产品经理AI入门：一篇搞定Embedding、微调、RAG等术语！

最新推荐文章于 2025-11-23 19:13:18 发布

原创最新推荐文章于 2025-11-23 19:13:18 发布 · 601 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #产品经理 #embedding #语言模型 #知识图谱 #AI大模型 #Agent

最近一直在学习AI相关的课程，课程前前后后说了很多专业名词，有时候光听到名词，觉得特别高大上，但是听了老师的讲解后也会立马明白。想到可能有些也人跟以前的自己一样，被这些“行业黑话”给吓退。

于是，尝试着整理一下，分享给更多的人，避免大家被黑话挡在学习的门外。以下只是一部分，后续在学习过程中会持续更新。

1、序列化（Serialization）

是指将数据结构或对象状态转换为可以存储（例如保存到文件、内存缓冲区）或传输（例如通过网络发送）的格式的过程。

2、反序列化（Deserialization）

将序列化的数据还原为原始的数据结构或对象。

3、解析（Parsing）

将一段输入（通常是字符串或字节流）按照某种规则分解并理解其结构和含义的过程，简单来说解析就是：理解结构+提取信息。比如输入2025-11-19，解析为年=2025，月=11，日=19

4、解析器（Parser）

用于分析输入的文本或数据流，并根据特定的语法规则将其转换为结构化的表示形式。

5、块(chunk)

将数据、任务或资源划分为较小的、可管理的部分。这种“分块”策略广泛应用于内存管理、文件处理、网络传输、大模型推理等多个领域。

6、词元(Token)

Token 是文本经过分词器（Tokenizer）处理后得到的最小语义或子词单元，它不等于单词，也不等于字符，而是一种介于两者之间的表示方式，是模型理解、处理、生成文本的基本单位。

7、向量（Vector）

是表示数据（如词、句子、图像等）的核心数学工具。它的本质是一个有序的数值数组，能够将抽象对象转化为机器可计算的形式。在AI中的意义：向量是对现实世界对象（如“猫”、“快乐”、“一篇新闻”）的数值化编码，使得计算机能通过计算（如距离、相似度）来“理解”语义。

8、嵌入（Embedding）

是一种将复杂、高维的数据（如词语、图片、声音）转换为低维、连续的数值向量（即一系列数字）的技术。简单理解：就是一个数据翻译过程，将数据转化成计算机可以理解的数字。核心思想：计算向量与向量之间相似度，用于实际业务场景，比如搜索、推荐、图像识别、大语言模型等。举例：将您的查询和所有网页都转换为向量。然后，搜索引擎会找到与您的查询向量最相似的网页向量。

9、检索增强生成（RAG）

Retrieval-Augmented Generation，检索增强生成，是一种结合信息检索与大语言模型（LLM）生成能力的架构，用于解决大模型的以下核心问题：知识过时（训练数据截止于某时间点）、幻觉（Hallucination）（编造事实）、无法访问私有/专有数据（如公司文档、内部知识库）。通常大家会把它理解成一个外挂知识库。常见应用场景：企业知识库问答、法律/医疗咨询等。

10、提示词（Prompt）

是指用户输入给大语言模型（如ChatGPT）的指令、问题或一段文字，旨在引导模型生成符合期望的回复。再细分一点会分为系统提示词和用户提示词，这两种提示词是在与大型语言模型（特别是基于对话的模型如 ChatGPT）交互时的两个关键概念，它们共同决定了模型的最终输出。

系统提示词用于定义模型的角色、行为方式、回复风格和边界限制。

用户提示词用户在对话过程中直接输入给模型的每一条消息或问题用于表达用户当前意图，触发模型响应。

11、温度（Temperature）

用于控制LLM生成文本的多样性。在模型计算出下一个Token所有可能的概率分布后，

Temperature会调整这个分布的“平滑度”。

高Temperature:会让低概率的Token更容易被选中，使生成结果更具创造性，可能出现不连贯的词语。

低Temperature:会让高概率的Token权重更大，使生成结果更稳定、更符合训练数据，但会更保守。

12、TOP P

TOP P（核采样）设定一个概率阈值（P），然后从高到低累加所有Token的概率，直到总和超过P为止。模型只会在这个累加出来的“核心”词汇表中选择下一个Token。

高Top P候选词汇表较大，结果更多样。

低Top P:候选词汇表非常小，结果更具确定性。

举例说明：假设模型要完成句子：“今天天气真...”，模型预测的下一个词可能是：好(60%)、不错(30%)、糟(9%)、可乐(0.01%)。

高Temperature：会提升所有词的概率，使得“可乐”这个不相关的词也有机会被选中。

Top P (设为0.9)：会选择概率总和达到90%的词。这里好(60%) +不错(30%) = 90%，所以模型只会从“好”和“不错”中选择，直接排除了“可乐”这种离谱的选项。

13、LLM

大型语言模型，是基于海量文本数据训练的深度学习模型，属于生成式AI的一种。它能理解和生成类人类的自然语言，常见模型如GPT系列、DeepSeek, Qwen等。

14、预训练（Pre-training）

预训练（Pre-training）和微调（Fine-tuning）是两个核心阶段，共同构成“先通用、后专用”的模型训练范式。预训练是指模型在大量数据上进行训练，学习通用的语言表示和世界知识。

15、微调（Fine-tuning）

微调是指在预训练模型的基础上，使用特定任务的数据集对模型进行进一步的训练，使其适应特定任务。

最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

✅AI大模型学习路线图
✅Agent行业报告
✅100集大模型视频教程
✅大模型书籍PDF
✅DeepSeek教程
✅AI产品经理入门资料

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇

在这里插入图片描述

为什么我要说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

在这里插入图片描述

资料包有什么？

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点
在这里插入图片描述

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

在这里插入图片描述

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

在这里插入图片描述

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

在这里插入图片描述