作者|Golem(@web 3_golem)
现在,币圈人要是不关注 AI,很容易遭群嘲(对,我的朋友,想想你为啥会点进来)。
你是否对 AI 的基础概念一窍不通,每句话里的缩写都问下豆包啥意思啊?你又是否在 AI 线下活动中对各种专有名词一头雾水,还要假装没掉线?
虽然在短时间内一脚跨入 AI 行业不现实,但知道下 AI 行业高频基础词汇总是不亏的。幸运了,接下来这篇文章就是为你准备的↓真诚建议你熟读并收藏。
基础词汇(12)
LLM(大语言模型)
LLM 核心是用海量数据训练出来、擅长理解和生成语言的深度学习模型,它能处理文本,现在也越来越能处理其他类型内容。
与之相对的是 SLM(小语言模型)——通常强调成本更低、部署更轻、本地化更方便的语言模型。
AI Agent(AI 智能体)
AI Agent 指的不只是“会聊天的模型”,而是能理解目标、调用工具、分步执行任务、必要时还能做规划和验证的系统。Google 将 agent 定义为能基于多模态输入进行推理并代用户执行动作的软件。
Multimodal(多模态)
其 AI 模型不是只读文字,而是能同时处理文本、图片、音频、视频等多种输入输出形式。Google 明确把多模态定义为处理和生成不同类型内容的能力。
Prompt(提示词)
用户给模型输入的指令,是最基础的人机交互方式。
Generative AI(生成式 AI / AIGC)
强调 AI“生成”而不是单纯分类或预测,生成式模型可以根据 prompt 生成文本、代码、图像、表情包、视频等内容。
Token(令牌)
这是 AI 圈最像“Gas 单位”的概念之一。模型不是按“字数”理解内容,而是按 token 处理输入输出,计费、上下文长度、响应速度,通常都和 token 强相关。
Context Window(上下文窗口 / 上下文长度)
指模型一次性能“看到”和利用的 token 总量,也可称为模型在单次处理时能考虑或“记住”的 token 数量。
Memory(记忆)
让模型或 Agent 保留用户偏好、任务上下文、历史状态。
Training(训练)
模型从数据中学习参数的过程。
Inference(推理执行)
和训练相对,指模型上线后接收输入并生成输出的过程。行业里常说“训练很贵,推理更费钱”,因为真实商业化阶段很多成本发生在 inference。相关训练/推理区分也是主流厂商讨论部署成本时的基础框架。
Tool Use / Tool Calling(工具调用)
意思是模型不只输出文字,而是可以去调用搜索、代码执行、数据库、外部 API 等工具,这已经被当成 Agent 的关键能力之一。
API(接口)
AI 产品、应用、Agent 接第三方服务时的基础设施。
进阶词汇(18)
transformer(变换器架构)
一种让 AI 更擅长理解上下文关系的模型架构,也是今天大多数大语言模型的技术底座,最大的特点是能同时看整段内容里每个词和其他词的关系。
Attention(注意力机制)
它是 Transformer 最关键的核心机制,作用就是让模型在读一句话时,自动判断“哪些词最值得重点看”。
Agentic / Agentic Workflow(智能体式 / Agent 化工作流)
这是最近很热的说法,意思是一个系统不再只是“一问一答”,而是带有一定自主性地拆解任务、决定下一步、调用外部能力。很多厂商把它当成“从 Chatbot 走向可执行系统”的标志。
Subagents(子智能体)
一个 Agent 再拆出多个专职小 Agent 去处理子任务。
Skills(可复用能力模块)
随着 OpenClaw 爆火,这个词近明显变得常见,这是给 AI Agent 的可安装、可复用、可组合的能力单元/操作说明书,但也特别提醒有工具滥用和数据暴露风险。
Hallucination(机器幻觉)
意为模型一本正经地胡说八道,“感知到并不存在的模式”从而生成错误或荒谬输出,这是模型看似合理、实则错误的过度自信输出。
Latency(延迟)
模型从收到请求到输出结果所花的时间,属于最常见的工程黑话之一,一聊落地和产品化就会频繁出现。
Guardrails(护栏)
用于限制模型/Agent 能做什么、什么时候停、什么内容不能输出。
Vibe Coding(氛围编程)
这个词也是如今最火爆的 AI 黑话,意为用户直接靠对话表达需求,AI 来写代码,而用户不需要具体懂如何写代码。
Parameters(参数)
模型内部用于存储能力和知识的数字规模,常被用来粗暴衡量模型体量,“百亿参数”“千亿参数”都是 AI 圈最常见的唬人说法。
Reasoning Model(强推理模型)
它通常指更擅长多步推理、规划、验证、复杂任务执行的模型。
MCP(模型上下文协议)
这是近一年非常热的新黑话,作用类似给模型和外部工具/数据源之间建立通用接口。
Fine-tuning / Tuning(微调)
是在基础模型上继续训练,让它更适应特定任务、风格或领域。Google 术语表直接把 tuning 和 fine-tuning 作为相关概念。
Distillation(蒸馏)
把大模型的能力尽量压缩给小模型,像是让“老师”教会“学生”。
RAG(检索增强生成)
这几乎已经成了企业 AI 的基础配置。微软把它定义为“搜索 + LLM”的模式,用外部数据来给回答做 grounding,解决模型训练数据过时、不了解私有知识库的问题。目的是把回答建立在真实文档和私有知识上,而不是只靠模型自己回忆。
Grounding(事实对齐)
常和 RAG 一起出现,意思是让模型回答建立在文档、数据库、网页等外部依据上,而不是只靠参数记忆“自由发挥”。微软在 RAG 文档中明确把 grounding 作为核心价值。
Embedding(向量嵌入 / 语义向量)
就是把文字、图片、音频等内容编码成高维数字向量,以便做语义相似度计算。
Benchmark(基准测试)
用一套统一标准去测试模型能力的评测方式,也是各家模型最爱拿来“证明自己很强”的排行榜语言。
推荐阅读
龙虾关键11问:最通俗易懂的OpenClaw原理拆解
