Aprenda como a IA recebe instruções, encontra fatos, usa ferramentas, fornece respostas e é verificada.
Abrir um termo para um significado simples, um exemplo, quando usá-lo, quão oficial ele é, e seu nome de código.
Este pacote de aprendizado separa duas ideias de sistema de IA. Um agente trabalha em direção a um objetivo através de etapas. A chamada de ferramenta permite que um modelo solicite uma ação externa limitada. O pacote não é um protocolo padrão de agente.
↗Um Loop de Agente é um ciclo controlado. O agente checa o estado, age com uma ferramenta permitida, lê o resultado e para ou continua.
↗Uma Habilidade de Agente ensina um tipo de tarefa repetível. Ela tem regras focadas e pode incluir scripts ou recursos.
↗O ajuste fino mantém o treinamento de um modelo pronto com exemplos cuidadosamente escolhidos de uma tarefa ou área. Isso altera os pesos e o comportamento aprendidos do modelo.
↗Este pacote de aprendizado compara uma falha com uma forma de reduzi-la. Alucinação é a saída do modelo sem suporte. Fundamentação liga afirmações a evidências que são dadas, encontradas ou verificadas. O pacote não é um único padrão de métrica de qualidade.
↗Alucinação de IA é um nome comum para uma resposta com reivindicações não suportadas ou falsas. O NIST usa o termo de risco mais exato confabulação.
↗Amostragem significa escolher a próxima peça de texto (token) de uma lista de escolhas possíveis e suas probabilidades. O modelo nem sempre escolhe a mais provável.
↗A amostragem Top-p ordena os tokens possíveis por probabilidade, em seguida mantém o menor grupo cuja probabilidade total atinge p. Ele escolhe o próximo token desse grupo.
↗A avaliação de IA é uma maneira repetível de testar um sistema de IA. Ela usa tarefas claras, dados de teste, regras de pontuação e limites de segurança.
↗Um avaliador de modelo usa um modelo de IA para pontuar ou rotular uma saída com uma regra escrita. Ele pode estar errado, então as pessoas devem verificá-lo com exemplos conhecidos.
↗Um banco de dados vetorial é um nome da indústria para um armazenamento de dados que salva vetores e busca por similares. Ele frequentemente filtra outros detalhes e usa índices aproximados rápidos, mas não existe um padrão universal único.
↗Barreira de IA é um nome genérico da indústria para controles de segurança. Esses controles podem encontrar, limitar, bloquear, alterar ou sinalizar entradas, saídas ou ações de IA inseguras. Não é uma ferramenta padrão única.
↗Um benchmark de IA é um conjunto fixo e registrado de tarefas, dados, medidas e condições de teste. Ele permite que as pessoas comparem sistemas usando as mesmas regras.
↗O cache de prompt permite que um serviço de modelo reutilize o trabalho para o mesmo início de uma entrada. Pode reduzir o processamento repetido, mas não reutiliza a resposta antiga.
↗A chamada de ferramenta permite que um modelo solicite uma ferramenta externa nomeada em um formato definido. A solicitação inclui argumentos. O aplicativo host decide se e como executá-la.
↗A Codificação Vibe constrói software através da conversa. Uma pessoa define e verifica a meta enquanto um agente de IA escreve grande parte do código.
↗A compactação de contexto substitui um estado de conversa mais antigo por um item menor para que uma tarefa longa possa continuar. O item pode não ser um resumo legível, e detalhes podem ser perdidos.
↗A destilação de conhecimento treina um pequeno modelo estudante para copiar sinais úteis de um modelo professor maior. O treinamento frequentemente usa tanto as pontuações do professor quanto rótulos corretos conhecidos.
↗A Engenharia de Contexto escolhe e ordena o que um modelo recebe. Isso pode incluir fatos, instruções, ferramentas, estados e provas.
↗A Engenharia de Suporte constrói o ambiente em torno de agentes de codificação. Inclui o repositório, instruções, ferramentas, segurança, ambiente e feedback.
