AI 术语，
全部翻译成大白话

ChatGPT、Claude、DeepSeek 背后的语言模型。它从大量经过收集和处理的文字、代码等数据中学习语言规律，再根据当前上下文生成回答。

不是搜索引擎（不给链接列表），不是数据库（不会精确查到某条记录），不是全知全能。

容易跟「模型版本」搞混——大模型是类别，模型版本是具体型号。

你打开任何 AI 工具的那一刻。

你跟 AI 交流的方式——你打字，它回话，来回循环。跟微信聊天几乎一样，只是对面不是人。

不是一次性问答。你可以在同一个对话里不断追问、补充、修改。

容易跟「Agent」搞混——Chat 是回答问题，Agent 是围绕目标持续执行。详见第五组。

打开 AI 工具的每时每刻。

AI 计算「工作量」的单位。一个 Token 大约等于半个汉字到一个汉字。你发一段话 + AI 回一段话 = 消耗若干 Token。

不等于一个字、一个词或一个标点。它的具体切分方式由模型决定，你不用纠结怎么算。

容易跟「上下文窗口」搞混——Token 是计量单位，上下文窗口是用 Token 衡量的容量上限。

免费额度用完时、或者用 API 按量付费时。

AI 大脑的具体版本。就像手机有 iPhone 15、iPhone 16 一样，AI 也有不同型号。不同型号能力不同——有的更聪明、有的更快、有的更便宜。

不同版本不是「越新越好」——旗舰版更聪明但更慢更贵，轻量版更快更便宜。按需选择。

容易跟「大模型」搞混——大模型是类别（如 GPT 系列），模型版本是具体型号（如 GPT-4o）。

选 AI 工具或切换模型时。

AI 一本正经地编造了一个不存在的、不正确的事实，但说得非常自信、看起来完全像真的。这是目前所有大模型都有的现象，不是 bug。

不是 AI「故意骗你」。它只是在续写最合理的内容，分不清自己是在编还是在陈述事实。

不等于所有「答错」。幻觉通常指模型生成了看似可信、实际没有依据的内容；它没有人的信念，也不是在故意撒谎。

涉及数字、人名、引用、法律条文时——一切需要精确的事实。

控制 AI 回答的「随机程度」。温度低 = 回答稳定、确定、保守；温度高 = 回答更有创意、更发散、更不可预测。

不是「越高越好」或「越低越好」。写报告要低温，写诗要高温，没有标准答案。

不等于「聪明程度」——温度只控制随机性，不影响模型的知识量。

你发现 AI 每次回答不一样、或者需要调整创造性时。

AI 不只能处理文字，还能看图片、听声音、看视频。多模态就是「多种信息形式都能理解」。

不是所有 AI 都支持多模态。有些只能处理文字，有些能看图但听不了声音。

跟「大模型」不同——多模态是一种能力描述，大模型是技术类别。

你想让 AI 看图回答、听录音转文字、或者看视频总结时。

在通用 AI 的基础上，用你自己的数据再做一轮训练，让它在特定领域表现更好。普通用户基本用不到，但经常看到这个词。

不是普通用户需要操心的事。你现在用提示词和上下文就能定制 AI，不需要微调。

跟「提示词工程」完全不同——微调改的是模型内部参数，提示词只改输入文字。

大概率你不会直接遇到，但看技术文章时经常出现。

你问一个问题，它不是给你一堆链接让你自己找，而是直接给你答案，并附上出处。Perplexity 是最典型的答案引擎。

不等于聊天机器人——它优先搜实时信息，而不是凭记忆回答。

它和 Chat 的边界正在变模糊：不少聊天产品也能联网搜索。关键区别不是名字，而是这次回答有没有检索来源、出处是否能核对。

