相似性搜索是一种在高维向量空间中高效定位与查询向量最相近（即距离最小）的候选向量的技术，是现代AI驱动的信息检索、推荐系统与多模态应用的核心支撑能力。它突破了传统关键词匹配的语义鸿沟，使机器具备‘理解’图像、文本、音频等非结构化数据间隐含关联的能力。

嵌入模型是一类将离散符号（如词、句子、图像、音频等）映射为连续低维实数向量的深度学习模型，其核心目标是使语义相近的输入在向量空间中距离更近。它是现代AI系统实现语义理解、跨模态对齐与高效检索的基础设施。

语义检索是一种基于语义理解而非关键词匹配的搜索技术，通过将查询与文档映射到统一向量空间，利用相似度计算实现意图驱动的精准召回。它突破了传统关键词检索在同义词、歧义、句法差异上的局限，是现代智能搜索、RAG系统和企业知识中枢的核心支撑技术。

微调（Fine-tuning）是指在预训练模型基础上，使用特定领域或任务的标注数据对模型参数进行有监督的再训练过程。它作为迁移学习的核心实践范式，显著降低了下游任务的建模门槛，是当前大语言模型与多模态模型落地的关键技术路径。

知识图谱是一种结构化语义知识库，以图结构形式组织现实世界中的实体、概念及其关系，支持机器理解、推理与关联发现。其核心是基于RDF的三元组表示，融合本体建模、信息抽取与图数据库技术，已成为搜索引擎、智能问答与企业知识中台的核心基础设施。

提示工程（Prompt Engineering）是通过设计、优化和系统化构造输入提示（prompt），以引导大语言模型（LLM）生成更准确、可靠、安全且符合意图的输出的一门跨学科实践技术。它融合了自然语言理解、人机交互、认知心理学与软件工程方法，已成为大模型落地应用的核心使能技术。

向量数据库是一种专为高效存储、索引和查询高维向量而设计的新型数据库系统，核心能力是支持毫秒级的近似最近邻（ANN）搜索。它已成为RAG、智能搜索、推荐系统等AI原生应用的关键基础设施。

检索增强生成（RAG）是一种将外部知识检索与大语言模型生成能力深度融合的架构范式，通过动态引入实时、可信、领域特定的外部信息源，显著提升LLM回答的事实准确性、时效性与可解释性，已成为构建可信企业级AI应用的核心技术路径。

Transformer是一种完全基于自注意力机制的深度学习模型架构，由Vaswani等人于2017年提出，彻底摒弃了循环与卷积结构，在自然语言处理任务中实现突破性性能提升，成为大语言模型时代的基础范式。

扩散模型是一类基于概率建模的生成式人工智能方法，通过定义前向加噪与反向去噪的马尔可夫过程，逐步将数据分布转化为标准高斯分布再重构，实现高质量图像、音频与文本生成。其理论严谨、训练稳定、样本多样性优异，已成为当前生成式AI的核心范式之一。

视觉语言模型（Vision-Language Model, VLM）是一类能够联合建模图像与文本语义的深度学习架构，通过跨模态对齐实现图文检索、视觉问答、图像描述生成等任务。其核心在于构建统一的语义空间，使视觉特征与语言表征可计算交互。

大语言模型（LLM）是指通过海量文本数据预训练、具备数十亿至数万亿参数规模、能理解与生成自然语言的深度神经网络。其核心依赖Transformer架构，以自回归或自编码方式建模语言分布，在问答、创作、推理等任务中展现出涌现能力，已成为当代人工智能基础设施的核心组件。

多模态大模型（MLLM）是能够理解、生成与协同处理文本、图像、音频、视频、3D点云等多种模态数据的统一基础模型。它突破了传统单模态模型的边界，通过跨模态表征学习与联合推理实现语义级对齐与泛化，成为通向通用人工智能的关键技术路径。

AI智能体（AI Agent）指具备感知、推理、规划、行动与学习能力的自主软件实体，能基于目标在动态环境中持续交互并完成复杂任务。其核心特征包括目标导向性、环境适应性、工具调用能力与分层认知结构，正从单任务脚本演进为具备长期记忆与社会协作能力的类人智能系统。