首页 作品 博客 关于
返回设计笔记

AI 核心术语中英对照一句话速记

2026-06-01 | AI工具

AI 核心术语中英对照一句话速记

一、基础核心术语

Model(模型):AI 的大脑,只会接收文本输出文本,本身没有任何记忆。关键特点:本身没有记忆!每次回答都是独立的,就像你每次问它问题,它都是第一次见你。
Prompt(提示词):你给 AI 的工作指令,描述越清晰,AI 输出结果越好,就像你给员工布置工作,话说得越清楚,AI干得越好。
Token(令牌/ 词元):AI 计算和收费的基本单位,1 个汉字≈1.5 个 token;所有大模型都有 token 限制,超过了就会 "忘记" 前面说的话
Context Window(上下文窗口):AI 的短期记忆容量,超过这个值就会 "失忆"。就像一个笔记本,容量越大,能写的东西越多,比如 128K 上下文,大概能记住一本 10 万字的书超过这个容量,AI 就会忘记最早说的话,这就是为什么聊久了 AI 会 "失忆"。
Inference(推理):AI 思考并回答问题的过程,相当于人类的 "考试答题"。
训练是 "上学学习",推理是 "考试答题",你每次给 AI 发消息,它都在进行一次推理。

二、智能体相关术语

Agent(智能体):会自己主动干活的 AI 机器人,不是只会一问一答的聊天机。普通模型:你问一步,它答一步。
智能体:你说 "帮我写一份市场调研报告",它会自己:
上网查最新的行业数据
整理数据并分析
写出报告大纲
填充内容并排版
最后把完整的报告发给你

Scaffolding(行为支架):AI 的剧本和工作手册,告诉它 "应该做什么"。它告诉 AI:你是谁、你应该做什么、你不能做什么、你应该怎么说话。包括:系统提示词、工具说明、输出格式要求。
Harness(执行框架):AI 的项目经理,负责循环执行直到任务完成。
它做以下这些事:
调用模型生成回答
解析模型说的 "我要查资料" 这句话
真的去帮模型查资料
把查回来的结果再告诉模型
循环这个过程,直到任务完成

Context Engineering(上下文工程):给 AI 准备参考资料的艺术,决定回答质量。同样的问题,给 AI 不同的参考资料,结果完全不同。
Memory(记忆):AI 的记忆力,分当前对话的短期记忆和跨会话的长期记忆。现在大部分 AI 只有短期记忆,长期记忆是正在发展的技术
Policy(策略):AI 的做事风格和习惯,同一个模型可以有完全不同的表现。
同一个模型,不同的策略会表现出完全不同的行为比如: 有的 AI 回答很严谨,只说确定的事;有的 AI 回答很幽默,喜欢开玩笑;有的 AI 很啰嗦,有的 AI 很简洁;策略一部分来自模型本身,一部分来自行为支架和执行框架
Tool Use(工具使用):AI 会调用搜索、计算器、代码解释器等外部工具。常见的工具:网页搜索、代码解释器、计算器、文件读取、画图工具这是智能体和普通模型最大的区别之一。
Skills(技能):打包好的标准化工作流程,一个技能可能用到多个工具。工具是 "一个动作",比如 "点击鼠标";技能是 "完成一个任务的所有动作",比如 "写一篇公众号文章";一个技能可能会用到多个工具,重复多个步骤技能可以在不同的智能体之间共享和复用。
Sub-agents(子智能体):主智能体的 "员工",各自负责擅长的具体子任务。主智能体是 "老板",只负责分配任务和检查结果。子智能体是 "员工",各自负责自己擅长的领域。

三、进阶常用术语

Hallucination(幻觉):AI 一本正经地胡说八道,会编造不存在的事实和数据
Multimodal(多模态):AI 能同时看懂图、听懂话、会写字、会画画
RAG(检索增强生成):让 AI 先查资料再回答,解决幻觉和知识过时问题
Fine-tuning(微调):给 AI"补课",让它从全科生变成某个领域的专科生
API(应用程序接口):让你的软件和 AI 对话的 "插头",按调用量和 token 收费
Checkpoint(检查点):AI 训练过程中的 "存档",出问题可以从这里继续

四、训练相关术语

Training(训练):AI 的 "上学过程",喂海量数据让它学习规律和知识。
RL Environment(强化学习环境):AI 的训练场,在这里做动作并得到反馈。
Trainer(训练器):AI 的 "老师",批改作业并调整 AI 的 "大脑"。
Rollout(运行轨迹):AI 完成一次任务的全过程完整记录。
Reward(奖励):给 AI 的 "分数",做得好加分,做得不好减分。