Martin Fowler

Bliki: Generated Glossary

8.5内容质量

TL;DR · AI 摘要

使用生成的术语表可提升LLM在特定领域的准确性,需结合组织内部数据并定期维护。

核心要点

  • 利用内部文档/邮件/代码库生成领域术语表可提升LLM理解准确性
  • 术语表需包含新术语和已有术语的非常规用法定义
  • 不同Bounded Context应维护独立术语表并定期人工校验

结构提纲

按章节快速跳转。

  1. 领域专用术语阻碍LLM在组织场景中的有效性,需通过术语表解决。

  2. 应使用组织内部文档、邮件、代码库等文本数据作为术语生成基础。

  3. 需识别单字术语和高频共现词组,特别关注非常规用法。

  4. 生成结构化定义并标注上下文差异,采用字典格式保证精确性。

  5. 必须由领域专家校验术语定义准确性并持续迭代更新。

  6. 需建立版本控制和定期更新机制,支持多Bounded Context管理。

思维导图

用一张图看清主题之间的关系。

查看大纲文本(无障碍 / 无 JS 友好)
  • 生成术语表提升LLM准确性
    • 数据源
      • 文档/邮件/代码库/音频转录
    • 生成流程
      • 术语识别
      • 定义生成
      • 上下文标注
    • 维护策略
      • 版本控制
      • 定期更新
      • 多Bounded Context管理

金句 / Highlights

值得收藏与分享的关键句。

#生成式AI#术语表#领域驱动设计#LLM
打开原文

生成的术语表

2026年11月12日

Martin Fowler

文档

领域驱动设计

生成式AI

当我们在特定领域(如任何规模较大的组织的运营)中使用大型语言模型(LLM)时,会遇到大量专业术语。这些词汇及其特定含义对LLM来说是陌生的,因为它们不在训练数据集中,这使得LLM在该领域执行任务时效果大打折扣。一种解决方案是使用LLM生成该领域的术语表,并将该术语表提供给所有在该场景下工作的LLM使用。

LLM的数据来源可以是相关组织内部的任何材料,如文档、电子邮件和聊天记录。在某些情况下,获取音频或视频的转录文本可能有所帮助,但大多数组织生成的文本量已足够完成这项工作。

生成术语表的LLM应寻找单独的单词以及经常一起出现形成有意义术语的多个单词短语。应要求生成器识别新术语,同时也要识别那些以不熟悉方式使用的已知术语。后者往往最容易引起混淆。

一旦我们获得专业词汇列表,就可以要求代理生成包含每个术语定义的术语表。某些术语可能有不同用法,此时LLM应提供替代定义,并注明差异出现的上下文。可以要求LLM遵循字典的输出格式,注重精确性和简洁性。

在获得术语表初稿后,该领域的专家应对其进行审核,并修正LLM理解错误的术语。随后,我们将术语表放置在任何其他LLM都能使用的地点。应采用LLM易于查阅的格式,并尽量减少LLM为查找含义所需消耗的token数量。我们应建立定期审查和更新术语表的机制,由代理和人工共同执行。同时应将其纳入版本控制,以便观察其随时间的变化。

大型组织通常在不同地方有细微不同的定义,本质上遵循了领域驱动设计中“有界上下文(Bounded Context)”的概念。源代码可以作为一个特别有趣的有界上下文,帮助人们理解术语在代码库中的使用方式。有时一个术语表可以覆盖多个有界上下文,但在其他情况下,为每个有界上下文单独创建术语表可能更合适,使LLM能够查阅与其工作相关的术语表。我建议大家抵制创建单一标准术语表的诱惑——迄今为止我还没有看到这种做法取得成功。术语表的价值往往不在于固定某个术语的单一定义,而在于突出其在不同上下文中的不同用法。

当存在不同有界上下文时,比较不同术语表或让LLM比较术语表并描述用法差异会很有意思。将源自源代码的术语表与人工文本进行比较尤其具有启发性。

如果术语表较大,初始上下文中只需包含术语和定义链接即可。模型在工作时只需通过链接获取需要的完整定义。

在Agentic Engineering中,术语表可以以多种方式加以应用。术语表可以指导代码生成,使生成的软件中的命名符合企业特定的词汇体系。线束中的传感器可以检查这种用法,既包括软件内部,也包括用户界面。

在生成代码或文档时,我们可能会引入新的有界上下文。例如,组织内部使用的名称不应出现在面向客户的用户界面中,因为这些内部术语很可能会让客户感到困惑。在这种情况下,客户与为其服务的企业部门具有不同的有界上下文。

术语表中通常包含不应使用的术语,此时会提供替代术语的建议。已弃用的术语可以通过这种方式处理,术语表条目中会标明术语应生效的时间段。

在与大型组织中使用代理的人交流时,一个常见主题是专业语言的使用难度。这促使了领域建模、构建本体以及在企业数据中构建显式上下文层的活动。让大语言模型生成术语表是这项工作中简单但有用的组成部分。

致谢

Eric Nagler 和 Unmesh Joshi 分享了他们进行这项活动的经验,从而启发了本文。Amy Pellegrini、Annie Luxton、Arun Srinivasan、Chris Ford、Daniel Terhorst-North、Dave Farley、Eric Nagler、James Shore、Jason Yip、Jimmy Nilsson、Matteo Vaccari、Michaël Le Barbier、Pete Hodgson、Pramod Sadalage、Ravi Vats、Unmesh Joshi 和 Valentyn Logvynskyi 对草稿提出了意见。