用了半年 AI 工具之后,我整理了一份「概念生存指南」

> 不讲原理，只讲人话。给每一个正在用 AI 但被术语搞懵的人。

—

半年前，我对 AI 的理解还停留在”跟聊天机器人说话”的层面。Token、API、RAG、Agent——每一个词都像在说外语。

半年后，我不敢说自己是专家，但至少能听懂行内人在聊什么，也能把 AI 真正用进自己的学习和工作流里。

这个过程中最大的感受是：**AI 领域最大的门槛不是技术，是术语。** 大量有用的信息被包裹在一层行话里，让普通用户望而却步。

所以我把这半年踩过的坑、搞懂的概念，用最直白的方式整理了出来。不追求面面俱到，只挑那些**你真正会碰到、碰到了不懂就会卡住**的核心概念。

## 一、先搞清楚你在跟什么东西说话

你每天用的 Claude、ChatGPT、DeepSeek，它们背后都是同一种技术：**大语言模型（LLM）**。

LLM 做的事情其实只有一件——预测下一个词。它读完你的输入，然后一个词一个词地”猜”出回答。听起来很简单，但当模型足够大、训练数据足够多的时候，”猜词”就变成了”推理”。

这里有几个基础概念需要建立：

**参数**，可以理解为模型内部的”旋钮”数量。70B 就是 700 亿个旋钮。旋钮越多，模型通常越聪明，但也越贵越慢。同一家公司会出不同规格的模型，比如 Anthropic 的 Opus 是旗舰款，Sonnet 走性价比，Haiku 主打轻快——就像同一品牌的不同车型。

**训练和推理**，是两个完全不同的阶段。训练是让模型读完海量数据、调好所有参数的过程，耗时数月、花费数千万美元。推理是模型训练好之后回答你问题的过程。你每次跟 AI 对话，它都在做推理。一个比喻：训练是上四年大学，推理是毕业后上班。

**知识截止日期**，模型的训练数据有个终点。超过这个日期的事情，模型不知道，需要靠联网搜索来补充。所以如果你问 AI 今天的新闻而它答不上来，不是它笨，是它的”大学”还没教到这一课。

—

## 二、Token——你必须理解的”AI 货币”

Token 是 AI 处理文本的最小单位。它不等于一个字，也不等于一个词，而是模型自己的”分词”方式。

粗略换算：1 个英文单词大约等于 1-2 个 token，1 个中文字大约等于 1-3 个 token。

为什么普通用户也需要知道这个？因为两个直接影响你体验的东西都跟 token 有关：

第一，**上下文窗口**。每个模型一次能处理的 token 数量是有上限的，这就是它的”工作台”大小。如果你跟 AI 聊了很久，前面的对话内容会被”挤出”工作台。你会发现 AI 突然”忘了”之前说过什么——不是它变笨了，是工作台满了。

第二，**费用**。如果你用 API，费用是按 token 计算的，而且输出 token 比输入 token 贵好几倍。让 AI 写一篇长文比让它读一篇长文烧钱得多。

—

## 三、提示词——决定 AI 输出质量的关键变量

Prompt 就是你输入给 AI 的所有内容。很多人觉得 AI 时好时坏，其实问题往往不在模型，在 prompt。

几个实用概念：

**System Prompt（系统提示词）**，是在对话开始前就设定好的”隐藏指令”，用户通常看不到。比如告诉 AI”你是一个临床药学专家，请用中文回答”。很多平台允许你自定义 system prompt，善用它等于给 AI 装了一个”专业人格”，比每次重复交代背景高效十倍。

**温度（Temperature）**，是控制输出随机性的参数。温度低，回答更确定、更保守，适合写代码做分析；温度高，回答更发散、更有创意，适合写故事和头脑风暴。如果你觉得同一个问题 AI 每次回答都不一样，可能就是温度设得比较高。

**提示词工程（Prompt Engineering）**，不是什么高深技术，就是”怎么把需求说清楚”。给 AI 几个示例（Few-shot）、让它分步推理（Chain-of-Thought）、指定输出格式——这些技巧不难，但效果立竿见影。多花 30 秒把 prompt 写清楚，输出质量可能翻倍。

