AI大模型相关名词大辞典

阅读指南

这本辞典整理了 AI / 大模型领域最常出现的核心名词，专门写给 没有技术背景 的读者——无论你是文科生、社科学者、媒体人还是纯粹的好奇宝宝，都能看懂。

全部内容按照 “从认识 AI → 到学会跟 AI 说话 → 再到驾驭 AI 干活” 的逻辑，分成五层：

层级	主题	你会搞明白的问题
一	AI 的”大脑”	大模型到底是什么东西？它怎么”读懂”我说的话？
二	如何跟 AI 说话	我怎么跟它交流？它能记住我说过什么吗？
三	如何让 AI 更聪明	为什么同一个问题，别人问出来效果比我好？
四	给 AI 装”手脚”	AI 光会说话不够，怎么让它真正干活？
五	AI 自己干活	AI 能不能像真人助理一样，我说个目标它就搞定？

建议按顺序从头读起，概念之间有上下文关联；也可以把它当字典，需要的时候翻到对应词条查阅。

第一层：AI 的”大脑”

这一层解决最基础的好奇心：AI 的”大脑”到底是怎么回事？

LLM（大语言模型）

💡 一句话说清 ：能读懂你说的话、也能像人一样写出流畅文字的 AI 系统。

你可能已经用过 ChatGPT、Claude、豆包、Kimi、DeepSeek、文心一言、通义千问……这些产品的背后，都藏着一个”大语言模型”（英文叫 Large Language Model，简称 LLM）。

为什么叫”大”？因为它的内部有 成百上千亿个参数 ——你可以把参数想象成大脑里的神经连接，越多就越”聪明”。为什么叫”语言”？因为它的核心本事就是处理 文字 ——读你写的话，然后写出回复。

它是怎么学会说话的？

说出来很简单： 读书。大量地读书。 LLM 在训练阶段”阅读”了互联网上能找到的几乎所有文字——新闻、百科、小说、论文、代码、社交媒体、论坛帖子……成千上万亿的文字。通过这种海量阅读，它学会了人类语言的各种规律和模式。

大语言模型的基本工作流程：

📚 海量文本（书籍/网页/论文）→ 训练学习 → 🧠 大语言模型（LLM）← 👤 用户提问 → 📝 AI 回复

⚠️ 一个常见误解 ：LLM 并不真的”理解”你在说什么。它的底层原理其实是 猜词 ——根据前面的文字，预测下一个最可能出现的词是什么，然后一个词一个词地”蹦”出来。但这种预测能力实在太强了，强到它写出来的东西看起来就像是”理解”了一样。

Transformer 架构

💡 一句话说清 ：让大语言模型变聪明的那个”秘方”——几乎所有主流 AI 都用它。

你不需要理解它的技术细节，只需要知道一件事： Transformer 是几乎所有大模型背后的核心算法，就像”发动机”之于汽车。

它的名字来自 2017 年 Google 的一篇论文，标题很酷，叫《Attention Is All You Need》（你只需要”注意力”）。这里的”注意力”是个技术概念，简单说就是——

打个比方 ：你读到”小王把球传给了小李， 他 高兴地跳了起来”，你的大脑会自动琢磨——这个”他”到底是小王还是小李？你会联系上下文来判断。Transformer 的”注意力机制”做的就是类似的事：在处理每个词的时候，同时”环顾”整段文字中所有其他词，搞清楚它们之间的关系。

正是这个”注意力机制”让 AI 能够处理很长的文本，理解复杂的上下文关系。GPT 的 “T” 就是 Transformer 的缩写，可见其重要性。

Token（词元）

💡 一句话说清 ：AI 处理文字时的最小单位——就像 AI 的”一口饭”。

我们人类读文字是一个字一个字、一个词一个词地看。AI 也类似，但它把文字切成的小块叫做 Token 。

一个 Token 大概是多大呢？

• 英文：大约 3/4 个单词。比如 “unhappiness” 可能被切成 “un” + “happiness” 两个 Token

• 中文：大约 1—2 个汉字就是一个 Token

Token 为什么跟你有关？ 两个原因：

1. 花钱：很多 AI 服务按 Token 数量收费。你发过去的文字要算 Token，AI 回复的文字也算 Token，加起来就是你的账单。
2. 有上限：AI 一次对话能处理的 Token 总数是有上限的（叫”上下文窗口”，下面会讲到）。超过这个上限，AI 就会”忘掉”最早的内容。

