人工智能代理 (AI Agent) 人工智能代理（AI Agent）是一種具備自主感知、決策與行動能力的智能系統，它能夠模仿人類的思考與行為過程，在不需持續人工干預的情況下，根據所處環境的信息自動完成特定任務。與傳統被動式的人工智慧工具不同，AI Agent更像是具有主動性和目標導向的「代理人」，能夠整合多種AI技術自主分析問題、規劃任務並實施行動。
強化學習 (Reinforcement Learning) 強化學習（Reinforcement Learning，簡稱RL）是機器學習中的一種重要分支，其核心理念是透過「試錯法」讓智能體（Agent）在動態環境中不斷探索，從中學習如何做出最佳決策以最大化累積獎勵。它與監督學習和非監督學習不同，不需要預先標註好的正確答案，而是依靠環境給予的反饋信號來指導行為優化。
自然語言處理 NLP 自然語言處理（Natural Language Processing，簡稱NLP）是人工智慧和計算語言學的一個交叉領域，致力於讓計算機能夠理解、分析、生成與應用人類日常使用的自然語言。無論是書面文字還是口語表達，NLP都嘗試使機器具備類似人類的語言理解和溝通能力，促進人機之間更加自然、高效的交流。
變換器 (Transformer) 變換器（Transformer）是一種深度學習架構，於2017年由谷歌大腦團隊發表的論文《Attention Is All You Need》中首次提出，徹底改變了自然語言處理（NLP）和其他序列數據處理的方式。其核心創新是完全基於注意力機制（Attention Mechanism），放棄了過往循環神經網絡（RNN）和長短期記憶網絡（LSTM）依賴序列處理的限制，從而大幅提升模型的計算效率並更好地捕捉長距離依賴關係。
注意力機制 (Attention Mechanism) 注意力機制（Attention Mechanism）是一種靈感來自人類認知過程的深度學習技術，模仿人類在處理大量信息時，會有選擇性地集中注意力於關鍵部位的能力。它通過計算輸入數據中各部分的重要性權重，讓模型能夠自動識別和強化對於當前任務最相關的信息，而減少對無關信息的關注。這使得神經網絡能更高效地理解和生成數據，提高模型的表現與解釋能力。
嵌入 (Embeddings) 嵌入（Embeddings）是人工智慧和機器學習中一種重要的數據表示方法，它將原本難以直接計算和理解的高維、非結構化數據，如文字、圖像或音訊，透過數學映射轉換成低維且連續的向量形式。這些向量能捕捉數據的語義特徵和內在關係，讓機器能夠在高維空間中進行計算、比較和推理，從而更有效地理解和處理複雜數據。
向量數據庫 (Vector Database) 向量數據庫（Vector Database）是一種專門設計用於儲存、管理和檢索高維度向量數據的數據庫系統。這些向量通常是由人工智慧模型，尤其是大型語言模型和深度學習系統將文字、圖像、音頻等非結構化數據轉換而來的數學表達形式。向量數據庫通過對這些向量進行索引和相似度搜索，支持基於語義的快速檢索，成為現代AI應用尤其是語義搜索、推薦系統和生成式AI的核心基礎設施。
檢索增強生成RAG 檢索增強生成（Retrieval Augmented Generation，簡稱RAG）是一種結合資訊檢索技術與生成式人工智能的大型語言模型（LLM）框架，旨在突破傳統語言模型知識的局限，提升生成回答的準確度和時效性。RAG 模型通過先從外部知識庫或資料庫檢索出與用戶提問相關的內容切片，然後將這些檢索結果與原始問題共同輸入語言模型，由語言模型基於這些外部資訊生成更精準且具依據的答案。
語義搜索 (Semantic Search) 語義搜索（Semantic Search）是一種基於自然語言處理和人工智慧技術的先進搜索方法，旨在讓計算機理解使用者查詢和資訊內容的深層意義，而非僅僅依賴關鍵字的字面匹配。語義搜索通過對語義的理解，更準確地捕捉用戶的搜索意圖，從而提供更相關、更精確的搜索結果，顯著提升搜索體驗。