↗raciocínio.esforço é uma configuração da API OpenAI para definir quanto trabalho do modelo uma solicitação deve usar antes de responder. Níveis suportados e padrões variam por modelo, e maior esforço não garante uma resposta correta.
↗A fragmentação de documentos divide o conteúdo em pequenas partes que um sistema de busca pode encontrar. Regras claras definem o tamanho de cada parte, sobreposição e ponto de parada antes da indexação.
↗O aterramento de IA vincula reivindicações ou ações a evidências, fontes encontradas ou dados confiáveis do sistema. Métodos e pontuações diferem. Não existe um único protocolo de aterramento.
↗A fundamentação pergunta quão bem as afirmações em uma resposta são apoiadas pelas fontes fornecidas ao modelo. É uma área de teste, não uma pontuação padrão global.
↗Geração Aumentada por Recuperação, ou RAG, encontra evidências externas em tempo de execução. Ela fornece essas evidências a um modelo antes de escrever.
↗Este pacote de aprendizado une três métodos de controle diferentes. Guardrails limitam o comportamento ou o enviam para mais revisão. Humanos verificam casos de alto impacto. Avaliações medem a qualidade em tarefas realistas. O pacote não é um método de segurança padrão.
↗O Histórico da Conversa é o chat antigo e estados úteis passados para turnos depois. Ele é filtrado ou resumido bastante.
↗Humano no loop é uma etapa de revisão planejada. Uma pessoa nomeada recebe os fatos, poder e dever para agir. Ela pode alterar, aprovar, rejeitar ou interromper trabalho assistido por IA.
↗IA multimodal pode usar ou criar vários tipos de dados. Estes podem incluir texto, imagens, áudio, vídeo ou dados de sensores.
↗Um embedding é uma lista de números que um modelo aprende para um item. Uma regra de distância ou similaridade pode então comparar padrões entre itens nesse espaço numérico.
↗Este pacote de aprendizado combina duas ideias de recuperação. Um embedding transforma conteúdo em vetores numéricos. Um banco de dados vetorial armazena, indexa, filtra e pesquisa esses vetores. O pacote não é um tipo padrão de armazenamento de dados.
↗Inferência é quando um modelo treinado usa uma nova entrada para fazer uma previsão, dar uma pontuação ou criar uma resposta. Seus pesos aprendidos não mudam.
↗A injeção de prompt é um texto prejudicial ou inesperado. Tenta fazer a IA ignorar as regras confiáveis do aplicativo e seguir outras instruções.
↗Uma janela de contexto é o número de tokens que uma solicitação de modelo pode conter tanto para entrada quanto para saída gerada. As regras exatas de contagem dependem do modelo e da API.
↗A memória do agente é informação armazenada que um agente de IA pode usar após a mensagem atual. Regras claras dizem o que é salvo, por quanto tempo e como pode mudar.
↗Um modelo de linguagem é um modelo estatístico que prevê e cria sequências. Ele geralmente consegue seguir instruções para texto e outros tipos de dados, chamados modalidades.
↗Este pacote de aprendizado cobre partes de aplicativos de IA: contexto, modelos, ferramentas, dados, verificações, regras, testes e plano de contingência. Não é um termo padrão.
↗A orquestração de agente é o plano que coordena agentes de IA, ferramentas, transferências, informações compartilhadas e regras de parada. Mantém um trabalho de vários passos sob controle.
↗Pesquisa híbrida usa tanto busca por palavra exata quanto busca vetorial baseada em significado para uma pergunta. Em seguida, combina ou reclassifica ambos os conjuntos de resultados.
↗Um prompt é tudo o que você dá para um modelo em uma tarefa. Pode incluir instruções, contexto, exemplos e dados.
↗Um system prompt é um conjunto de instruções importantes. Ele define o papel, os limites, as ferramentas e as regras de resposta de um produto de IA.
↗Agent2Agent (A2A) é um protocolo aberto e versionado para agentes de IA descobrirem habilidades, trocarem mensagens e gerenciarem tarefas. Cada implementação deve nomear uma versão de protocolo suportada.
