机器学习（Machine Learning, ML）是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析等数学理论。其核心目标是让计算机通过分析数据，自动学习规律并构建模型，从而对未知数据进行预测或决策，而无需依赖显式的程序指令。通过数据驱动的方式，使系统能够从经验（数据）中改进性能，形成对数据模式的抽象化表达。模型：模型是对现实世界现象的一种抽象表示，用于描述输入数据和

关键字作用范围核心含义简述static类成员（变量/方法）属于类本身，而非某个实例final变量 / 方法 / 类表示“不可变”或“不可继承/重写”transient实例变量序列化时跳过该字段native方法方法实现在本地（如 C/C++），由 JVM 调用✅小贴士：它们不是同一类东西！static和final是访问/语义控制，transient是序列化控制，native是跨语言调用桥梁。Stri

Agent智能体（AI Agent）是一种能够感知环境、自主决策并执行任务的软件或硬件实体。它以大语言模型（LLM）为核心，结合规划、记忆、工具调用等模块，实现复杂任务的自动化处理。马文·明斯基（Marvin Minsky）：最早提出“Agent”概念，认为其具备社会交互性和智能性。《人工智能：一种现代方法》：定义为“通过传感器感知环境，并通过执行器对环境采取行动的实体”。OpenAI：强调Age

定义：大型语言模型（LLM）是一种生成模型，LLM是基于海量文本数据训练的深度学习模型（如GPT、BERT），能够根据输入的提示或查询生成相关的文本内容。原理：预训练：在大规模语料库上学习语言模式（如语法、语义）。推理阶段：根据输入上下文预测下一个词（或token），逐步生成文本。特点：依赖静态的预训练知识库，无法动态更新外部信息。LLM是一个强大的工具，能够快速生成针对用户查询的回应，但它受限于

深度学习（Deep Learning, DL）是机器学习（ML）领域的一个重要分支，它通过构建和训练深层神经网络模型，使机器能够从数据中自动学习特征表示，并完成复杂模式的识别任务。其核心目标是模拟人类大脑的层次化信息处理机制，解决传统机器学习方法难以处理的非结构化数据问题（如图像、语音、文本）。深度学习是推动现代人工智能发展的核心技术，通过深层神经网络模拟人脑的信息处理机制，在图像识别、自然语言处

机器学习（Machine Learning, ML）是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析等数学理论。其核心目标是让计算机通过分析数据，自动学习规律并构建模型，从而对未知数据进行预测或决策，而无需依赖显式的程序指令。通过数据驱动的方式，使系统能够从经验（数据）中改进性能，形成对数据模式的抽象化表达。模型：模型是对现实世界现象的一种抽象表示，用于描述输入数据和

起源：最初为加速计算机图形渲染（如游戏、3D建模）而设计，由于其高度并行化的架构，GPU也被广泛应用于科学计算、数据分析以及机器学习等领域。架构特点：大规模并行计算：包含数千个小型核心（如NVIDIA的CUDA核心），可同时处理大量数据。高内存带宽：GPU配备了专门的高速GDDR内存，能够快速传输大量数据。灵活性：支持多种计算任务（图形渲染、科学计算、深度学习等），兼容主流框架（如PyTorch、

云”指的是云计算环境，代表应用运行的基础设施和资源。依赖并充分利用云计算的弹性、分布式和资源池化能力。核心含义：1、云计算基础设施云原生应用的设计和运行完全基于云平台（如公有云、私有云或混合云），而非传统的本地物理服务器或数据中心。通过云计算的弹性、分布式、资源池化等特性，实现按需扩展、快速部署和高可用性。弹性伸缩：云原生应用可根据负载动态扩缩容（如电商大促时自动增加服务器资源），这是传统应用迁移

人工智能(Artificial Intelligence, AI)是最广泛的上层概念，目标是让机器模拟人类智能行为（如感知、推理、学习、决策、创造等），涵盖所有与智能相关的技术。AI是一个广泛的领域，它涵盖了所有旨在模仿或超越人类智能行为的尝试和技术。AI不仅限于软件实现，也包括硬件机器人和其他形式的人工智能系统。AI是终极目标：让机器模拟人类智能。ML是实现AI的关键手段：通过数据驱动替代硬编码

Transformer是一种基于自注意力机制（Self-Attention）的深度学习模型架构，由Google团队于2017年在论文《Attention is All You Need》中提出。其核心思想是完全摒弃传统的循环神经网络（RNN）和卷积神经网络（CNN），通过自注意力机制捕捉序列中元素之间的全局依赖关系，从而实现高效并行化计算。Transformer是人工智能领域的革命性架构，其核心价