AI 扫盲:小白也能看懂的 14 个常见 AI 术语

摘要：大模型、Token、Agent、Skill、MCP 到底是什么意思？结合 WorkBuddy 的实际界面和电商工作中的例子，把14个常见 AI 术语讲清楚，帮刚入门的朋友少一点困惑，更容易用到日常工作里。

这个国庆，通过公众号加我的电商人不少，其中一些朋友刚开始接触 AI。想用 AI 帮自己做点事情，结果看教程、装工具，先碰上一堆陌生词：大模型、Agent、Skill、MCP、Token……名字看着眼熟，具体是什么意思、彼此有什么区别，又说不太清楚。

所以这期想整理一篇 AI 基础文章，用大家熟悉的工具和电商场景，把这些常见术语讲明白。

不用背定义，也不用先学编程。知道它们各自负责什么，以后看教程、选工具、给 AI 交代任务，就能少一点困惑，更容易用到自己的工作里。

大语言模型，简称 LLM，通过训练获得处理语言、生成内容等能力。它能帮你读商品介绍、整理评价、起草报告，但生成的结论仍可能不准确。

我们实际打开的聊天应用，还包括界面、文件上传、联网或其他工具。模型是其中一部分，应用把这些能力组合起来供人使用。

拿 WorkBuddy 的模型选择菜单来说，国庆期间新增了 Space-Bunny，菜单里还有 DeepSeek-V4.1-Flash、GLM-5.3 等选项。

WorkBuddy 是你使用的应用；Space-Bunny 是这个菜单中可选择的模型选项。 换一个选项，应用仍然是 WorkBuddy，任务也还是同一个任务，但处理要求、分析材料和生成回答所用的模型可以不同。菜单里的“均衡”“极致”属于应用提供的选项，不要把每一行都当成独立模型名称。

如果还希望它看懂商品图、听录音，就涉及多模态：处理文字、图片、音频等不同形式的信息。支持其中几种，不等于所有形式都能输入输出。

还是拿 WorkBuddy 来讲。以前我用的 DeepSeek 版本主要处理文字，不支持多模态；现在打开模型菜单，查看 DeepSeek-V4.1-Flash 的说明，已经能看到“原生多模态”的标注。

做电商，你可以尝试把商品主图和产品规格说明一起交给支持图片输入的模型，让它检查图上的规格、卖点是否与资料一致。它需要同时理解图片和文字，这就是一个多模态任务。

这里说的是以前使用的版本与截图里的当前版本，不代表所有 DeepSeek 模型都一样。截图证明的是界面标注；

我之前写过一篇：我是怎么用 WorkBuddy 定时任务，找到上架就出单的产品的。里面提到的烘焙行业“情报员”，背后就是一段很长、很完整的提示词。

提示词虽然叫“词”，实际可以是一句话，也可以是几段甚至一份完整的任务说明。

我没有只告诉它“搜一下烘焙热点”，还写清楚去哪些来源找、关注哪些品类和变化、哪些来源当前不可用、发现趋势后怎样关联商品，以及报告需要保留什么证据。完整提示词里还有关键词池、收录门槛和连续追踪的要求。

这段任务说明是 Prompt；定时执行是 WorkBuddy 提供的功能。 写好提示词，不等于任务就会自动定时运行，也不代表列出的每个网站都能访问。关键是要求明确，不是越长越好。

再看一个较短的例子。

后面我们用一个具体任务举例：你卖一款面粉，准备修改商品详情页，手里有产品规格表和一份已经取得的评价表。想让 AI 整理买家的疑问，再对照产品资料，给出“详情页需要补充哪些说明”的检查清单。

下面用这个假设任务来串起几个概念，不涉及直接登录后台修改商品。

Prompt，提示词，就是给 AI 的任务说明、问题和相关要求。

“帮我分析评价”可以开始对话，但没有说清楚你想拿结果做什么。

可以换成这样：

根据这份商品资料和评价表，整理用户反复提到的选购、使用和售后问题。每类保留原始评价编号，区分原文、归纳和你的建议。商品资料里没有的参数不要补写，最后输出 Markdown 报告。

