术语表

按线筛选：

token M

文本的最小计费单位。中文约 1 字 ≈ 1-2 token，所以中文比英文费钱；API 按输入+输出 token 数计费，成本可以手算。

embedding（嵌入向量） M

把词/句变成一串数字（向量），语义相近则距离近，RAG 检索和语义搜索的地基。

注意力 Attention M

每个词参考句中所有词的重要性加权。直觉理解即可（能画图讲清），不需要推导数学。

temperature M

采样温度：0=每次选最稳的词（可复现），越高越随机。实验与评测一律 0；你一直在设 temperature=0，现在知道为什么了。

参数量与内存估算 M

Q4 量化下内存 ≈ 参数量×0.6GB/B：0.5B→0.5GB、1.7B→1.2GB、7B→4.5GB。16GB 内存的 CPU 机可跑 7B。

Few-shot M

在 prompt 里给 2-3 个输入输出范例，比千字文字描述更能稳定输出格式。

CoT 思维链 M

让模型先分步思考再给答案，数学与多步任务的提分器。

切块 Chunking M

把文档切成片段再嵌入。按标题层级/语义切，好过朴素 400 字一刀切，垃圾进垃圾出。

BM25 混合检索 M

关键词检索（rank_bm25 库）+ 向量两路召回再合并。专有名词、编号类问题向量检索必挂，BM25 补位。

Rerank 重排序 M

用 bge-reranker-base 对粗排候选精排（top10→top3），CPU 可跑。

GGUF 与量化等级 M

llama.cpp 的模型格式；Q4_K_M / Q8 等等级是质量与内存的取舍表。

Ollama M

llama.cpp 的便捷封装：拉模型、起 OpenAI 兼容服务一条命令（127.0.0.1:11434/v1）。

RapidOCR M

PaddleOCR 模型的 ONNX 版，pip install rapidocr-onnxruntime 即用，CPU 友好无重依赖，发票识别侧首选。

pandas 核心 50 操作 M

读入/筛选/分组聚合/合并/透视，能覆盖 90% 日常表格数据处理。

Parquet M

列式存储格式，ZSTD 压缩可比 CSV 省 70-90% 空间，你存储优化知识的落地格式。

PII M

个人身份信息（身份证/手机号）。演示前脱敏；私有化部署的卖点就是数据不出内网。

StateGraph G

LangGraph 的核心：用节点和边把流程建成一张图，state 在节点间流动。

State 与 Reducer G

state 用 TypedDict 定义；字段默认整体覆盖，Annotated[list, operator.add] 指定追加合并，没 Reducer 并发写会丢数据（实测'B 丢了'）。

条件边 add_conditional_edges G

根据 state 内容决定下一步去哪个节点的路由器。

Command G

节点返回 Command(update=..., goto=...)，在节点内部同时更新状态并决定去向，动态分支内聚。

Send G

map-reduce 扇出：按数据条数动态生成 N 个并行分支再汇总，比 for 循环串行快（实测可对账）。

Subgraph G

图里套图：把一段流程封装成子图当节点复用，父子图靠共享 state key 桥接。

Checkpointer G

每步执行后存检查点。MemorySaver 在内存（重启即失），SqliteSaver 落盘可跨进程续跑。

thread_id G

会话标识，隔离不同对话的检查点，多租户的基础。

interrupt G

图内暂停等人工决定，用 Command(resume=...) 带同一 thread_id 恢复。必须配 checkpointer，否则状态无法恢复。

时间旅行 G

get_state_history 看历史，invoke(None, old_config) 从旧检查点重放，update_state 改状态分叉出新分支。

Store G

跨 thread 的长期记忆（InMemoryStore，namespace 如 ("users","u001") 分桶）。与 Checkpointer 分工：一个是执行历史，一个是用户画像。

MCP G

模型上下文协议：标准化接入外部工具（如文件系统 server）。allowed 目录必须锁最小权限。

结构化输出 G

Pydantic 模型 + Field 描述 + with_structured_output，发票字段抽取的标配（G4-01）。

Streaming 四模式 G

values（全量 state）/ updates（每节点进出）/ messages（逐 token 打字机）/ custom（自定义）。

欠拟合 / 过拟合 S

训练损失都下不来=欠拟合；训练好验证差=过拟合（loss 剪刀差）。正则化、数据增强、早停治过拟合。

数据泄漏 S

验证/测试信息混进训练（如用测试集统计归一化参数、重复样本），线下高分线上翻车。

Dataset / DataLoader 协议 S

自定义 Dataset 实现 __len__ / __getitem__，DataLoader 负责批量+打乱（Windows 上 num_workers=0）。

state_dict S

PyTorch 模型参数的标准保存格式；加载后必须 model.eval()，推理包 torch.no_grad()。

学习率 LR S

第一超参数：太大震荡甚至发散（实测 lr=10.0 时 Adam 把 loss 推到 28400），太小学不动。Adam 常用 1e-3，SGD 常用 0.1，不可互换。

混淆矩阵 S

每类被预测成什么的矩阵，总体准确率会骗人，召回/精度要按类别看。

交叉验证 S

k 折轮流当验证集，报 mean±std，小数据评估才可靠。

LoRA S

冻结原模型只训低秩旁路，0.5B 模型 CPU 也能微调，训练线进入 LLM 时代的桥（S8-03）。