很多朋友刚开始接触 AI，真正卡住的往往不是技术多难，而是 Agent、RAG、MCP、Token、API 这些缩写突然一起冒出来，像在看一门新语言。这篇词典把 66 个高频词重新翻译成人话：每个词都讲清楚它是什么、平时在哪里遇到、用什么生活场景最好记。

不用一次背下来，先顺着读一遍。下一次再看到 LLM、RAG、Agent、MCP、API、CLI，至少知道它大概站在 AI 世界的哪个位置。

一、先认识 AI 和大模型

这一组负责回答两个问题：AI 是什么，大语言模型说话时在处理什么。先把这张地图看懂，后面的词会轻松很多。

1｜AI（Artificial Intelligence，人工智能）

AI 是让机器完成过去通常需要人来理解、判断、预测或创作的任务。手机人脸解锁、地图预测堵车、平台推荐视频、聊天机器人回答问题，都属于 AI。它是一个很大的总称，聊天工具只是其中一类应用。

2｜算法（Algorithm）

算法是解决问题的一套明确步骤，很像菜谱。菜谱规定先切菜、再热锅、最后调味；算法规定电脑先读取什么、怎样比较、最后输出什么。很多传统算法完全不会聊天，AI 算法只是算法大家族中的一部分。

3｜NLP（Natural Language Processing，自然语言处理）

NLP 是让电脑处理人类语言的技术领域，翻译、摘要、搜索、语音转文字和聊天都与它有关。你输入一句口语化的问题，AI 能理解大概意思并回答，背后就使用了自然语言处理能力。

4｜LLM（Large Language Model，大语言模型）

LLM 是用大量文字和大量计算训练出来的语言模型，擅长理解和生成文字。常见的模型或模型家族包括 OpenAI 的 GPT、Anthropic 的 Claude、Google 的 Gemini，以及 DeepSeek、Qwen 等。还要分清产品和模型：ChatGPT 是你打开使用的产品，GPT 是它背后可能调用的模型家族。

5｜SLM（Small Language Model，小语言模型）

SLM 是体积更小、计算需求更低的语言模型，目前没有一条全球统一的参数分界线。常见例子包括 Microsoft Phi 系列，以及 Gemma、Qwen 等模型家族里的小参数版本。它的知识范围可能更窄，但做摘要、分类、设备端助手等固定任务时，可以更快、更省钱，也更容易在手机或普通电脑上运行。

6｜Token（词元）

Token 是模型读写文字时使用的小块，不完全等于一个汉字、一个单词或一个标点。模型会先把句子拆成很多 Token 再计算，收费和上下文容量也经常按 Token 统计。把它记成 AI 处理文字时使用的「积木块」就够了。

7｜Context（上下文）

Context 是 AI 当前能够参考的全部信息，包括你的问题、前面对话、上传的文件、系统规则和工具返回结果。像医生问诊，同一句「我不舒服」，有没有年龄、症状和检查报告，得到的判断会完全不同。给 AI 的上下文越清楚，回答越有依据。

8｜Context Window（上下文窗口）

上下文窗口是模型一次最多能处理多少信息，通常使用 Token 表示。它像一张大小有限的书桌：桌上能同时摊开的资料有上限。内容放不下时，系统只能删减、总结、分批处理，或者让早期信息退出窗口。

9｜Context Length（上下文长度）

上下文长度经常有两种用法：模型最多允许容纳多少 Token，或者某次请求实际用了多少 Token。前者像书桌的最大面积，后者像你这次实际摊开的文件。看到产品宣传「超长上下文」时，讲的一般是最大容量。

10｜MLLM（Multimodal Large Language Model，多模态大模型）

MLLM 能在文字之外继续处理图片、声音或视频等信息。你给它一张冰箱照片，它能看见食材，再结合文字要求推荐晚餐；你上传会议录音，它也可能听完后整理重点。这里的「多模态」，就是多种信息形式。

11｜VLM（Vision-Language Model，视觉语言模型）

VLM 专门连接视觉和语言，主要处理「看图并用文字理解或回答」这类任务。它可以给照片写说明、识别图表内容、根据截图寻找按钮。VLM 强调视觉与语言的配合，范围通常比泛称的多模态模型更具体。

12｜MoE（Mixture of Experts，混合专家模型）

MoE 会在模型内部安排多组「专家」，每次只让其中一部分参与计算。像医院先分诊，皮肤问题去皮肤科，骨头受伤去骨科，不用让所有医生同时会诊。这样能扩大模型能力，同时控制每次运行需要的计算量。

读完这一组，只需要先分清：LLM 主要处理语言，VLM 连接图片和语言，MLLM 能处理多种信息。Token 是文字积木，Context 是模型这次能参考的资料。