这段里有材料、任务、证据要求和交付形式。它比添加一长串“你是顶级专家”更贴近工作。

以面粉为例，可以再补一句：“我的产品面向家庭烘焙用户，重点检查用途和规格说明，不要给出未经验证的配方。”同样是分析评价，目标不同，需要交代的条件也不同。

上下文，Context，是模型这次处理任务时实际拿到的信息，包括要求、材料、相关历史消息和工具返回的内容。

你前面说过“只分析这款商品”，但这句话是否仍在当次输入里，才决定它能不能参考。聊天窗口还显示旧消息，不代表模型每次都完整读取了全部历史。

拿 WorkBuddy 里的 HY4 preview 来举例。查看它的模型设置，可以看到“上下文窗口”，截图中的选项有 300K、600K 和 960K。这就是模型一次能容纳多少信息的容量。

这些数字不是汉字数，而是按 Token（词元） 计算的：

• 300K：约 30 万 Token。
• 600K：约 60 万 Token。
• 1M：约 100 万 Token。

K 表示千，M 表示百万。这里先记住：这些数字表示能容纳多少信息，不是能放多少个汉字。Token 具体是什么意思，下一节拿一个例子讲。

如果你要在同一个任务里持续分析较多资料，可以优先把 HY4 的窗口选到 600K。比如做商品评价分析，先提供商品规格和一批评价，接着分析差评、对比竞品，再整理详情页改进建议。窗口更大，就有空间在同一次任务中保留更多相关材料，减少因为容量不够而压缩或舍弃前文的情况。

国庆期间，WorkBuddy 新增的 Space-Bunny，截图里还可以选择 1M 上下文窗口，也就是约 100 万 Token。

所以，“上下文越大越好”更准确的说法是：需要处理长资料、持续多轮推进任务时，较大的窗口更方便，但不代表回答一定更准确。 只是写一句商品标题、解释一个概念，不一定需要开到最大；塞进太多无关材料，也可能让模型抓不住重点。使用成本和速度，还要看具体工具的规则。

还有一点要分清：选了 600K 或 1M，只是增加容量，不等于 AI 自动读过知识库里的所有文件，更不等于它会永久记住这次聊天。相关资料仍然需要提供给它，或者让它用工具读取。

比如你给 AI 一句话：

“帮我分析这款面粉的差评，找出用户最在意的三个问题。”

我们看起来是一句话，AI 处理时，会把它拆成许多小份。这些小份就叫 Token。它可能是一个字、几个字，或者一个标点，所以不用纠结具体怎么拆，也不能直接把 Token 当成字数。

你可以把它理解成寄快递：快递按重量计量，AI 按 Token 计量处理的信息。 你发过去的要求、商品资料、评价，以及 AI 写出来的回答，都会产生 Token。

比如，同样是让 AI 分析差评，只给它十条评价，和给它一千条评价，处理的信息量就不同。你再要求它写一份详细分析报告，生成的回答也要计算 Token。具体数量取决于材料内容和模型的拆分方式，不需要自己数。

再和前面的上下文连起来看：上下文窗口像一个工作台，Token 就是材料占用空间的计量单位。 600K 的工作台能容纳约 60 万份，1M 能容纳约 100 万份。工作台更大，能同时摊开更多资料；但资料摆得多，不代表分析就一定做得好。

记住这两句就够了：Token 是计量单位，上下文窗口是容量上限。 在按 Token 计费的 API 服务里，输入和输出通常还会分别统计费用；具体价格看服务规则，不要和聊天会员费用混为一谈。

记忆，Memory，可以理解成 AI 留下的一本“工作习惯备忘录”。一些长期适用的偏好和做事方法保存下来，后续工作就不用每次从头交代。

拿 WorkBuddy 来说，可以打开 设置 → 记忆与进化。截图里有“生成对话记忆”开关，允许它从对话中提取相关信息；下面的“管理记忆”区域，可以查看和编辑已经记录的内容。

除了让它从对话中整理，你也可以按照自己的日常工作习惯，在这里补充或调整。例如：

• 分析店铺数据时，先核对时间范围和统计口径，再给结论。
• 分析商品评价时，保留原始评价和编号，方便我回查。
• 写商品文案时，不编造功效、销量和用户反馈。
• 给我建议时，先说结论，再写具体操作步骤；缺资料就直接告诉我。

