概念词汇表：H¶
本页整理拼音首字母为 H 的中文概念词条。词条正文由单词源文件 include 生成。
幻觉¶
- 含义：幻觉是指生成式 AI 在缺少依据或内容错误时，仍然生成流畅、自信文本的错误。它不只是不自然的输出，也包括表面正常但事实为空、过时或错误的内容。
- 为什么重要：幻觉是生成式 AI 的核心风险之一，因为流畅表达并不等于正确。理解这个概念后，读者才能区分哪些问题可以靠提示词改善，哪些问题需要检索、证据核查、人工评审或来源确认。
- 相关概念：
虚构式生成，证据，评审，事实性，提示词的限制 - 中心 Section：
P1-12.3 - 出现 Section：
P1-10.3
手工特征¶
- 含义：手工特征是人在模型学习之前预先设计的输入线索或属性。例如边缘、颜色分布、纹理、长度等，都是人先判断为重要后再转成数值的特征。
- 为什么重要：这个概念说明了早期图像识别为什么高度依赖人工特征设计，也说明了表示学习为什么成为重要转变。它帮助读者区分人选择的特征和模型内部学到的表示。
- 相关概念：
特征，图像识别，学习到的表示 - 中心 Section：
P1-9.1
测试框架¶
- 含义：测试框架是一种包住模型和工具运行的执行结构，用来固定输入、步骤、日志和评估结果，使运行可以重复和比较。它不是模型本身，而是让模型在一致条件下被测量的外层结构。
- 为什么重要：智能体式工作需要知道执行了什么、在哪里失败、修改后是否真的变好。测试框架把一次性演示变成可重复测量，把输入集、执行规则、追踪记录和评估输出放在同一个框架中。
- 相关概念：
智能体，日志，评估，追踪 - 中心 Section：
P6-15.2 - 出现 Section：
P1-14.5,P1-15.1,P6-14.1,P6-15.1,P6-16.1,P6-17.2,P6-18.2
哈希表¶
- 含义：哈希表是一种用哈希规则把键映射到候选存储位置的数据结构，从而快速找到对应的值。Python 的字典就是常见例子，可用于
用户 ID -> 信息、设置名 -> 设置值这样的映射。 - 为什么重要：哈希表解释了按键查找为什么不同于按顺序扫描列表。当程序需要根据名称、标识符或配置键快速读取和更新值时，这种结构非常合适。
- 相关概念：
键，数据结构，运算 - 中心 Section：
P2-9.4 - 出现 Section：
P2-9.1
启发式¶
- 含义：启发式是一种经验性判断规则。它不保证最优答案，但会让系统先查看看起来更有希望的候选。它更像有限时间内的实用引导，而不是总能证明最优的公式。
- 为什么重要：许多 AI 问题的路径和组合太多，无法全部检查。启发式帮助读者区分“保证最优”的方法和“在现实限制下尽快找到可用答案”的策略。
- 相关概念：
搜索，状态，目标 - 中心 Section：
P4-3.1 - 出现 Section：
P1-2.2,P1-7.2,P4-3.2
启发式函数¶
- 含义：启发式函数把候选状态的有希望程度表示为分数或估计值，用来指导搜索顺序。它通常不是直接求出最终答案的公式，而是决定先看哪个候选的规则。
- 为什么重要：启发式搜索不只是直觉。启发式函数把排序规则变成可计算过程，即使分数只是近似，也能让候选被比较和优先处理。
- 相关概念：
启发式，搜索，足够好的解 - 中心 Section：
P1-7.2 - 出现 Section：
P1-2.2,P1-7.1,P1-7.3
启发式分数¶
- 含义：启发式分数是用来比较候选有多大希望的相对数值。它通常应被读作排序信号，而不是某个候选正确的校准概率。
- 为什么重要：AI 工作流中的数字不一定都是概率。这个概念帮助读者避免把较大的启发式分数当作确定事实，而是先问这个分数要排序或优先处理什么。
- 相关概念：
启发式，启发式函数，概率估计值 - 中心 Section：
P1-7.3 - 出现 Section：
P1-7.2
隐藏层¶
- 含义：隐藏层是神经网络中位于输入层和输出层之间的层。它生成中间表示，这些表示不直接作为最终答案读取，而是把输入变成更有用的内部特征。