打个比方 ：想象 AI 面前有一张 有限大小的桌子 ，每个 Token 就是桌上的一张小卡片。桌子只能放这么多卡片（比如 20 万张），放满了再往上放，最早的那些就得被挤掉。

第二层：跟 AI 说话

知道了 AI 是什么，接下来的问题是：我怎么跟它交流？

Prompt（提示词）

💡 一句话说清 ：你对 AI 说的话——不管是一个问题、一段指令还是一篇文章，都叫 Prompt。

每次你在 ChatGPT 的对话框里打字、按回车，你发出去的那段文字就是一个 Prompt。它可以是：

• 一句简单的问题：”北京今天天气怎么样？”

• 一个创作请求：”帮我写一封请假邮件，语气要诚恳一点”

• 一段复杂的工作指令：”分析这份表格里的销售数据，找出销量下降超过 20% 的产品，画成图表”

有一条朴素但重要的规律： 你说得越清楚，AI 回答得越靠谱。

打个比方 ：你去理发店，跟 Tony 老师说”随便剪剪”，结果大概率不满意。但如果你说”两侧推短、头顶留 5 厘米、不要太碎”，Tony 老师就知道该怎么剪了。Prompt 就是你给 AI 的”理发需求单”。

Context（上下文）

💡 一句话说清 ：AI 回答你的时候能”看到”的全部信息——包括你们之前聊过的所有内容。

Context 不只是你刚发的那条消息。它包括：

• 你和 AI 从对话开始到现在说过的 所有内容

• AI 背后的 系统指令 （比如”你是一个客服助手，请用礼貌的语气回答”）

• 你上传的 文件、图片 等附加材料

上下文（Context）的构成：

🔧 系统指令（你是一个翻译助手）

💬 历史对话（之前你问了什么、AI 答了什么）

📎 附件（你上传的文件、图片）

✍️ 你刚发的新消息

👆 以上全部信息 → 🧠 AI 根据全部上下文生成回复

每个模型能装下的上下文大小不一样，这叫 上下文窗口（Context Window） ，用 Token 数量衡量。目前主流的窗口大小：

模型	上下文窗口	大约相当于
GPT-4o	128K Token	约 300 页 A4 纸
Claude Sonnet	200K Token	约 500 页 A4 纸
Gemini 2.5 Pro	1M Token	约 2500 页 A4 纸（一整套百科全书）

打个比方 ：想象你和朋友坐在一起聊天。你们都记得今天聊过的话题，所以对话可以自然地接上。但如果聊了整整一天，早上说过什么可能就记不清了——这就是上下文窗口的限制：聊太多，最早的内容就”掉出去”了。

Memory（记忆）

💡 一句话说清 ：AI 在 不同对话之间 记住你的信息的能力——跨对话的”长期记忆”。

上面说的 Context 是 一次对话内 的记忆——关掉对话窗口，或者新开一轮对话，AI 就”失忆”了。而 Memory 就是解决这个问题的——让 AI 能记住你的偏好、项目背景、工作习惯等跨对话的信息。

举几个 Memory 的实际例子：

• 你告诉 AI”我是做社会学研究的”，下次开新对话时它还记得这一点

• 你说过”解释东西的时候不要用专业术语”，以后它就会自动用大白话

• 你的项目资料存放路径、数据格式等，AI 不需要每次都重新告知

打个比方 ：Context 就像你和出租车司机的 单次对话 ——下车就结束了。Memory 更像你和 私人司机 的关系——他知道你家住哪、上班走哪条路、喜欢车内温度调多少度，不需要每次都交代。

Chatbot（聊天机器人）

💡 一句话说清 ：以”一问一答”聊天形式跟你互动的 AI 产品——目前最常见的 AI 使用方式。

你大概率已经用过 Chatbot，只是可能不知道它叫这个名字。这些都是 Chatbot：

产品	公司	特点
ChatGPT	OpenAI	全球用户最多的 AI 聊天产品
Claude	Anthropic	擅长长文本分析、编程辅助
豆包	字节跳动	国内日活最高的 AI 助手之一
Kimi	月之暗面	主打超长上下文（能一次读完整本书）
DeepSeek	DeepSeek	开源模型的代表，性价比极高
文心一言	百度	百度推出的 AI 助手
通义千问	阿里巴巴	阿里推出的 AI 助手