这些内容是在告诉 WorkBuddy：我习惯怎么做事，你以后按什么方式配合我。 比起只写“回答专业一点”，把具体方法写清楚，更容易让它按照你的风格工作。

上下文像“这次摆在桌上的材料”，记忆像“以后还要用的工作习惯备忘录”。记忆不代表它会永久保留每一句聊天，也不能保证每次都执行到位。可以定期检查，把记错的、过时的内容改掉；重要的任务要求仍然要在当次交代清楚。

当前任务的进度则更适合另外保存。比如商品评价分析做到哪一步、下一步要改什么，可以写进项目文档，让新对话读取后继续，不要只靠记忆功能接续全部工作。密码、API Key、客户个人信息等敏感内容，也不要当作工作习惯填进去。

知识库可以先理解为有组织、有来源的资料集合。我们的商品规格、测试记录、历史报告，都可以放在里面。

我现在比较习惯用的知识库工具，就是 Obsidian（我平时简称 obs）和 ima。大家在我的文章里看到这两个名字，可以先理解为我用来保存和整理资料的工具。

比如看到一篇以后可能用得上的文章，或者整理出一份商品评价分析、运营方法和提示词，就把这些资料收进自己的知识库。以后遇到类似问题，可以再找出来参考，不用每次重新搜、重新整理。

所以，知识库不只是“收藏了哪些网址”，更重要的是把有用的内容留下来，方便以后查找和使用。Obsidian、ima 是工具，里面积累的资料才是你的知识库。

放到电商工作里，也可以把商品规格、包装尺寸、使用说明、脱敏后的用户评价，以及店铺运营 SOP、历史活动复盘，整理进知识库。

比如你要优化一款面粉的详情页，可以让 AI 先读取这款商品的规格、用途说明和差评记录，再整理买家最关心的问题，给出修改建议。这样它参考的是你这款商品的实际资料，而不只是泛泛地说“突出卖点、提升转化”。

可以这样记：知识库是资料柜，上下文是这次摆在工作台上的材料。 资料柜负责把东西存好、分类好；AI 做当前任务时，再把需要的资料找出来、读进去。前提是所用工具能访问这些资料，或者你把资料提供给它。文件存在知识库里，不等于 AI 每次回答都已经读过。

RAG，检索增强生成，可以先理解成：先查资料，再根据查到的内容回答。 像做一道允许翻资料的题，不是只凭记得的内容作答。

比如你的知识库里保存了很多商品资料，现在问 AI：“这款面粉有哪些包装规格？”系统先找到这款商品的相关资料，把其中的规格信息提供给模型，模型再据此组织回答，而不是把整个知识库都塞进去。

和上一节连起来看：知识库负责存好资料，RAG 让回答前多一个“查相关资料”的过程。 不是把资料放进去，AI 就自动学会了里面的所有内容；也不是每一种读取文件的方式都叫 RAG。

使用时可以让它标出资料来源，方便核对。查到了旧版本，或者没有查到关键内容，回答仍然可能出错；资料里没有的信息，就应该说明缺失。

Agent，智能体，在这里指能围绕目标调用工具、查看结果，并继续推进任务的系统。

你可以先把它理解成一个“能动手做事的 AI 助手”。你交代想完成什么，它不只给你一段建议，还能在授权范围内读取材料、使用工具，把任务往下做。

我们常用的 WorkBuddy、Codex，可以作为 Agent 产品的例子。 WorkBuddy 的官方介绍把它称为智能体桌面工作台；Codex 也是以完成任务为目标的 AI Agent 产品。

你使用豆包工作时，也可以按这个思路理解：如果是在让它围绕目标拆步骤、调用工具、继续执行任务，就属于这里说的智能体工作方式。不要和普通豆包聊天混在一起，也不是所有带 AI 的 APP 都叫 Agent。

拿电商评价分析举例。普通问答可以告诉你“应该从质量、包装、物流等方面分析”；交给具备相应工具的 Agent，你可以直接这样交代：

“请读取这个文件夹里的商品资料和评价表，按前面约定的要求分析，最后把报告保存到指定文件夹。缺少资料先告诉我。”

