�� AI 术语太劝退?这 13 个核心概念,用生活化类比一次讲透

读完这篇，跟 AI 从业者聊天不再一脸懵。

你有没有过这样的经历——

打开一篇 AI 文章，第一段就碰到「LLM」「RAG」「Token」「Agent」……每个字母都认识，连起来像天书。关掉页面，默默叹气：我是不是被时代抛弃了？

别急，你不是一个人。

今天这篇推文，我们用生活化的比喻，把 AI 领域最核心的 13 个术语一次讲清楚。不需要技术背景，10 分钟读完，你就能：

•✅ 看懂 80% 的 AI 新闻和产品介绍•✅ 跟技术同事/朋友聊天不再插不上话•✅ 理解为什么 ChatGPT 有时候会「胡说八道」

先搞清楚最关键的一个：LLM（大语言模型）

在理解所有术语之前，先记住这一个。

🍳 一句话类比：LLM 就像一个读过全世界所有书、但被关在房间里的人。

他知识渊博，能回答问题、写文章、翻译、编程——但他看不到外面的世界，不知道今天几号，也没法帮你做任何实际操作（发邮件、查数据库、订机票）。

ChatGPT、Claude、文心一言、通义千问，都是 LLM。

关键局限：知识有截止日期、没有实时信息、不能执行外部操作、可能会「编造」事实（这叫幻觉）。

💡 理解了 LLM 的局限，下面所有概念就好懂了——它们大多是为了突破 LLM 的局限而诞生的。

一、Token（词元）—— AI 怎么「吃」文字的？

🍳 类比：如果把 AI 读的文字比作一顿饭，Token 就是被切碎的食物块。AI 不会一口吞下整段话，而是切成小块小块地吃。

•一个中文字 ≈ 1-2 个 Token•一个英文单词 ≈ 1-3 个 Token•"我喜欢AI" ≈ 5 个 Token

为什么要关心？

•💰 计费按 Token 算：用 API 是花真金白银的•📏 上下文窗口有限：AI 一次能「记住」的内容有上限（比如 200K Token ≈ 一本中等厚度的书）•🚀 Token 越多，生成越慢

补充概念：Context Window（上下文窗口） = AI 的「短期记忆容量」。这就是为什么和 AI 聊太久，它会「忘记」之前说的内容。

二、Prompt（提示词）—— 怎么跟 AI 说话？

🍳 类比：Prompt 就是你跟 AI 说话的方式。就像一个超级聪明但不太懂人情世故的实习生——说得越清楚，它做得越好。

同一个 AI，Prompt 写得好坏，结果天差地别。

Prompt Engineering（提示词工程）

🍳 类比：就像是学会了怎么「管理」这个超级实习生——知道说什么、怎么说、用什么顺序说，才能让它交出最好的活。

常用技巧：

•角色设定：「你是一个有 10 年经验的银行风控专家……」•给示例（Few-shot）：先给 AI 看几个例子，再让它做•思维链：让 AI 「一步一步思考，不要直接给答案」•结构化输出：要求 AI 以 JSON 或表格格式回复

三、RAG（检索增强生成）—— 给 AI 查资料的能力

🍳 类比：LLM 是博学但被困在房间里的人。RAG 就是在回答每个问题前，先往房间里塞一堆相关资料，这样它就能回答「超出记忆」的问题了。

简单公式：RAG = 查资料 + 回答问题

流程是这样的：

1.你问：「公司今年的年假政策是什么？」2.系统去知识库检索公司政策文档3.把文档 + 你的问题一起发给 AI4.AI 基于文档生成准确答案 ✅

这就解决了 LLM「不知道实时信息」和「编造内容」的问题。企业内部知识库、智能客服、合同审查背后基本都是 RAG。

RAG 的三个关键小伙伴

Embedding（向量化）：把文字变成一串数字。意思相近的文字，数字也相近。「猫」和「小猫」的数字很近，「猫」和「汽车」的数字很远。用它来做「按意思搜索」，而不是「按关键词搜索」。

Vector Database（向量数据库）：专门存这些「数字坐标」的仓库。输入一个坐标，它能瞬间找出最接近的 N 个——就像「查找附近的人」。

Knowledge Base（知识库）：存放原始资料的地方，比如 PDF、Word、网页等。

四、Tool Calling（工具调用）—— AI 能「动手」了

🍳 类比：LLM 被困在房间里，但手里有一部电话。Tool Calling 就是告诉它：「你可以打电话叫外卖、查天气、订机票，按这个格式说你要什么就行」。

AI 从此不再是「嘴炮」，能把想法变成行动。

举个例子：

1.你：「帮我查一下明天北京的天气」2.AI 意识到需要查天气 → 输出指令：{工具: "查天气", 城市: "北京"}3.系统执行这个指令，拿到真实天气数据4.AI 回复：「明天北京晴，20-30°C」

五、MCP（模型上下文协议）—— AI 界的 USB-C

🍳 类比：你的手机上有微信、支付宝、滴滴，每个 App 接口都不一样。如果每连一个新 App 都得找人写代码，效率极低。MCP 就是 AI 界的 USB-C 接口——制定了一个通用标准，符合标准就能即插即用。

•以前：每接入一个新工具（Gmail、Slack、GitHub……），都得写一套定制代码•现在（MCP）：工具开发者实现 MCP 协议，AI 就能直接调用

它是 AI 从「聊天机器人」走向「AI 操作系统」的关键基础设施。

🔗 MCP vs Tool Calling：Tool Calling 是 AI 调用某个函数的能力，MCP 是统一管理所有工具的标准协议。一个讲「能不能」，一个讲「怎么管」。