你需要查最新信息、核实事实、做研究时。

你发给 AI 的那段话。你说的话就是 prompt，AI 回的话叫 response。prompt 不是什么特殊技术，就是「你输入的文字」。

不是「咒语」或「秘籍」。没有哪句话能让 AI 万能——关键是把目标和情况讲清楚。

跟「系统提示词」不同——系统提示词是提前设定好的「人设」，提示词是每次对话你打的话。

每次跟 AI 对话。

AI 在当前这次对话中能记住的所有内容——包括你说的每一句、它回的每一句。只要在同一个对话窗口里，它就能联系上下文理解你。

上下文不是永久的记忆。新开一个对话，之前的上下文就没了。

跟「记忆」不同——上下文是当前对话的短期记忆，记忆是跨对话的长期记录。

你在同一个对话里追问、补充、修改时。

AI 一次对话能记住的最大字数。超过这个上限，最早的内容就会被「忘掉」。现在主流模型大概能记住几万到几十万字。

不是越小越好。窗口太小，聊几句 AI 就「忘了」你开头说的话。但现在主流模型的窗口已经很大了。

跟「上下文」不同——上下文是具体内容，上下文窗口是能装下多少内容的容量上限。

一个对话聊了很久后发现 AI「忘了」你最早说的话。

在你跟 AI 开始聊之前，提前给它设定好的「人设说明书」。它决定了 AI 用什么语气、什么身份、按什么规则来回答你。

不是普通用户在所有产品里都能直接看到或永久修改的设置。它可能由产品开发者设定，也可能只在某个项目、助手或会话范围内生效。

普通提示词是你这次发出的要求；系统提示词位于更高优先级。你在产品里看到的「自定义指令」或「项目指令」作用相近，但具体范围和优先级由产品决定。

你想让 AI 始终保持某种角色或风格时。

把不同工作分到不同的「房间」里，每个房间有独立的资料和指令。做营销的放一个项目，写论文的放另一个，互不干扰。

不是用了就一定更好。只有当资料和指令相关、清楚且没有过期时，项目空间才更容易产出稳定结果。

跟「知识文件」不同——项目是容器，知识文件是放进去的内容。

你用 AI 做多种不同类型的工作时。

你上传给 AI 的参考资料——文档、笔记、样例、模板。有了这些，AI 就能根据你的实际材料回答，而不是凭空编。

不是越多越好。传太多反而干扰 AI。遵守最少必要原则——只传跟当前任务相关的。

跟「RAG」概念相通——知识文件是材料，RAG 是「先搜材料再回答」的技术方法。

你想让 AI 根据你特定的资料回答时。

让 AI 跨对话记住你的信息——你的偏好、习惯、正在进行的工作。不同 AI 工具的实现方式不同。

不是万能的。有些 AI 的记忆是「黑箱」（你不知道它记了什么），有些需要你主动维护。

跟「上下文」不同——上下文是单次对话内的记忆，记忆是跨对话的持久记录。

你希望 AI 记住你的偏好、不用每次重复时。

跟 AI 对话最有效的框架：先说你要什么结果，再给必要的背景。比堆砌华丽提示词有效得多。

不是什么高深技巧。它只是一个提醒：把目标和情况讲清楚，比想方设法写「完美提示词」有用。

跟「提示词技巧」不同——OC 框架强调信息质量，不是措辞花活。

每次跟 AI 开始一个新任务时。

让 AI 采访你来生成一份完整的角色档案——你是谁、你怎么工作、你用什么工具。它是关于你的全部信息。

不是一成不变的。你的工作变了，Master Prompt 也要更新。

跟「系统提示词」不同——Master Prompt 是「食材」（关于你的信息），System Prompt 是「菜谱」（怎么做事）。

