AI 编程的 28 个名词就看这28 张黑板报

第一部分 模型是怎么炼成的

1. 基座模型 Base Model

在海量通用数据上预训练完成、还没针对具体场景优化的原始大语言模型。

它是所有上层应用的起点，本身只会续写。要变成医疗助手、法律顾问、编程搭档，还得靠微调和提示词来塑形。

打个比方：基座就是毛坯房。水电通了，结构稳了，但要住得舒服，还得装修。

2. 预训练

在海量通用语料上用自监督学习训练出可复用基座模型的过程。

训练目标很朴素：给模型看前半句，让它反复猜“下一个 token 是什么”。数据规模以万亿 token 计，练出来的是语言规律和世界常识。

相当于让一个学生把整座图书馆读完，练出扎实的底子。此时它是通才，还不会按岗位干活——那是微调的事。

3. 微调

在基座模型之上，用小规模、高质量的任务数据继续训练，把通才塑造成专才。

常用方法有监督微调（SFT）和指令微调。它改的是模型的行为模式和输出风格，不重写知识底座。

预训练是读完图书馆，微调是岗前培训。医学生要规培，程序员要进项目组，模型也一样。

4. 对齐

通过 RLHF 等技术，让模型输出符合人类价值观、意图和伦理要求。

对齐解决的是“能力有了、态度没正”的问题。典型做法是用人类偏好数据训练奖励模型，再反过来校准模型行为，让它听话且安全。

孩子书读多了，还得教他懂礼貌。对齐就是把“聪明”校准成“聪明且靠谱”。

5. 参数

模型内部决定行为和知识储备的数值变量，通常用来衡量模型大小，比如 7B、70B。

参数本质是神经网络里每根连接线上的数字。7B 就是 70 亿个，70B 就是 700 亿。参数越多表达力通常越强，推理成本也越高。

把每个连接想象成一个“松紧旋钮”。训练就是不断拧这些旋钮，拧到输出对了为止。

6. Token

Token 就是词元，它是模型处理文本的最小单位。文本先被切成 token，再映射成数字 ID，模型全程只算数字。

切分由分词器（Tokenizer）完成。粗略换算：1 个汉字约等于 1 到 2 个 token，1 个英文单词约 1 到 1.5 个。上下文长度和 API 账单都按它计。