接下来，它可能先查找文件、读取表格，再分类评价、整理报告。如果读取失败，它还需要判断下一步是换一种处理方式，还是向你说明缺口。

这里可以分清三件事：APP 是你使用它的入口，大模型提供理解和判断能力，Agent 把这些能力和工具组织起来，围绕目标推进任务。 同一个 APP 可以有普通聊天，也可以有执行任务的功能。关键看它在做什么，而不是看它有没有聊天框。

工作流，Workflow，说白了就是：为了完成一件事，把“先做什么、再做什么、做到什么程度才能进入下一步”安排好。 上一步的结果，接着给下一步使用。

电商人其实每天都在用工作流。比如上新：准备商品资料 → 核对规格和价格 → 制作主图、详情页 → 检查内容 → 发布。以前这些步骤由人来衔接；加上 AI 后，可以让它承担其中一部分，但先后顺序和检查要求仍然要明确。

接着前面的面粉评价分析，假设我们要根据差评改进详情页，可以这样安排：

1. 准备材料：提供商品规格、用途说明和评价表，明确这次分析哪款商品。
2. 检查资料：确认评价属于这款商品，缺少关键资料就先补齐。
3. 整理问题：把评价按包装、用途、使用体验等分类。
4. 提出修改建议：结合真实商品资料，判断详情页需要补充哪些说明，不能把买家的猜测写成功效。
5. 人工确认并保存：你核对建议，再让 AI 把报告保存好。是否修改线上详情页，另行决定。

这就构成了一条工作流：资料 → 检查 → 分析 → 建议 → 确认。 不是让 AI 随便做五件事，而是每一步都有明确的输入和结果，后面的步骤接着前面的结果继续。

你也可以把这个顺序直接写进任务要求里：“先检查资料，再分析评价，最后给修改建议；缺资料时先停下来告诉我，不要跳过检查。”一开始不必搭复杂系统，先把一件日常工作拆清楚，就能让 AI 更容易配合你。

这里和 Agent 的区别是：工作流是任务怎么走，Agent 是推进任务的执行者。 工作流里可以有人，也可以有一个或多个 Agent；Agent 执行时，也可能根据结果调整下一步。Skill 则可以保存其中某个环节或整套流程的具体做法。

工作流不等于全自动。像核对商品功效、调整价格、发布内容这些环节，完全可以保留人工确认。先让 AI 做资料整理和分析，再由你决定哪些建议能执行。

Skill，技能，可以把可复用的指令、参考材料、模板和辅助脚本组织在一起，供支持它的 Agent 在相关任务中使用。不同宿主的加载方式和限制要分别确认。

打开 WorkBuddy 的“技能”页面，就能看到很多可以选择的技能。比如截图里的腾讯微云、腾讯问卷、腾讯文档和搜索引擎等，分别面向不同任务。页面里既有精选技能，也有 SkillHub 的技能供你按需添加，不是看到卡片就代表已经安装、可以直接使用。

除了使用现成的技能，腿毛哥自己也写了不少技能，把电商工作里反复要用的方法整理下来。比如评价分析的分类方法和报告格式，这些要求都可以写进技能里。

你可以把 Skill 理解成给 AI 准备的一份“专项工作手册”：做这类任务时，参考什么资料、按什么方法处理、结果怎么交付，都提前说明。以后再做类似任务，就少一些重复交代。它可以保存某个环节的做法，也可以包含一整套工作流，但不等于安装后所有操作都会自动完成。

它让任务少一些重复交代，但不会自动补齐不存在的工具权限。一个写着“采集网页”的 Skill，仍需要可用的浏览器操作能力；一个处理表格的 Skill，也可能依赖脚本运行环境。

装好之后，先用一份小样本检查输出，再考虑批量处理。不能把“安装成功”当成“结果可信”。

API，应用程序接口，可以先理解成软件向另一个软件请求服务的入口。

平时你打开 DeepSeek，输入问题、等它回答，这是你直接使用它的应用。如果想在网页剪藏插件里用模型总结文章，就需要让插件和模型服务联系起来：插件通过 API 把文章和你的要求发过去，模型处理后，再把回答返回给插件。