你想让 AI 深度了解你、成为你的长期助手时。

你在设置里填好的长期指令，每次对话都自动生效。比如「回答用中文」「字数不超过 200 字」。

不是临时提示词。自定义指令是设定一次长期生效的，临时提示词是每次对话打的内容。

跟「系统提示词」概念相通——不同工具叫法不同，本质都是预设指令。

你有固定的回答偏好（语言、长度、格式等）时。

先从你给的资料里搜到相关内容，再让 AI 基于搜到的内容来回答。相当于先翻资料再答题。

不是万能的——如果你的资料本身有错，RAG 也会基于错误回答。垃圾进、垃圾出。

跟「知识文件」不同——知识文件是材料，RAG 是使用材料的技术方法。

你想让 AI 只根据你的资料回答（不让它自由发挥）时。

一种结构清楚的纯文本排版格式。标题、列表和代码都有简单标记，通常比版式复杂或扫描生成的 PDF 更容易被稳定解析，但不代表内容一定更准确。

不是只有程序员才能用。Markdown 非常简单——用 # 表示标题，用 - 表示列表，几分钟就能学会。

不等于「纯文本」——Markdown 有简单的排版标记（加粗、链接、标题等），纯文本没有。

你要上传文档给 AI 处理时。

AI 不会一次性读完所有资料，而是先看标题和简介，需要时才深入读具体内容。这样节省上下文空间。

不是 AI「偷懒」——这是一种智能的资源管理方式，确保 AI 在有限的上下文窗口里最高效地工作。

跟「按需加载」概念相近——都是「用到才加载」的意思。

你给 AI 很多资料/Skill，好奇它怎么管理时。

AI 可以调用的外部能力——搜索网页、查天气、执行代码、画图。工具让 AI 从「只会说」变成「能做事」。

不是 AI 自己就能用的。需要你或开发者配置好，AI 才知道什么时候、怎么调用。

跟「Skill」不同——工具是单次操作（搜一下、算一下），Skill 是一套完整的操作流程。

你让 AI 搜索最新信息、计算复杂数据、或生成图片时。

让 AI 能够连接外部工具和服务的桥梁。装了搜索插件它就能上网搜，装了日历插件它就能看你的日程。

不是所有插件都安全。安装前看清权限——它能访问什么数据、能做什么操作。

跟「MCP」相关——MCP 是让插件标准化的协议。插件/连接器是具体产品，MCP 是连接标准。

你想让 AI 连接你的邮箱、日历、文档或其他服务时。

一种让程序之间互相通信的方式。有了 API，你的程序可以直接调用 AI 的能力，而不需要打开 AI 网页手动输入。

不是普通用户日常需要用的。它是给开发者和程序用的接口。但你需要知道这个词是什么意思。

跟「API Key」不同——API 是接口（窗口），API Key 是你的身份凭证（饭卡）。

你使用需要 API 接入的工具时，或看技术教程时。

你的身份凭证，证明你是付费/注册用户。类似密码——千万不要泄露给别人，否则别人可以用你的额度。

不是用一次就换的。一个 API Key 长期有效，直到你手动重置。

跟「API」不同——API 是接口通道，API Key 是走这个通道需要的通行证。

你使用需要 API 接入的工具时。

一个统一标准，让 AI 能用同一种方式连接各种外部工具和数据源。有了它，开发者不用为每个工具单独写对接。

不是普通用户需要操心的事。你只需要知道「这个工具支持 MCP = 它能跟 AI 对接」。

跟「Skill」不同——MCP 是连接协议（让 AI 接上工具），Skill 是操作流程（教 AI 怎么做事）。有人说「Skill 会淘汰 MCP」——这是作者个人预测，不是事实。