Chatbot 是大模型最直观的”外壳”。但要注意—— Chatbot 不等于大模型本身 。Chatbot 是”产品”，大模型是”引擎”。就像微信是产品，背后的服务器和代码才是技术。

CLI 和 GUI（两种操作界面）

💡 一句话说清 ：跟电脑（或 AI）打交道的两种方式——打字命令 vs. 点击鼠标。

	CLI（命令行界面）	GUI（图形界面）
全称	Command Line Interface	Graphical User Interface
长什么样	一个黑底白字的窗口，你打命令进去	有按钮、菜单、图标，鼠标点点点
日常例子	电脑上的”终端”（Terminal）	微信、淘宝、Word
AI 产品举例	Claude Code 、Codex CLI、OpenClaw	ChatGPT 网页/App 、Claude 网页版、豆包
适合谁	程序员、技术用户	所有人

为什么要了解这个？ 因为 AI 领域出现了一个新趋势：越来越多的强力 AI 工具（特别是编程相关的）选择了 CLI 形式。比如：

• Claude Code：Anthropic 推出的命令行 AI 编程助手，直接在终端里用自然语言指挥 AI 帮你写代码、改文件、跑测试

• Codex CLI：OpenAI 推出的命令行编程工具

• OpenClaw：开源社区的命令行 AI 助手

这些工具虽然”其貌不扬”（没有漂亮的界面），但在专业场景下效率极高——因为直接操作文件系统、运行代码，省去了在网页上来回复制粘贴的麻烦。

打个比方 ：CLI 和 GUI 的区别就像 发短信 vs. 打视频电话 。发短信（CLI）看着简陋，但快速直接；视频电话（GUI）画面丰富，但有时候一句话就能说清楚的事，没必要开视频。

第三层：让 AI 更聪明

同样的 AI，不同的人用，效果可以差十倍。这一层告诉你为什么，以及怎么缩小差距。

Prompt Engineering（提示工程）

💡 一句话说清 ：研究”怎么跟 AI 说话效果最好”的技术——简单说就是”提问的艺术”。

你有没有遇到过这种情况：问 AI 同一个问题，你得到的回答很一般，但看别人截图的回答却特别精彩？差距往往就在 Prompt 上。

几个真实的对比例子：

❌ 普通提问	✅ 提示工程后的提问
“帮我写个方案”	“你是一位有 10 年经验的市场策划总监。请帮我写一份新产品上市推广方案，目标受众是 25—35 岁的都市女性，预算 50 万，周期 3 个月。请包含渠道选择、时间节点和预期效果。”
“解释一下量子力学”	“请用初中生能听懂的语言解释量子力学，多用日常生活中的例子，控制在 300 字以内。”
“这段代码有什么问题”	“请逐行检查这段 Python 代码，找出所有 bug 和性能问题，用表格列出：行号、问题描述、修复建议。”

常用的提示工程技巧（记住几个常用的就够了）：

• 给 AI 一个身份：”你是一位资深律师 / 数据分析师 / 营养师……”

• 举几个例子（Few-shot）：在提问时附上 1—2 个输入→输出的示例

• 让它一步一步想（Chain of Thought）：”请一步一步地分析……”

• 规定输出格式：”请用表格 / 分三点 / 控制在 200 字以内……”

打个比方 ：提示工程就像学习 怎么给实习生布置任务 。你说”去调研一下市场”，实习生会一脸懵。但如果你说”去找 3 家竞品的定价策略，做成对比表格，周五之前给我”，实习生就知道该干嘛了。

Context Engineering（上下文工程）

💡 一句话说清 ：不只管”怎么问”，还管”给 AI 看什么资料”——从”写好一句话”升级到”备好一整份材料”。

提示工程解决的是”这一句话怎么写”的问题。但现实中，很多 AI 任务的效果瓶颈不在于你那一句话写得好不好，而在于—— AI 到底看到了哪些信息 。

上下文工程关心三个问题：

• 📌 该给 AI 看什么？ 不是越多越好，无关信息反而干扰

• 📐 信息怎么组织？ 结构化 > 一团乱麻，表格 > 大段文字

• ⏰ 什么时候给？ 按需加载，别一股脑全塞进去

👆 三个维度共同指向 → 🎯 更好的 AI 输出

跟 Prompt Engineering 的区别 ：

• Prompt Engineering = 我该 怎么问 这句话

• Context Engineering = 我该 给 AI 准备什么材料

打个比方 ：你要让一个新来的实习生帮你写季度汇报。光是把任务说清楚（Prompt Engineering）还不够，你还得把 上季度的数据、领导的要求、公司的汇报模板 都准备好给他（Context Engineering）。材料准备得好，他写出来的东西就好；塞一堆无关文件给他，反而会把他搞晕。