—

## 四、幻觉——AI 最危险也最容易被忽视的问题

**幻觉（Hallucination）**，指的是 AI 一本正经地编造虚假信息。

引用一篇不存在的论文，捏造一个不存在的 API 参数，给你一段看起来能跑但逻辑完全错误的代码——它全程语气确凿，毫无心虚。

这不是某个模型的 bug，而是当前所有大语言模型的通病。因为模型本质上是在做”概率预测”，它不真正”理解”事实，只是在拼接最可能出现的下一个词。

应对方法只有一条原则：**关键信息永远自己验证。** 把 AI 当成你见过的最聪明的实习生——效率极高、知识面广，但它说的话你不能不核实就直接用。

—

## 五、API vs 网页版——同一个大脑，两种打开方式

这是很多新用户搞不清楚的地方。

**网页版**（比如 claude.ai）是给人用的图形界面。你打开浏览器，打字对话，操作简单直观。

**API** 是给代码用的编程接口。你写一段程序，通过 API 向模型发送请求，模型返回结果——整个过程不需要打开任何网页。

两者背后调用的是同一个模型，但用法和计费方式完全不同：

网页版是订阅制，按月付费，有用量上限但不用操心每条消息花了多少钱。API 按 token 计费，用多少付多少，灵活但需要自己控制成本。

日常使用选网页版就够了。如果你需要批量处理、自定义参数、或者把 AI 嵌入自己的工作流——那就需要 API。

—

## 六、2025-2026 年最值得理解的两个概念

如果你只能记住两个前沿概念，记这两个：

**RAG（检索增强生成）**。AI 在回答之前，先去搜索相关资料，再基于搜索结果生成答案。Claude 的联网搜索本质上就是 RAG。它解决了两个核心痛点：知识过时和幻觉。

**Agent（智能体）**。传统 AI 是”你问我答”，Agent 是 AI 自己规划步骤、调用工具、执行任务。你说”帮我把这份数据整理成图表发到邮箱”，Agent 会自己拆解步骤、打开文件、生成图表、调用邮件接口，一条龙完成。Claude Code 就是一个典型的 Agent。

一句话区分两者：**RAG 让 AI 知道得更多，Agent 让 AI 做得更多。**

整个行业正在从”对话”向”代理”快速转型——这不是未来，这是正在发生的事。

—

## 七、MCP——AI 工具生态的”USB 接口”

MCP（Model Context Protocol）是 Anthropic 提出的一个开放协议。

它做的事情用一个类比就能说清楚：在 USB 出现之前，打印机、鼠标、键盘各用各的专用接口，换个设备就要换根线。USB 出现之后，所有外设都用同一个口。

MCP 对 AI 工具生态做的是同样的事。它让 AI 可以用一套统一的标准连接外部工具——日历、邮件、数据库、代码仓库，全部通过 MCP 接入，不用每个工具单独适配。

为什么要关注它？因为 AI 的能力边界正在从”语言”扩展到”行动”，而 MCP 是让这件事规模化发生的基础设施。

—

## 写在最后

说实话，上面这些概念没有一个是我”先学后用”搞懂的。全部是用着用着碰壁了，回头一查才恍然大悟。

AI 工具迭代极快，三个月前的最佳实践今天可能已经过时。与其追求一次性学会所有东西，不如保持一个习惯：**碰到不懂的术语就停下来查清楚，然后继续走。**

AI 时代真正稀缺的不是知识——知识已经被 AI 拉平了。稀缺的是你能不能把跨领域的知识串联起来，形成自己的判断力。

而这件事，没有任何 AI 能替你完成。

—

*如果这篇对你有用，欢迎转发给同样在用 AI 但被术语困住的朋友。*