一句话定义
序列到序列（Sequence-to-Sequence，Seq2Seq）是一类模型框架：输入是一串长度不定的内容，输出也是一串长度不定的内容，两者的长度和对齐关系都不必相同。
它是怎么工作的
Seq2Seq 通常由两部分组成：编码器（Encoder）和解码器（Decoder）。编码器先把整段输入"读"一遍，把它压缩成内部表示（早期实现里是一个固定长度的向量，叫上下文向量 context vector）；解码器再从这个表示出发，一个词一个词地"写"出输出，每写一个词，就把它接回去当作下一步的输入。
打个比方：请一位翻译把一段中文口译成英文。他得先把整段话听完，再开口，边译边想下一个词。输入 30 个字，输出可能是 15 个词，甚至语序完全不同。Seq2Seq 想做的就是这个：不要求输入输出一一对应，只要求意思对得上。这套结构在 2014 年前后被系统提出并迅速用于机器翻译。
注意力机制为什么会出现
早期 Seq2Seq 的瓶颈在"压缩"：整段输入必须塞进一个固定大小的向量，句子一长就装不下，前面的信息容易被冲淡。注意力机制（Attention）的思路很朴素——不让解码器只依赖那一个向量，而是让它在生成每个词时，回头"扫一眼"输入的各个位置，按相关程度加权取用。译到某个词，就重点看原文对应的那几个词。
所以说"注意力是为 Seq2Seq 服务的"名副其实：它最初就是为了解决AI 词典：编码器-解码器">编码器-解码器的信息瓶颈而被提出，后来才演化出几乎只用注意力的 Transformer 结构。
和相邻概念的区别
| 类型 | 输入 | 输出 | 典型任务 |
|---|---|---|---|
| 普通分类模型 | 一段文本 | 一个标签 | 情感判断、垃圾邮件识别 |
| Seq2Seq | 一段序列 | 另一段序列 | 翻译、摘要、语音转文字 |
| 自回归语言模型 | 前文 | 下一个词，不断续写 | 对话、写作、代码补全 |
要注意，Seq2Seq 是"接口约定"，不是某种具体网络。编码器和解码器用什么实现都行——RNN、LSTM、CNN、Transformer 都能填进去；今天主流的做法是 Transformer 的编码器-解码器结构（翻译系统里最常见的那种）。
对从业者和普通人的意义
对从业者：判断一个问题适不适合用 Seq2Seq，只需看两点——输入输出是不是都是序列，长度是不是可变。是，就套这个框架；不是，就别硬套。具体模型选型以官方页面为准。
对普通人：机器翻译、会议纪要摘要、语音转文字、客服自动回复、代码补全，这些"给一段、还一段"的功能背后大多是这个思路。下次提需求时，先讲清楚输入输出各是什么、大概多长，比纠结用哪个模型更有用。