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。

原文链接