原文：/Users/zongxiaocheng/Library/Mobile Documents/iCloud
mdobsidian/Documents/AI 常见名词解释.md 重写说明：基于原文重写，去掉了学术和翻译腔。梳理了从基础概念、模型训练到 Agent 工程化的逻辑线，用大白话解释了这些常见的 AI 术语，让内容更易读。
用大白话解释常见的 AI 术语
你最近肯定听过很多 AI 词汇。你大概知道它们是什么意思，但可能又没那么确定。
这篇文章用最通俗的话，把这些满天飞的 AI 黑话解释清楚。下次开会再听到这些词，你就不用一头雾水了。
基础与核心概念
什么是模型（Model）？
AI 模型就像一个模仿人脑工作的计算机程序。你给它一个输入，它处理一下，然后给你一个输出。
模型像小孩子一样，通过看大量例子来“学习”。看得多了，它就能认出模式、理解语言，并给出合理的回答。
模型有很多种。处理文字的叫大语言模型（LLM），比如 ChatGPT。处理视频的叫视频模型，比如 Sora。还有传统的用来推荐内容和识别垃圾邮件的模型。
大语言模型（LLM）
全称是大语言模型（Large Language Model）。它专门用来理解和生成人类能看懂的文字。
现在大多数 LLM 已经不只懂文字了。它们变成了“多模态”模型，可以同时看懂图片、听懂声音，甚至直接用语音和你对话。
Transformer 架构
这是 Google 在 2017 年发明的一种算法，也是现代 AI 爆发的基础。
它引入了“注意力机制”。以前的 AI 只能挨个看句子里的词，而 Transformer 可以同时看完所有词，并理解词和词之间的关系。这就让它能更好地把握上下文和细微差别。
它还能“并行处理”。这意味着只要堆算力和数据，就能训练出更大、更聪明的模型。如今几乎所有主流 AI 模型都是基于它构建的。
Token（词元）
Token 是 AI 理解文字的最小单位。
对于英文来说，一个 Token 有时是一个词，有时只是词的一部分。比如“ChatGPT”可能会被切成“Chat”和“GPT”两个 Token。把它切碎，是为了让模型处理起来更高效。
现在还都在争论 Token 怎么翻译的问题，暂时可以先忽略这个中文翻译
模型是怎么变聪明的？
训练（Training / Pre-training）
训练就是让模型看海量的数据，比如整个互联网的网页、所有的书。这个过程可能要花几个月，烧掉几亿美金。
训练语言模型最核心的方法叫“预测下一个词”。你给模型看半句话，让它猜最后一个词。猜对了强化记忆，猜错了调整参数。经过千锤百炼，它就学会了事实、语法和逻辑。
监督学习 vs 无监督学习
监督学习就是用“打好标签”的数据教模型。比如给几万封邮件打上“垃圾邮件”标签，模型看完就知道垃圾邮件长什么样了。
无监督学习则是给模型一堆没有标签的数据，让它自己去找规律。比如自动把相似的新闻聚拢在一起。
现代语言模型大多用一种变体——“自监督学习”。它自己把句子最后一个词藏起来作为标签，不需要人工去标注海量数据。
后训练（Post-training）
基础训练做完后，模型懂很多，但还不一定好用。这就需要后训练（Post-training），让它变成一个听话的助手。这主要包括微调和 RLHF 两种方法。
微调（Fine-tuning）
微调就是给模型“开小灶”。
拿公司的客服聊天记录去训练它，它就会带上你们公司的语气。拿医学资料去训练，它就变成了医学小专家。它保留了基础的通用知识，但在特定领域变得更强。
RLHF（基于人类反馈的强化学习）
光懂知识不够，模型还得懂礼貌、不乱说话。RLHF 就是用来对齐人类意图的。
具体做法是让人类来评判模型给出的答案哪个更好，以此训练出一个打分系统。模型再根据这个系统不断调整自己的行为，努力拿高分。
怎么用好模型？
提示词工程（Prompt Engineering）
同样一个模型，你怎么问，决定了它怎么答。提示词工程就是研究怎么提问，才能让 AI 给出最优质的回答。说白了，就是教你怎么给 AI 出题。
RAG（检索增强生成）
RAG 就是给 AI “开卷考试”的权利。
当问它一个不知道的问题时，程序会先去你的数据库里搜索相关信息，然后把这些信息和问题一起喂给 AI。这样 AI 就能根据最新、最准的资料来回答，而不是瞎编。这是防止 AI 产生幻觉最有效的方法。
评估（Evals）
你怎么知道 AI 表现好不好？这就需要评估（Evals）。
它就像是 AI 的单元测试。你准备好一堆输入和期望的输出，让模型跑一遍，看看准确率、语气、安全性是否达标。很多产品经理认为，写好 Evals 是做 AI 产品最重要的一环。
推理（Inference）