- 为什么重要：隐藏层说明深度学习不是简单的输入到输出对应。网络可以通过多个内部阶段重塑数据，让后面的层使用比原始输入更有用的表示。
- 相关概念：
感知机，多层神经网络，激活函数 - 中心 Section：
P5-2.1 - 出现 Section：
P5-2.2,P5-7.1
隐藏状态¶
- 含义：隐藏状态在本书中有两种常见含义。在循环神经网络中，它是把较早输入的信息带到后续计算的内部状态。在笔记本执行中，它也可以指页面上看不见、但会影响后续单元格的运行时值或设置。
- 为什么重要：同一个词组可能指模型记忆，也可能指执行环境状态。区分这两种语境后，读者才能解释为什么可见输入相同，结果却可能因为不可见的内部状态而不同。
- 相关概念：
循环神经网络，执行顺序，运行时状态 - 中心 Section：
P1-11.2 - 出现 Section：
P2-10.3
直方图¶
- 含义：直方图把数值划分为若干区间，并显示每个区间中有多少个值。它不是逐点查看数据，而是显示数值集中、稀少、偏斜或分散的位置。
- 为什么重要：平均值一个数字可能隐藏数据形状。直方图帮助读者查看分布、异常值和多个峰，同时也提醒读者区间宽度会影响看到的图形。
- 相关概念：
分布，异常值，图 - 中心 Section：
P2-13.2 - 出现 Section：
P2-13.3,P4-16.1
暂停状态¶
- 含义：暂停状态是指运行因为外部条件尚未满足而停住，例如等待审批、等待人工回应，或权限边界尚未打开。它不是工具损坏导致的失败。
- 为什么重要：把暂停状态当作普通失败会误判下一步行动。这个概念帮助读者区分重试故障步骤、等待审批、报告暂停，以及在允许继续之前保留状态。
- 相关概念：
审批策略，审批，状态，重试，运行记录 - 中心 Section：
P7-6.3 - 出现 Section：
P7-6.1,P7-6.2
宿主¶
- 含义：宿主是用户实际交互的外层应用或执行环境。在 MCP 语境中，宿主持有一个或多个客户端，管理请求，应用工具使用策略，并组织面向用户的工作流。
- 为什么重要：宿主不等于服务器。这个区分帮助读者分清用户看到的应用、打开连接的客户端，以及提供工具或资源的服务器。
- 相关概念：
客户端，服务器，模型上下文协议，审批 - 中心 Section：
P1-14.4
人工评估¶
- 含义：人工评估是由人根据上下文、语气、可用性、事实性、安全性和可能误解来判断输出质量的方法。它常配合评分准则使用，使多个评审者能更一致地比较结果。
- 为什么重要：自动指标可能漏掉细微质量问题和真实使用中的问题，生成式 AI 尤其如此。人工评估提供更宽的判断，但也需要明确标准和一致性流程，因为人的判断并不会自动一致。
- 相关概念：
评估，自动评估，评审，事实性 - 中心 Section：
P6-16.2 - 出现 Section：
P6-17.1
人工监督¶
- 含义：人工监督是一种控制结构，使人能够审查 AI 输出，并在需要时介入、停止执行、退回结果或要求修改。它比没有实际干预权的形式化批准更强。
- 为什么重要：在高风险自动化中，责任需要真实可用的介入点。这个概念帮助读者区分“有人在场”和“人真的能够检查、停止并纠正系统”。
- 相关概念：
安全性，责任，测试框架，审批 - 中心 Section：
P1-15.1 - 出现 Section：
P1-10.3
超参数¶
- 含义：超参数是在训练前由人设定的值，用来控制模型如何训练或形成结构。例如学习率、层数、树深度等，都是从模型学习到的参数之外调整的设置。
- 为什么重要：超参数不同于从数据中学到的参数。这个区分帮助读者理解调优和验证，并判断性能变化来自模型内部学到的值，还是来自训练时设定的外部条件。
- 相关概念：
参数，调优，验证 - 中心 Section：
P4-9.1 - 出现 Section：
P4-9.2,P4-9.3,P4-14.2,P4-16.2