六、Context Engineering（上下文工程）—— 不止写好一句话

🍳 类比：Prompt Engineering 是「这一句话怎么说更好」。Context Engineering 是「整个对话的剧本怎么写」——给 AI 什么背景、什么时候喂什么资料、怎么管理记忆。

一句话对比：

•Prompt Engineering = 写好一句话（战术）•Context Engineering = 设计整个信息流（战略）

它关注：记忆管理（记住什么、忘掉什么）、知识注入（什么时候查资料）、角色控制（AI 的人设和边界）、工具编排（什么时候用哪个工具）。

七、Skill（技能）—— AI 的「任务模板包」

🍳 类比：Skill 就像一个「任务技能包」——打包了完成某项任务需要的所有东西：标准流程、Prompt 模板、工具配置。需要时打开就用，不需要重新教 AI。

举例：

•/code-review → 审查代码•/translate → 翻译文档•/write-report → 根据数据生成报告

从「每次都重新教 AI」→「一次定义，重复调用」，效率质变。

🔗 Skill vs Agent：Skill = 固定流程的任务模板（像 SOP），Agent = 能自主决策的智能体（像员工）。

八、Agent（智能体）—— 能自己干活的 AI

🍳 类比：如果普通 LLM 是一个坐等提问的「军师」，Agent 就是一个能自己思考、自己拿主意、自己去行动的「独立员工」。

你交代目标（比如「帮我订一张去北京的机票」），它自己去计划步骤、调用工具、处理意外、达成目标。

Agent 的工作循环：ReAct

💭 思考：「用户要订机票，我先查航班」    ↓🎬 行动：调用搜索航班工具    ↓👁 观察：拿到航班列表    ↓💭 再思考：「有 8:00 和 10:00 两班，用户偏好早班」    ↓🎬 再行动：调用订票工具    ↓✅ 任务完成！

Agent 的四大核心能力：

1.🧭 规划：把大任务拆成小步骤2.🧰 用工具：调用 API、查数据库、发邮件3.🔄 反思纠错：结果不对，换个方法再试4.💾 记忆：记住做过什么，不重复劳动

九、Computer Use（计算机操作）—— AI 直接操作电脑

🍳 类比：Tool Calling 是有 API 的时候打电话下单。Computer Use 是 API 不好用或根本没有的时候，AI 直接坐到电脑前，像人一样看屏幕、移动鼠标、点击按钮、敲键盘。

典型场景：浏览器网页没有API，无法通过tool calling操作页面。

⚠️ Tool Calling = 通过菜单点菜（高效、规范） Computer Use = 自己进厨房做（通用、但慢）

十、Vibe Coding（氛围编程）—— 说话就能写代码

🍳 类比：传统编程是你亲自搬砖盖房子。Vibe Coding 是你用自然语言描述想要什么，AI 帮你写代码。你关注「要做什么」而不是「怎么做」。

像是从「程序员」变成了「产品经理 + 审阅者」。

适合：快速原型、非程序员做小工具、探索性项目。复杂生产系统仍需要传统编程功底。

十一、Harness Engineering（约束工程）—— 给 AI 套上缰绳

🍳 类比：Agent 像一匹千里马，跑得飞快。但如果你不给它套上缰绳、装上护栏，它可能冲下悬崖。Harness Engineering 就是给 AI 设计缰绳和护栏——让它既强大又可控。

核心控制维度：

•🔐 权限控制：不允许删除生产数据库•🛠 工具白名单：只能用读权限的 API•📦 执行沙箱：AI 代码在隔离环境跑•📋 日志追踪：记录 AI 每一步干了什么•👤 人工审批：转账 > 1000 元需人确认•💰 成本控制：单次任务不超过 $5

这是 AI 从「实验品」走向「生产环境」的关键工程实践。

十二、Workflow（工作流）—— AI 的自动化流水线

🍳 类比：如果每个 Skill 是「专用工具」，Workflow 就是工厂流水线。把多个 Skill、Agent、工具串联起来，按流程自动完成任务。

举个例子：

收到客户邮件  → Agent A 判断意图（投诉 / 咨询 / 订单）  → 投诉：提取信息 → 查知识库 → 生成回复草稿 → 人工审核  → 咨询：RAG 检索 → 自动回复  → 订单：查订单系统 → 生成状态回复 → 自动回复

十三、Workspace Agent（数据员工）—— 你的数字同事

🍳 类比：如果普通 Agent 是「远程外包员工」，Workspace Agent 就是坐在你旁边的数字同事——能看到你的文件、理解你的项目背景、在你的工作环境中直接帮你干活。

比如 Claude Code 可以直接读取你的项目文件、运行命令、编辑代码。Cursor 和 Copilot 可以跨文件理解你的项目上下文。

核心特点：有项目级上下文感知能力，不是「通用 AI」，而是「懂你的 AI」。

📋 速查表：更多高频术语一网打尽

模型相关

技术相关

常用工具

💬 写在最后

AI 领域术语更新极快，这篇文档只是一个起点。但好消息是，核心概念就那么几个，理解之后，新术语大多能举一反三。

如果你想进一步学习，一个非常实用的建议：

遇到不懂的 AI 术语，直接打开 ChatGPT 或 Claude，输入： 「用最通俗的类比解释 XXX」

这是最快的学习方式。毕竟，最好的 AI 老师，就是你手机里那个 AI。

📅 更新日期：2026 年 6 月 13 日

🔗 这份术语表会持续更新。如果觉得有用，欢迎收藏 + 转发给身边同样被 AI 术语困扰的朋友。

关注我们，获取更多 AI 通俗科普内容 🙌

互动话题：你被哪个 AI 术语折磨过？或者你有哪些更好的类比？评论区聊聊 👇