可以类比外卖：你自己去餐厅吃饭，像直接打开模型应用；通过外卖平台向餐厅下单，像另一个软件通过 API 请求服务。 服务还是那家提供，只是使用入口变了。

拿乔木剪藏的设置举例，这张截图中，后台已经添加了 DeepSeek；当前“添加服务商”的弹窗选的是 Anthropic。无论选择哪家，都要按对应服务商的要求配置，不能把不同服务商的地址和密钥混着填。

这里的两个字段，可以这样理解：

• 接口地址：请求送到哪里，也就是服务商提供的 API 地址。
• API Key：识别调用账号、验证访问权限的凭证。它像一把钥匙，要保密，不要放进文章截图或聊天消息。这张图里的 Key 输入框是空的。

放到电商里，比如一个评价分析工具，也可以通过模型 API，把评价和分析要求发送给 AI，再把返回结果整理成报告。前提是工具已经实现了相应功能，不是填一个 Key 就自动什么都会做。

读者先记住：你在一个工具里用到另一家的模型服务，背后就可能通过 API 来调用。 能在模型应用里聊天，不代表已经获得了 API 调用权限；API 的用量和费用也要按对应服务商的规则单独确认。

MCP，Model Context Protocol，模型上下文协议，名字看起来很技术，可以先把它理解成 AI 连接外部工具和资料的一套“通用接口标准”。就像设备支持同一种接口后，更容易连接使用，支持 MCP 的 AI 应用和服务，也可以按共同的规则连接起来。

拿 WorkBuddy 的“连接器”页面举例，截图里可以看到 ima、腾讯文档、QQ 邮箱、飞书等入口。它们让你有机会把外部服务接到 AI 工作台里，而不只是把资料反复复制进聊天框。

不过，这里要分清：“连接器”是产品里的功能名称，MCP 是背后可能采用的一种连接标准，不能把两者完全画等号。 截图中的通达信说明明确写了 MCP，企业微信则写了 CLI 套件。也就是说，同一页的连接器可能采用不同的技术方式，不是每一个都一定是 MCP。

放到电商工作里，假设评价表保存在外部文档服务中：接好一个能读取该表格的连接器、完成授权后，Agent 才能通过它取得评价，再分类分析、整理报告。如果用的是 MCP，这就是 MCP 把外部工具和资料接进任务的一种用法。具体能读什么、能不能写回，要看连接器实际提供的能力。

它和 API 也不是“二选一”。API 是软件提供的服务接口；MCP 则规定 AI 应用怎样发现、调用外部工具和读取资料。 一个 MCP 服务在完成动作时，背后也可能继续调用对应平台的 API。前面剪藏插件通过 API 请求 DeepSeek 回答，和这里让 Agent 连接外部工具，是不同的使用例子。

你不必一开始学会怎么搭建 MCP 服务，先看自己的任务需要什么：要读知识库，就检查连接器能否搜索、读取对应资料；要处理文档，就检查它能读、能创建还是能修改。

结合前面的几个概念看：Skill 保存做法，Agent 推进任务，连接器提供外部工具与资料的接入入口，MCP 是实现这种接入的一种标准。安装连接器，不等于自动拿到所有账号权限，也不等于所有工具都能操作。

接入前先问：能读取什么？能修改什么？资料会发到哪里？敏感经营数据不能因为连接方便，就随手交给外部服务。

AI 幻觉，Hallucination，常见表现是生成看似可信、实际上错误或缺乏依据的内容。例如引用不存在的资料，或把原文没有支持的判断写成确定事实。

大家可能见过网上调侃 AI 的说法：“一本正经地胡说八道。” 回答写得很流畅，语气很肯定，甚至列出了出处；你认真一查，才发现内容是编的。把不存在的事情说得像真的，就是典型的 AI 幻觉。

举个假设的例子：你让 AI 推荐一本电商运营书，它给出了书名、作者，还总结了几个章节。你去搜，却发现根本没有这本书。这不是它“知道一本冷门书”，而是它生成了一个看起来很像真实答案的内容。

我们的评价报告也可能出现这种问题：把某条评价不存在的抱怨写进去，或者根据几条反馈，直接认定整个市场都这样。

比如，假设商品资料只写了包装规格，AI 却在建议文案里补上一个没有来源的蛋白质含量，这就需要删掉、回查。遇到具体参数、数据或出处，别只看它说得多肯定，要看能不能找到依据。