你看工具说明时看到「支持 MCP」。

AI 可以直接打开浏览器，浏览网页、填表单、点按钮。不只是搜索，而是像人一样操作网页。

不是无限制的。有些工具会限制 AI 能访问哪些网站、能执行哪些操作。

跟「搜索」不同——搜索只获取信息，浏览器操作能交互（点击、填写、提交）。

你让 AI 帮你填表、比价、或操作网页时。

AI 可以直接读写你电脑上的文件——打开文档、修改代码、整理文件夹。不需要你手动上传下载。

不是不受限制的。好的工具会要求你授权——哪些文件夹可以访问、哪些操作需要你批准。

跟「上传文件」不同——上传是一次性复制，本地操作是持续的读写权限。

你用 Claude Code、Hermes 等工具在你的电脑上工作时。

提前写好的一套说明书 + 工具，让 AI 在特定领域表现得像一个专业高手。本质上就是一个文件夹，里面放着指令和脚本。

不是装上就万能。Skill 有好坏之分——写得差的 Skill 效果还不如你自己直接跟 AI 说。

Skill 更像可复用的说明和工具；Workflow 更关注步骤怎样衔接。实际产品里两者可能重叠，不能只靠「AI 自己决定还是人写死」一刀切。

你发现某个任务经常重复做，想固化成标准流程时。

把一个复杂任务拆成可以衔接的步骤，让人、AI 或工具按顺序配合。很多工作流是固定的，也可以在部分步骤加入判断和动态分支。

不一定是完全写死的流水线。现代工作流可以让 AI 在某一步分类、选择工具或决定下一条分支。

Workflow 强调任务步骤怎样衔接；Skill 强调可复用能力；Agent 强调在目标、权限和约束内自主选择下一步。三者经常组合使用。

你有一个固定的多步骤任务想让 AI 自动化时。

把多个 Skill 串联起来，一个的输出是另一个的输入。文案技能 → 被邮件技能调用 → 被收件箱自动化技能调用。

不是越多越好。链条太长，一个环节出错，后面全跟着错。

跟「Workflow」相似——都是串联步骤。区别是技能链的每环都是智能的（Skill），Workflow 的每环可能是机械的。

你想让 AI 完成一个需要多步骤、多技能配合的复杂任务时。

让 AI 或程序自动执行任务，不需要你每次手动触发。可以按时间定时，也可以按事件触发。

不是「设了就不用管了」。自动化需要定期检查——AI 偶尔会出错，你不检查可能出大问题。

跟「Agent」不同——自动化是按规则执行预设流程，Agent 是围绕目标自主决策。

你有重复性任务想让 AI 自动处理时。

让 AI 在特定时间自动执行某个任务。比如每晚 8 点发第二天日程概要、每周一早生成本周计划。

不是 AI「主动」做的。是你设定了时间，到点触发。

跟「触发器」不同——计划任务是时间驱动（到点就做），触发器可以是事件驱动（收到邮件就做）。

你想让 AI 定期做某事时。

让 AI 在某个条件满足时自动启动。触发器分两种：时间触发（每天 8 点）和事件触发（收到邮件时）。

不是你手动点击的。触发器是自动检测条件、自动启动的。

跟「计划任务」不同——计划任务只看时间，触发器可以看任意条件。

你想让 AI 在特定事件发生时自动响应。

不只回答问题，还能在目标和权限范围内规划步骤、调用工具并执行操作。例如先查下周天气、整理航班选项，再把购买前的决定交给你确认。

不是万能的。Agent 可能中途出错、走弯路、或者理解错你的目标。关键操作仍需你审批。

跟「Chat」最大的区别：Chat 是问→答，Agent 是目标→持续执行→交付结果。

你想让 AI 帮你完成一个多步骤的完整任务时。

Agent 的核心工作机制：观察当前状态 → 思考下一步该做什么 → 执行行动 → 再观察结果，反复循环直到任务完成。

不是机械地循环。Agent 在每一步都会根据新信息调整策略——它是智能的循环。

Workflow 更强调预先设计的步骤和分支；Agent Loop 会根据当前结果决定下一步。两者可以组合，并不是互斥的两类东西。

你想理解 Agent 是怎么一步步完成任务的。

不是所有自称 Agent 的工具都是真 Agent。真 Agent 能自己决定步骤、在出错时调整策略。假 Agent 只按预设流程跑，出了错不会调整。

不是越「自主」越好。Agent 越自主，越需要好的权限控制和安全边界。

判断标准不是「能不能自动执行」，而是「出了意外会不会自己调整」。

你选择 AI 工具、判断它是不是真的能帮你完成任务时。

Agent 适合帮普通人做的四类事：协调（安排日程）、创意（写文案）、理解（总结长文）、陪练（模拟面试）。

不是只能做这四类。这只是一个帮你理解 Agent 能做什么的框架，不是限制。

