术语词库

模型在训练数据上表现优秀，面对没见过的新数据却表现很差——相当于"背答案"而非"学方法"，是训练神经网络最常见的陷阱。

每次训练只喂一小份数据给网络。全喂太慢（full batch），一条一条太不稳（SGD），小批量（通常 32/64/128 条）兼顾速度和稳定性，是现代训练的标准做法。

全部训练数据完整过一遍网络就是一个 epoch。1000 条数据、每批 100 条，那么 1 个 epoch = 10 步。通常需要训练几十甚至几百个 epoch，模型才能充分学习数据中的规律。

神经网络学习的核心流程——前向传播算预测、损失函数量化误差、反向传播算梯度、更新参数，四步一轮反复执行直到收敛。就像练字帖：写一遍→对比差距→分析哪里歪→下一遍调整。

输入层和输出层之间的神经元层——叫"隐藏"是因为它的值既不是原始输入也不是最终输出，从外部看不到。一个网络可以有多个隐藏层，层数越多网络越"深"，这就是"深度学习"中"深度"的来源。

数据从输入到输出单向流过网络的计算过程——每层执行"矩阵乘法→加偏置→激活函数"，输出喂给下一层。叫"前向"是因为数据只往前走，没有回头路。对应代码里的 model.forward() 或直接 model(x)。

Agent 执行过程中保存的状态快照，用于故障恢复和断点续跑。与传统分布式系统的 checkpoint 不同，Agent 场景下 checkpoint 不仅保存数据状态，还需保存推理上下文（对话历史、已调用工具的结果等）。LangGraph 提供原生 checkpoint 支持。

一种隔离执行环境，在本系列中特指 Coding Agent 用于运行用户代码的安全容器。沙箱确保 Agent 生成的代码在受限环境中执行，即使代码有 bug 或恶意行为也不会影响宿主系统。核心挑战：安全隔离与功能可用性之间的平衡。

LLM 生成看似合理但实际不正确内容的现象。在 Agent 场景下有两层含义：①普通幻觉——编造不存在的事实；②Agent 特有幻觉——编造不存在的工具调用结果（如工具返回为空时假装拿到了数据继续执行）。后者更隐蔽、危害更大，需要在 Prompt 层面设计专门的防护栏。

让 LLM 在给出最终答案前，先逐步展示推理过程的提示策略。通过"让我一步步想"引导模型输出中间推理步骤，显著提升复杂推理任务的准确率。与 ReAct 的区别：CoT 是"闭卷思考"（纯推理），ReAct 是"开卷考试"（推理+行动交替）。

协调多个 Agent 或多个处理步骤的执行顺序、任务分配和结果汇总的控制机制。本系列统一译为"编排"。三种主流模式：Supervisor（中心路由）、Swarm（去中心移交）、Role-based（固定流水线）。各框架的特定实现：LangChain 称 Chain、LangGraph 称 StateGraph、CrewAI 称 Process、MetaGPT 称 Phase。

Google 主导的开放协议，定义 Agent 间如何发现、通信和协作。已捐赠 Linux Foundation，100+企业参与，ACP 已并入。与 MCP 互补：MCP 管工具调用，A2A 管 Agent 协作。核心概念：Agent Card（能力声明）+ Task（有状态协作单元）。