二、和 AI 聊天时最常见的词

这一组每天都能用到。提示词负责交代任务，上下文提供资料，AI 根据这些信息生成回答。

13｜Prompt（提示词）

Prompt 是你交给 AI 的全部输入，可以是一句话、一个问题、一份资料，也可以是一张图片。「把这段合同总结成五条风险」就是提示词。Prompt 不需要写得像咒语，目标、材料、限制和输出要求清楚，AI 才更容易把事情做对。

14｜Prompt Engineering（提示词工程）

提示词工程是设计、测试和改进提示词的方法。它很像给同事布置工作：第一次结果不对，就检查任务有没有说清、资料是否齐全、格式是否明确，再调整指令。它的价值在于减少沟通误差和重复返工。

15｜System Prompt（系统提示）

System Prompt 是 AI 应用在背后设置的高优先级规则，用来规定身份、语气、能力范围和安全边界。它像一家公司的员工手册，用户通常看不到全部内容。你提出的要求如果与系统规则冲突，模型一般会优先遵循系统提示。

16｜User Prompt（用户提示）

User Prompt 是用户当前输入的要求，也就是你在聊天框里发出的内容。系统提示像店里的经营规则，用户提示像「请给我一杯少糖热饮」。两者会一起影响结果，所以同一句话放进不同 AI 产品，回答可能不一样。

17｜Instruction（指令）

Instruction 是提示词里明确要求 AI 执行的动作，例如总结、翻译、比较、分类或检查。一条完整提示词还可以带背景资料和限制条件。比如「读下面的邮件，提取日期，不要补充原文没有的信息」，里面就包含两条指令。

18｜Markdown

Markdown 是一种使用简单符号排版文字的格式。# 可以表示标题，- 可以表示列表，文字 可以表示加粗。很多 AI 输出看起来层级清楚，就是因为使用了 Markdown；你写公众号、文档或项目说明时也经常会遇到它。

19｜JSON

JSON 是程序常用的结构化数据格式，通常由大括号、字段名和对应内容组成。它像一张字段固定的电子表格，人能读，程序也方便继续处理。让 AI「按 JSON 输出」，往往是为了把结果交给另一个软件自动使用。

20｜Conversation History（对话历史）

对话历史是当前聊天里此前出现过的消息。AI 能接着你五分钟前的话题，通常是因为应用把前面的聊天记录再次发送给了模型。聊天太长以后，早期内容可能被截掉或总结，所以 AI 有时会忘记你最开始说过什么。

21｜Hallucination（幻觉）

幻觉是 AI 生成了听起来合理、实际错误或根本不存在的内容，例如编造书名、链接、数据和人物经历。它像一个语言能力很好、又不愿承认「不知道」的人，顺手把空白补了出来。涉及日期、数字、引用和重要决定时，一定要检查原始来源。

这一组最该记住的是：Prompt 决定你怎么问，Context 决定 AI 能参考什么，Hallucination 提醒你回答仍要核实。

三、让 AI 读取资料：RAG 和搜索

当你看到「让 AI 读取公司文件」「建立个人知识库」，大概率就会遇到这一组词。整条路线只有一句话：先找到相关资料，再让模型回答。

22｜RAG（Retrieval-Augmented Generation，检索增强生成）

RAG 会让 AI 在回答前先从指定资料中寻找相关内容，再把找到的片段交给模型组织答案。它像开卷考试：学生先翻课本，再根据课本作答。RAG 能减少凭空编造，也可能搜错资料，所以引用仍然需要人工检查。

23｜Knowledge Base（知识库）

知识库是集中存放、整理并供系统查询的资料集合。公司的产品手册、制度文件和常见问题放在一起，可以成为客服知识库；个人的笔记、文章和读书记录也能组成知识库。资料是否准确、是否及时更新，直接影响回答质量。

24｜Retrieval（检索）

检索是从一大批资料中找出与问题最相关的内容。图书管理员听完你的问题，从几万本书里拿来三本最合适的书，就是检索。RAG 中模型通常不会先读完整个资料库，而是先检索出少量片段再回答。

25｜Keyword Search（关键词搜索）

关键词搜索主要看某些文字有没有直接出现。你搜索「退款期限」，它会优先找包含「退款」和「期限」的内容。这种方法速度快，查产品编号、人名和固定术语很好用；提问方式和原文用词差很多时，可能会漏掉答案。

26｜Semantic Search（语义搜索）

语义搜索更关注两段话的意思是否接近。你搜索「东西不想要了怎么退」，它也可能找到标题为「退货政策」的文件。它适合处理自然语言问题，但理解也可能出现偏差，所以重要场景常常会搭配关键词搜索。

27｜Hybrid Search（混合搜索）

混合搜索把关键词搜索和语义搜索放在一起使用。身份证号、合同编号适合精确匹配；「怎样申请报销」更需要理解含义。两种结果合并后再排序，既照顾字面一致，也照顾意思相近，很多 RAG 系统都会采用这种方式。

上篇小结：模型负责理解与生成，提示词决定你怎么问，RAG 决定它参考什么资料。下一篇继续讲 Agent、MCP 与硬件相关的高频词。