↗术语表

被随意使用的那些词。

前置部署工程师（FDE）

不在远端交付，而是进入你的团队和代码库工作的工程师。这一模式由 Palantir 普及，2026 年 Anthropic、OpenAI、AWS 与 Microsoft 都为此投入资金。要点是：定范围的人就是交付的人。

阅读 前置部署工程师（FDE） 的完整定义

AI 咨询

以“跑起来的东西”而非一份演示收尾的顾问工作：就绪度评估、书面方案，通常还包括落地实施。对任何一家都问两个问题：多少钱，以及具体由谁来做。

AI 就绪度评估

用一次简短的审视，判断你的数据、系统和团队能否支撑正在考虑的项目。它应当点名哪些流程值得改、哪些还不具备条件，并且在答案是“还不到时候”时照实说。

AI 落地实施

从“决定用 AI”到“在生产环境跑起来”之间的那一步：系统集成、访问权限、回滚方案，以及交接给后续维护的人。多数停滞的项目卡在这里，而不是卡在模型上。

AI 治理

把公司里如何使用 AI 写成规则：它能看到哪些数据、谁来批准、记录什么、错误输出如何被发现。落到实处是一份policy文档、一套审计日志和一个回滚方案，而不是一纸原则声明。

AI 试点

在正式投入前，对某个流程做的有限试运行。只有事先把“何时收手”的标准写下来，试点才有意义；否则它会变成跑了一年却始终没上线的那个项目。

AI 能力建设

改变团队周一怎么做事，而不是周五知道什么的培训。公开的开班日期、真实的考核，以及课程期间做出来的东西，而不是一张出勤证书。

大语言模型（LLM）

经过训练来预测文本的模型，这也是同一个问题可能得到两种答案的原因。任务允许人工复核时很有用；未经复核就直接送到客户或账目里时则很危险。

检索增强生成（RAG）

在提问时把你的文档交给模型，而不是把它们训练进模型里。助手之所以能依据你们的规章而不是互联网作答，靠的就是它；通常比微调更便宜、也更容易纠正。

AI 智能体

被赋予工具和行动权限的模型：发邮件、改记录、调用接口。工程上的难点不在推理，而在于界定它可以碰什么、以及哪些事必须先问过人。

评测（eval）

一套可重复的测试，用已知正确答案给模型输出打分。没有它，你分不清改了提示词是变好了还是只是变了。这就是“交付”和“猜”的区别。

微调（fine-tuning）

用你自己的样例对现有模型做进一步训练，让它采用某种格式或文风。对输出一致性有用；但要让模型记住事实，它通常是错的工具，检索（RAG）更合适。