Harness Engineering（驾驭工程）

💡 一句话说清 ：不只管怎么跟 AI 说话，而是设计 整套人机协作系统 的工程思维——AI 时代的”项目管理”。

这是三个概念里最新也最”高级”的。它关心的已经不是”怎么跟 AI 聊天”，而是” 怎么搭建一个让 AI 高效干活的系统 “。具体包括：

• 什么事让 AI 自己做，什么事需要来找你确认？（自主权边界）

• AI 用到的各种工具、技能包怎么配合？（能力协调）

• 出了错怎么发现、怎么回退？（质量控制）

• 怎么保证每次产出的质量都稳定？（一致性管理）

三者的递进关系——这是一条很清晰的演化路线 ：

✏️ Prompt Engineering（提示工程）→ 📋 Context Engineering（上下文工程）→ 🏗️ Harness Engineering（驾驭工程）

关注：一句话怎么写 → 关注：给 AI 准备什么材料 → 关注：整套协作系统怎么设计

好比：怎么点菜 → 好比：怎么备好食材清单 → 好比：怎么管理整个厨房

打个比方 ：如果你是一家餐厅老板——

• Prompt Engineering 是学会怎么给厨师 点菜 （说清楚你要什么菜）

• Context Engineering 是给厨师 备好食材和菜谱 （让他有足够的信息来做菜）

• Harness Engineering 是设计 整个厨房的运作系统 ——哪些菜提前备料、哪些现做、菜品质量怎么检查、出了问题怎么补救、前厅和后厨怎么配合

第四层：给 AI 装上”手脚”

大模型光靠”说话”是不够的——这一层让它从”动嘴”变成”动手”。

Tool（工具）

💡 一句话说清 ：AI 可以调用的外部能力——让它从”只会说”变成”能干活”。

大模型的原始能力 只有生成文字 。但通过给它接上各种 Tool，AI 就能做到很多事：

Tool 类型	能干什么	举个例子
🔍 搜索工具	上网查最新信息	“今天黄金价格多少？”——AI 去搜一下再回答
💻 代码执行	写代码、跑计算	“帮我算一下这组数据的平均值”——AI 写代码执行
📁 文件操作	读写你的文件	“打开 data.csv 看看里面有什么”——AI 直接读取
📊 绘图工具	画图表	“画一张折线图”——AI 生成代码并画出来
🌐 外部 API	调用各种在线服务	查天气、查股票、订机票……

打个比方 ：大模型就像一个 特别聪明但被关在房间里的人 ——脑子很好使，但什么工具都没有。Tool 就是往房间里递东西——递个计算器他就能算数，递台电脑他就能上网查资料，递个画板他就能画图。工具越多，他能帮你做的事就越多。