不跟技术概念混淆——这是一个使用场景分类，不是技术架构。

你不知道 AI 能帮你做什么时，用 4C 框架找灵感。

给 Agent 下指令的结构：工作内容 → 可用工具 → 分类标准 → 产出格式 → 边界/限制。五部分写全，Agent 就不容易跑偏。

不是每次都必须五部分齐全。简单任务两三部分够用，复杂任务才需要写全。

跟「OC 框架」不同——OC 是对话级框架，五部分骨架是 Agent 任务级框架。

你要给 Agent 下达一个复杂任务时。

Agent 运行所在的「外壳」或「底盘」——它提供了 Agent 需要的基础设施：上下文管理、工具调用、安全权限。

不是 Agent 本身。Agent 是大脑 + 行为，Harness 是支撑它运行的平台。

跟「Agent」不同——Agent 是执行者，Harness 是执行者所在的平台。

你深入使用 Agent 工具、好奇它背后怎么运行时。

多个 Agent 分工协作，各管一摊。一个编排者分配任务，专门的子 Agent 各自执行，还有一个批评 Agent 负责检查质量。

不是越多越好。Agent 多了，协调成本也高，出错排查更难。

跟单个 Agent 不同——单 Agent 是一个人干所有事，多 Agent 是团队分工。

你看到复杂的 AI 自动化系统介绍时。

多智能体系统中负责指挥的主 Agent——它自己不做事，只分配任务给专门的子 Agent，收集结果，保证最终产出质量。

不是「管理者」的人类角色。编排者本身也是一个 AI Agent，只不过它的「技能」是分配和协调。

跟「子智能体」不同——编排者指挥，子智能体执行。

你了解多智能体系统时。

专门检查其他 Agent 工作质量的 Agent。在交付前，它列出改进清单，打回去重做，保证最佳产出。

不是人类的审核。批评 Agent 本身也是 AI——它会用自己的判断标准来检查。

跟「人在回路」不同——批评 Agent 是 AI 检查 AI，人在回路是人检查 AI。

你了解高级 Agent 系统的质量控制机制时。

控制 AI 能做什么、不能做什么的设置。常见的有三档：只读（只能看不能改）、需要批准（改之前先问你）、总是允许（完全信任，自动执行）。

不是一次设定永远不变的。好的工具会根据任务调整权限——重要操作临时提权，完成后收回。

跟「审批」相关——权限是规则设定，审批是执行时的人确认。

你第一次用任何能操作文件或网络的 AI 工具时。

AI 执行任务时，关键步骤需要你点头才能继续。你不是旁观者，你是把关人——AI 提方案，你决定要不要做。

不是每个小步骤都要你批准。好的 Agent 知道什么时候该问你（重要决定），什么时候可以自己来（常规操作）。

跟「人在回路上」不同——人在回路内是每步审批（执行者），人在回路上是只管方向（监督者）。

AI 帮你执行涉及花钱、发邮件、修改重要文件的操作时。

比「人在回路内」更放权——AI 自己执行，你只监督大方向，不审批每个具体操作。你定期检查结果，发现方向不对再纠正。

不是「不管了」。你仍然在看——只是从「每步审批」升级到「定期检查」。

跟「人在回路内」不同——回路内每步审批（你是执行者），回路上只管方向（你是监督者）。

你的 Agent 系统成熟稳定后，开始考虑放权时。

让 AI 先出一份完整计划给你看，你批准了再动手。不是直接让 AI 执行操作，而是先讨论清楚做什么、怎么做。

不是浪费时间。先规划再执行 = 省钱省力。不规划直接让 AI 做 = 大概率返工，烧钱。

跟「直接执行」不同——Plan Mode 先计划后执行（你批准才做），直接执行是 AI 上来就做（可能做错方向）。

你让 AI 做任何复杂任务（写代码、建网站、做分析）之前。

给 AI 授权不是一步到位的，而是分阶段渐进放权：先让工作可见 → 审批后执行 → 在限定范围内自动化 → 低风险任务可以更高程度委托。高影响决定始终保留人工关口。

不是越快到「委托」越好。大部分日常任务停在「高效」或「自动化」就够了。

跟「权限」不同——权限是某一刻的设定，放权节奏是随时间推进的策略。

你在考虑该给 AI 多大自由度时。

本地运行只表示程序在你的电脑上执行；它仍可能调用云端模型并上传必要内容。只有模型推理也在本机、且没有外部联网请求时，数据才可能不离开设备。云端运行则主要在服务商服务器上完成。

不是二选一。很多工具同时支持两种模式——日常用云端，敏感数据用本地。

本地不自动等于安全，云端也不自动等于不安全。要看模型实际在哪里推理、是否联网、传了什么数据，以及服务商的权限和隐私设置。

你处理敏感数据（公司文件、个人隐私）时需要考虑。