↗O Protocolo de Contexto do Modelo conecta aplicações de IA a ferramentas e dados externos. Hosts usam clientes para se comunicar com servidores que oferecem ferramentas, recursos e prompts. É aberto, e ambos os lados primeiro concordam sobre as capacidades disponíveis.
↗A quantização do modelo armazena pesos ou ativações com formatos de número menos precisos. Isso pode reduzir o uso de memória, movimentação de dados e custo computacional.
↗O rastreamento de IA registra os passos vinculados em uma execução de IA, como chamadas de modelo, busca, uso de ferramenta e trabalho de agente. O registro ajuda as pessoas a acompanhar a execução do início ao fim.
↗ReAct significa Raciocinar e Agir. Um agente age, lê o resultado e usa esse fato para o próximo passo. Não é React.
↗A reordenação usa um segundo modelo para pontuar os resultados da busca novamente. Compara a pergunta com cada documento encontrado de forma mais detalhada e, em seguida, altera sua ordem.
↗A relevância da recuperação indica quão bem um resultado de pesquisa ou resposta atende à necessidade declarada pelo usuário sob regras claras de pontuação.
↗Um Stateless Request usa apenas os dados enviados naquela chamada. Ele não presume que o modelo lembra das chamadas anteriores.
↗Uma Streaming Response chega em pequenos eventos ou pedaços. Um resultado útil pode aparecer antes de o trabalho terminar.
↗O roteamento de modelo escolhe qual modelo ou caminho do modelo lida com cada solicitação. A escolha segue regras claras para qualidade, habilidade, custo, atraso ou política de segurança.
↗A saída estruturada faz com que um modelo siga um esquema legível por máquina em vez de escrever qualquer forma de prosa.
↗Um sandbox de agente é um lugar limitado onde um agente de IA pode executar código ou ferramentas. Ele separa a tarefa do resto do computador, mas a proteção depende de seu design.
↗Um Sub-agent é um agente separado com uma tarefa clara e limitada. Ele tem seu próprio contexto e um resultado para devolver.
↗Temperatura é uma configuração usada antes da amostragem. Ela altera se as chances do token estão concentradas em poucas opções ou distribuídas por mais opções.
↗Tempo até o primeiro token (TTFT) mede uma espera inicial. Ele começa em um ponto de solicitação claramente nomeado. Termina quando o cliente ou servidor vê o primeiro token gerado. Sempre indique ambos os pontos.
↗Este pacote compara duas medidas de velocidade de IA. TTFT é o tempo até o primeiro token. TPS é a quantidade de tokens gerados a cada segundo depois disso. Não é uma métrica padrão.
↗Este pacote de aprendizado combina duas ideias diferentes de tempo de execução de modelo. Um token é uma parte específica de entrada ou saída de um modelo. Uma janela de contexto limita a sequência disponível para uma geração. O pacote não é uma métrica padrão.
↗Um token de modelo é uma unidade de um tokenizador específico. O tokenizador transforma texto ou bytes em IDs numéricos para um modelo. Um token nem sempre é uma palavra ou caractere. Sua divisão e contagem dependem da versão do tokenizador.
↗Tokens de saída por segundo medem a rapidez com que um modelo cria tokens de saída após o início da decodificação. O relatório deve nomear o tokenizador, intervalo de tempo, método de agrupamento e número de requisições rodando em conjunto.
↗Um Transformer é um tipo de rede neural. Ele usa atenção para aprender como partes de uma sequência se relacionam e pode trabalhar em muitas posições ao mesmo tempo.
↗O uso do computador permite que um modelo visualize uma tela e retorne ações como clicar, digitar ou rolar. Um mecanismo de aplicação verifica e executa cada ação permitida.
↗O versionamento de prompt mantém revisões nomeadas e fixas de um prompt de produção. As equipes podem revisar, testar, liberar e restaurar uma revisão exata.
↗