Tool 让 AI 从”只会说”变成”能干活”：

👤 用户提问 → 🧠 大模型 → 分别调用 🔍 搜索工具 + 💻 代码工具 + 📊 绘图工具 → 📝 完整回复（数据 + 分析 + 图表）

RAG（检索增强生成）

💡 一句话说清 ：让 AI 先翻书、再回答——大幅减少”胡说八道”的关键技术。

AI 有两个让人头疼的毛病：

• 知识有保质期：训练数据有截止日期，之后的事它不知道

• 会”幻觉”：遇到不确定的问题，它不会老实说”我不知道”，而是 一本正经地编答案

RAG 的思路特别朴素—— 先查资料，再回答 ：

👤 用户提问 → 🔍 检索系统（从知识库中找到最相关的内容）→ 📄 相关资料 → 🧠 大模型（基于资料生成回答）→ ✅ 有据可查的回答

打个比方 ：

• 没有 RAG 的 AI = 闭卷考试。全靠死记硬背，记不清就瞎编。

• 有了 RAG 的 AI = 开卷考试。可以翻教材、查笔记，然后再组织答案。

你在工作中可能已经间接用过 RAG 了——比如 Kimi 的”联网搜索”功能，以及很多企业知识库问答系统，背后都是 RAG 技术。

MCP（模型上下文协议）

💡 一句话说清 ：一套”通用插头标准”，让各种 AI 工具可以即插即用——AI 世界的”USB 接口”。

前面说到 AI 可以用各种 Tool 来干活。但问题来了： 每个工具的接口都不一样 。要让 AI 连上 GitHub，要写一套代码；连数据库，又要写另一套；连日历、连邮件、连地图……每个都要单独对接，程序员要累死。

MCP（Model Context Protocol，模型上下文协议）就是来解决这个问题的。它由 Anthropic（Claude 的开发公司）在 2024 年底提出，定义了一套统一的”接口标准”。

MCP 之前 vs. MCP 之后：

• ❌ MCP 之前：🧠 AI —专用接口A→ GitHub / —专用接口B→ 数据库 / —专用接口C→ 日历 / —专用接口D→ 邮件（每个都要单独对接）

• ✅ MCP 之后：🧠 AI —统一 MCP 协议→ 🔌 MCP → GitHub / 数据库 / 日历 / 邮件（一个标准通吃）

打个比方 ：还记得十几年前手机充电线的混乱年代吗？诺基亚一种头、三星一种头、摩托罗拉又一种头……后来 USB-C 统一了接口，现在一根线能充几乎所有设备。MCP 对 AI 工具生态做的就是同样的事—— 定义一个统一标准，让所有工具和所有 AI 都能互相连接 。

Agent Skill / Skills（智能体技能包）

💡 一句话说清 ：可以按需安装的 AI 专业能力模块——就像给 AI 手机装 App。

一个通用的 AI 不可能什么都精通。Skill 机制让你可以根据需要，给 AI 加载特定领域的专业技能 。

比如，给 AI 安装不同的 Skill 之后：

安装的 Skill	AI 就能……
Yahoo Finance 数据 Skill	查股价、拉财报、分析市场数据
Shiny 应用开发 Skill	帮你搭建交互式数据仪表板
中国地图绘制 Skill	按规范画中国地图（含九段线）
期权策略 Skill	分析期权组合的收益曲线
Telegram 阅读 Skill	读取 Telegram 频道的消息做研究

Skill 里通常包含：该领域的专业知识、最佳实践、代码模板和标准工作流程。安装之后，AI 就像”读了一本该领域的操作手册”，能像专家一样工作。

打个比方 ：Skill 就像你手机上的 App 。手机出厂时只有打电话、发短信的基础功能。你需要导航装高德地图，需要打车装滴滴，需要点外卖装美团……同理，AI 可以通过安装不同的 Skill 来获得不同领域的专业能力。

第五层：AI 自己干活

从”你问一句它答一句”到”你说个目标它就搞定”——这是 AI 正在发生的最大变化。

Agent / AI Agent（智能体）

💡 一句话说清 ：能自己拆分任务、调用工具、一步步把事情做完的 AI——不只回答问题，而是 替你干活 。

Agent 是当下 AI 领域 最火的方向 ，也是跟普通聊天机器人最本质的区别：

• 💬 Chatbot（聊天机器人）： 👤 你问一句 → 🤖 它答一句 → 👤 你再问一句 → 🤖 它再答一句（一问一答，被动响应）

• 🤖 Agent（智能体）： 👤 你说一个目标 → 📋 AI 自动拆分任务 → ⚙️ 步骤1：搜索信息 → ⚙️ 步骤2：分析数据 → ⚙️ 步骤3：生成报告 → ✅ 交付成果（主动规划，自主执行）

举个真实的例子——你对 Agent 说：

“帮我分析一下最近霍尔木兹海峡封锁对油价的影响，画张图，然后写成简报。”

Agent 会自己完成以下步骤：

1. 联网搜索最新的战争进展和关键事件
2. 从 Yahoo Finance 拉取 WTI 和布伦特原油的价格数据
3. 用 R 代码清洗和处理数据
4. 画出油价走势图，标注关键事件
5. 生成一份包含图表和分析的 Quarto 简报文档