模型是一台只认数字的计算器，分词器就是把中文英文翻译成数字的翻译官。

7. 上下文窗口

模型一次对话能同时接收和处理的最大信息量。窗口越大，记性越好。

主流模型在 128K 到 200K token 量级，超出的部分模型看不到。窗口内越靠后的内容权重越高，所以重点要放在最后说。

一张办公桌。桌子越大，能同时摊开的资料越多；桌子小，看后头的就得把前头的挪走。

8. 多模态

模型同时理解文字、图像、音频、视频等多种信息形式的能力。

多模态模型把不同模态的信息映射进统一的向量空间，所以“看图说话”“听声辨意”才成为可能。

以前的模型是个只认字的学霸，现在文理兼修：图能看，歌能听，视频能懂。

9. 蒸馏

把大模型的知识压缩转移给小模型，让小模型也有接近大模型的效果。

学生模型不只学答案，还学教师模型的概率分布，效果好于自己硬训。代价小、速度快，是模型落地的主流手段。

老教授带徒弟。徒弟装不下教授的全部学问，但带走最精华的那部分，够用了。

10. 幻觉 Hallucination

模型用流畅自信的口吻输出与事实不符的内容。它不是在检索事实，是在做概率补全。

成因有三：训练数据有噪声、知识有截止日期、生成机制天然追求似然而非求真。编造文献、API、统计数据，都是典型症状，而且毫无心虚迹象。

像个不肯说“不知道”的学霸，宁可现编一个合理答案。对策：要出处、上 RAG、关键信息人工核验。别默认模型说的就是对的。

11. 提示词 Prompt

Prompt 就是用户输入给 AI 的指令文本。写得好不好，直接决定回答质量。

同一个模型，提示词差一个关键词，输出可能天差地别。说清背景、任务、格式、约束，是最基本的四要素。

跟实习生派活。“帮我写个代码”和“用 Python 写个爬虫，带注释，异常要处理”，产出完全两样。

第二部分 让模型听懂人话

12. 提示词工程 Prompt Engineering

Prompt Engineering 是研究如何设计和优化指令，把模型潜力榨出来的方法论。

核心套路是结构化：给角色（你是资深前端）、给背景（项目用什么框架）、给任务（实现什么）、给约束（不能用什么库）。进阶玩法还有少样本示例和思维链引导。

普通提问是聊天，结构化指令是下工单。工单写得越清楚，交活越靠谱。

13. 思维链

Chain of Thought，引导模型把大问题拆成一步步的逻辑推导，而不是直接猜答案。

加一句“让我们一步步思考”，或在提示里放几个带推理过程的示例，准确率会明显上升。数学题和复杂推理上尤其明显。

闭卷硬猜是赌运气，摊开草稿纸一步步算才是正路。模型也一样。

14. 嵌入

Embedding 是把文字、图片翻译成数字坐标的过程。意思越近，坐标越接近。

嵌入模型把每段话映射成高维空间里的一个点。“猫”和“狗”挨得很近，“猫”和“冰箱”隔得很远。语义检索、聚类、推荐都靠它打底。

给每个概念发一张“语义身份证”，号码相近的就是亲戚。

15. 向量数据库 Vector Database

Vector Database 专门存储语义向量的数据库，按“意思相近”检索，不是按关键词检索。

文本转成向量存进去，查询时把问题也转成向量，找出距离最近的若干条。它是 RAG 的基础设施。

传统数据库是查字典，一翻一个准。向量数据库是问一位读过万卷书的朋友：跟这个意思最像的，都有哪些？

16. RAG（检索增强生成）

回答问题前先去外部知识库查资料，把检索结果拼进上下文再生成答案。

流程四步：文档切片向量化、按语义检索、相关片段注入提示、基于证据作答。它解决的是模型知识过时和私有数据缺失两个问题。前面说的嵌入、向量数据库，都在这一环里干活。

闭卷考试改开卷。模型不必背下公司内部文档，考前把相关资料翻出来放手边，照着答，还能给出处。

第三部分 从聊天到干活

17. Agent

以大语言模型为大脑，具备规划、记忆和工具调用能力，能自主把复杂任务从头做到尾的计算实体。

四个组件构成闭环：规划拆解任务，记忆维持上下文，工具调用对接外部能力，循环执行持续推进直到完成。

普通大模型像客服顾问，问一句答一句。Agent 像新员工，你给个目标，它自己拆任务、查资料、动手干、干完汇报。

18. 规划

Agent 面对复杂任务时，自主拆解步骤、制定行动计划的能力。

好的规划会把大目标拆成有依赖关系的子任务序列，执行中还会根据反馈动态调整。它是 Agent 四大件之首。

你只说“做个贪吃蛇”，它自己列出先画界面、再写逻辑、最后调 Bug。老员工拿到需求先拆解，不会上来就闷头敲代码。

19. 记忆模块

Agent 的记忆分两层：短期记忆是当前会话的上下文窗口，长期记忆是跨会话的持久化存储。

短期记忆容量有限，靠截断和摘要控制长度；长期记忆用向量数据库按语义召回，按需放回上下文。

短期记忆是办公桌，堆满了就得清理，下班就清空。长期记忆是档案柜，贴好标签存着，要用再取。

20. 工具使用

AI 能自己调用外部工具——联网搜索、调 API、执行代码，用真实行动解决问题。

底层机制是 Function Calling：模型输出结构化的调用请求，外部程序执行后把结果喂回去。模型决定用什么工具，程序负责真的去执行。

给文科状元配了一整套工具箱。以前只能给你讲思路，现在能自己查资料、按计算器。

21. ReAct

Reason + Act，先推理“信息够不够”，不够就调工具行动，拿到结果继续推理，循环到任务完成。

执行范式是思考（Thought）、行动（Action）、观察（Observation）的三拍循环。它是 Agent 最经典的执行骨架，后来的大量框架都从这里演化。

像做题时自言自语：“这题条件不够，我查下公式，哦原来是这样，继续往下推。”

22. 自我反思

生成后再评估，根据反馈修正结果。反馈分两种：模型自查和真实工具验证。

自查适合查文案一致性、约束遵循这类“读得出来”的问题；外部验证适合代码、计算、JSON 这类“必须拿事实说话”的任务。

交作业前自己通读一遍，有条件的再让运行器跑一遍。程序员写完代码跑单测，就是最典型的外部反馈。

23. 多智能体

多个不同角色的 AI 协同工作，像团队一样分工完成复杂任务。

典型分工是编码、审查、管理各司其职，通过消息传递协作。比单 Agent 强在能互相校验，弱在通信成本和失控风险。

一个人又写又审，容易灯下黑。拉个小组互相挑毛病，质量稳得多。

24. 自主

不需要人每步盯着。给一个目标，Agent 自己感知环境、做决定、把事做完。

自主就是感知、决策、行动、观察的循环无人值守地转。自主程度越高，对权限控制和沙箱环境的要求就越高，这正是 Harness 工程要解决的。

自动驾驶。你只说去哪儿，方向盘它自己打。你要做的是上车前系好安全带。

第四部分 工程化的最后一公里

25. MCP

Model Context Protocol，为 AI 应用连接外部数据源和工具定义的标准化开放接口。

它统一了模型与外部能力之间的发现、调用和鉴权方式。AI 应用通过 MCP 可以接本地文件、数据库、搜索引擎、工作流。

MCP 之于 AI 应用，就像 Type-C 之于电子设备。以前每个工具一根专用线，现在全是标准插头，即插即用。

26. Skill

面向大模型的能力封装：一个结构化的本地文件夹，把某领域的流程、知识和工具打包，按需自动加载。

标准组成包括主说明文件 SKILL.md、规则流程文档、模板示例、可执行脚本和参考资料。工作机制是意图触发、内容注入短期记忆。

相当于给 AI 的标准作业手册。新员工遇到对应场景就翻手册照做，不用每次现场摸索。

27. Harness 工程

给 Agent 设计整套工作环境的工程方法：上下文管理、沙箱、权限、测试、日志、评审、反馈回路。

模型能力相同的前提下，环境设计决定 Agent 实际能跑多稳、多远。它的目标是让 Agent 在真实工程系统里可靠、可控、可持续。

不是训练赛马，是修赛道、定规则、装护栏。马还是那匹马，赛道决定它能放心跑多快。

28. SDD

Spec-Driven Development，编码前先把目标、范围、系统行为、设计约束和任务拆分写成规格文档，再让 AI 按文档开发。

规格文档是 AI 开发的单一事实来源，直接缓解三个高频痛点：AI 自己猜需求、误改历史逻辑、实现跑偏。

装修前先出施工图。“随便装装”返工概率极高；有了图纸，工人照图施工，验收有据可依。

最后

28 个名词，其实就是一条线。

先把模型炼出来：基座、预训练、微调、对齐。再让它听懂人话：提示词、思维链、嵌入、RAG。然后让它自己干活：Agent、规划、工具、多智能体。最后用工程手段让它干得靠谱：MCP、Skill、Harness、SDD。

下次在教程里再撞见这些词，希望你的反应是：哦，这个我知道。

如果这篇对你有帮助：