLM**   | Large Language Model                       | 大语言模型             |
| **AIGC**  | AI Generated Content                       | 人工智能生成内容       |
| **AGI**   | Artificial General Intelligence            | 通用人工智能           |
| **SFT**   | Supervised Fine-Tuning                     | 监督微调               |
| **RLHF**  | Reinforcement Learning from Human Feedback | 基于人类反馈的强化学习 |
| **RLAIF** | Reinforcement Learning from AI Feedback    | 基于 AI 反馈的强化学习 |
| **LoRA**  | Low-Rank Adaptation                        | 低秩适配微调           |
| **RAG**   | Retrieval-Augmented Generation             | 检索增强生成           |
| **LCEL**  | LangChain Expression Language              | LangChain 表达式语言   |
| **MCP**   | Model Context Protocol                     | 模型上下文协议         |
| **A2A**   | Agent-to-Agent                             | Agent 间通信或协作协议 |
| **HITL**  | Human In The Loop                          | 人在回路，人机协作     |
| **SSE**   | Server-Sent Events                         | 服务端事件推送         |
| **API**   | Application Programming Interface          | 应用程序接口           |
| **SDK**   | Software Development Kit                   | 软件开发工具包         |
| **SQL**   | Structured Query Language                  | 结构化查询语言         |
| **JSON**  | JavaScript Object Notation                 | 常用结构化数据格式     |