整个过程中，AI 会自己选择用什么工具、调用什么 Skill、决定先做什么后做什么。遇到需要你确认的地方才来问你。

打个比方 ：Chatbot 就像 餐厅的自助点餐机 ——你点什么它出什么，一次只处理一个指令。Agent 更像是 一个靠谱的私人助理 ——你说”帮我安排下周出差”，他就会自己去查机票、订酒店、排日程、预约会议，遇到拿不准的再来找你确认。

你可能已经在用的 Agent 产品 ：

产品	类型	它能做什么
Claude （在 RStudio/Cursor 中）	编程 Agent	在你的编辑器里直接读代码、改代码、跑分析
Claude Code	CLI 编程 Agent	在终端中用自然语言指挥 AI 完成整个编程任务
ChatGPT + 高级数据分析	数据分析 Agent	上传文件后自动写代码分析并出图
Manus	通用 Agent	自主完成复杂的多步骤任务

Workflow（工作流）

💡 一句话说清 ：Agent 做事时的”步骤清单”——它按什么顺序、走什么流程来完成任务。

面对一个复杂任务，Agent 不是闷头一口气做完的，而是会把它拆成一步一步来。这些步骤串起来就是 Workflow。

拿”帮我做一份年度销售分析报告”来说：

📂 第1步：读取数据文件 → 🔍 第2步：检查数据质量 → 📊 第3步：计算关键指标 → 📈 第4步：生成可视化图表 → 📝 第5步：撰写分析结论 → 📄 第6步：导出为报告文档

Workflow 有两种形式：

• 固定流程：事先设计好的标准步骤，每次都按同样的顺序执行

• 动态生成：Agent 根据具体任务即兴规划步骤——比如发现数据有质量问题，就自动增加一个清洗步骤

打个比方 ：Workflow 就像 菜谱 。做一道红烧肉——先焯水、再炒糖色、然后炖煮、最后收汁——每个步骤的顺序和方法都写清楚了。Agent 的 Workflow 就是它做每件事时的”菜谱”。

AI Coding / Vibe Coding

💡 一句话说清 ：用说人话的方式让 AI 帮你写代码——不用学编程也能让电脑干活。

AI Coding 是目前 AI Agent 最成熟、最广泛使用的应用场景。它的核心理念是—— 你来说”要什么”，AI 来搞定”怎么做” 。

比如你说：”帮我把这个 Excel 表格里的销售数据按月汇总，画一张柱状图。”AI 会自动：

1. 写出对应的代码（R 或 Python）
2. 运行代码处理数据
3. 生成图表展示给你

你全程不需要看懂一行代码。

Vibe Coding 是 Andrej Karpathy（OpenAI 联合创始人之一）在 2025 年初提出的说法，大意是：

“一种你完全沉浸在氛围（vibes）中的编程方式——你大致描述方向和感觉，AI 把代码细节搞定。你只需要看结果对不对，好不好。”

这个概念之所以引起广泛讨论，是因为它意味着编程的门槛正在被极大地降低—— 未来”会不会编程”可能不再是一道门槛，”会不会跟 AI 协作”才是。

打个比方 ：传统编程就像 自己组装宜家家具 ——你得看图纸、找零件、拧螺丝，每一步都自己来。AI Coding 更像是 你对装修师傅说”我想在这面墙放一个书架，白色的，大概这么高” ，师傅帮你搞定所有技术细节。Vibe Coding 则更进一步——你甚至只需要说”这个房间感觉缺点收纳功能”，师傅就能根据你的”感觉”给出解决方案。

附录：概念全景图

最后，把所有概念的位置和关系串起来：

🧠 第一层：AI 的大脑 Token（词元）+ Transformer（架构）→ LLM（大语言模型）

⬇️

💬 第二层：跟 AI 说话 Prompt（提示词）/ Context（上下文）/ Memory（记忆）/ Chatbot（聊天机器人）/ CLI & GUI（操作界面）

⬇️

📐 第三层：让 AI 更聪明 Prompt Engineering → Context Engineering → Harness Engineering

⬇️

🔧 第四层：给 AI 装手脚 Tool（工具）/ RAG（检索增强）/ MCP（统一协议）/ Skills（技能包）

⬇️

🚀 第五层：AI 自己干活 Agent（智能体）→ Workflow（工作流）/ AI Coding & Vibe Coding