推理就是模型真正工作的那一刻。你发一句问候，模型计算后给你回了一句，这个生成回答的计算过程就叫推理。
合成数据（Synthetic Data）
好数据快用光了怎么办？用 AI 自己生成数据。
合成数据就是让模型模仿真实世界造出来的数据。比如让它生成几万条假的客服聊天记录。只要结构和规律对，这些假数据一样能用来训练更强大的新模型。
幻觉（Hallucination）
AI 很多时候并不“知道”事实，它只是在推测下一个最可能出现的词。当它没这方面的知识，又得强行回答时，就会一本正经地胡说八道，这就叫幻觉。用 RAG 或者把提示词写好，能大大减少幻觉。
Agent 与工程化
智能体（Agent）不是魔法，是一个循环
很多人觉得 Agent（智能体）像是一个有自我意识的数字生命。其实剥掉外衣，它在代码里就是一个朴素的循环。
聊天机器人是你问一句，它答一句，然后停在那里。而 Agent 是在模型外面包了一层程序，让它可以不断经历“思考 -> 行动 -> 观察 -> 再思考”的循环。
比如你让它写个功能：它先看一眼目录（行动并观察），决定要修改哪个文件（思考），调用写文件的工具（行动），然后运行测试看有没有报错（观察），如果有错就继续改（再思考）。只要任务没完成，这个循环就不会停。
要让这个循环稳稳地跑起来，靠的是一套精密的工程设计。这就引出了下面几个重要的概念。
提示词、上下文与驾驭工程
现在搞 AI 开发，已经不只是“写提示词”这么简单了。随着 Agent 越来越复杂，工程手段也分成了三层：
1. 提示词工程（Prompt Engineering）——“怎么问” 这是最基础的，决定了你对 AI 下的指令清不清楚。就像你教实习生怎么回答特定的问题，或者用什么格式输出。
2. 上下文工程（Context Engineering）——“给它看什么” AI 的表现很大程度上取决于那一刻它拿到了什么信息。如果提示词是“怎么问”，上下文工程就像是“考试时允许它带哪些资料进考场，按什么顺序放在桌上”。
给少了它干瞪眼，给多了它抓错重点。把最相关的代码、文档、错误日志在对的时机推给它，这就是上下文工程。
3. 驾驭工程（Harness Engineering）——“怎么管住它” 给 AI 套上缰绳。AI 就像一匹跑得很快的马，工程团队真正要设计的，是缰绳、轨道、护栏和检查站。
驾驭工程关注的是：怎样把 Agent 放进一个可控的系统里。比如设定代码架构的底线，加上自动化的语法检查，限制高风险的操作权限。AI 一旦犯错，马上被护栏拦下，而不是把系统搞崩。
拆解 Agent 的能力背包：Rules、Skills、Tools 与 Subagents
为了不让 Agent 的大脑被各种信息塞爆，我们会把它的能力拆解成几个部分，按需调用：
- 规则（Rules）：给 Agent 设定的常驻规范。比如“所有测试必须独立”、“代码风格要一致”。这就像是写给 AI 看的员工手册，给它一个基本的行为边界。
- 技能（Skills）：特定任务的专属说明书。不需要每次都带着，只有遇到相关任务才临时加载。比如“如何写 E2E 测试”就是一个技能。遇到了才翻开看，看完就合上。
- 工具（Tools）：AI 真正动手做事的手脚。光靠大脑想是不够的，必须给它提供外部接口。比如读取文件、执行 Shell 命令、搜索代码库。
- 子代理（Subagents）：干活的小分队。当任务太复杂时，主 Agent 会派子代理去处理。一个负责写代码，一个负责审查，一个专门跑测试。它们各带各的上下文，互不干扰，主会话也就不会被多余的信息弄乱。
MCP（模型上下文协议）
以前让 AI 调用外部工具（比如日历、代码库、Slack），得一个个写代码对接。MCP 是一个开源标准。有了它，AI 就能统一、安全地连接各种外部工具并执行操作。
热门行业标签
Gen AI（生成式 AI）
生成式 AI 是指能生成新内容（文字、图片、声音、代码等）的 AI 系统。这与以前那些只用来做分类或数据分析的 AI 完全不同。
GPT（生成式预训练 Transformer）
这是 ChatGPT 名字的由来，它包含了三个核心点：
- Generative（生成式）：能生成新内容。
- Pre-trained（预训练）：看了海量数据，学会了通用语言规律。
- Transformer：理解上下文的底层架构。
Vibe coding（氛围编程）
指不用自己手写代码。你用大白话向 Cursor、Windsurf 等 AI 编程工具描述需求，让 AI 帮你把应用写出来。你甚至连一行代码都不用看。
AGI（通用人工智能）
指 AI 在绝大多数领域都比普通人聪明。它不仅能写代码、做数学题，还能自己学习解决完全陌生的新问题。这是目前所有 AI 公司都在追求的终极目标。
AI 常见名词解释