AI术语太多看不懂？这60个词按7个层级讲清楚

大家好，我是小辉。

许多人刚开始学AI，第一道坎不是工具不会用，而是术语太多。

打开一个教程，里面全是 Prompt、Token、RAG、Agent、Embedding、MCP、Vibe Coding。再看几篇行业文章，又冒出多模态、上下文窗口、微调、蒸馏、GPU、量化。

看着很专业，实则许多词换成人话并不难。

今天这篇文章，我不按字母表讲，也不堆技术定义。我按学习难度分成7层，帮你把60个常见AI术语串起来。

你不用一次全背会。先知道它属于哪一层、解决什么问题，后来看到这些词就不会被劝退。

先记住这张地图

新手最应该先学前4层。后面3层不用急，等你真的想做小工具、跑项目、看技术教程时再补。

AI：人工智能，不是某一个软件，而是一类能理解、生成、判断、分析内容的技术。ChatGPT、豆包、Kimi、文心一言，都是AI产品。

Chatbox：聊天框，也就是你和AI对话的窗口。你输入问题，AI在这里回复你。

输入：你发给AI的内容。可以是一句话、一段资料、一张图片、一个文件，或者一组要求。

输出：AI返回给你的结果。列如文章、总结、代码、图片提示词、表格、方案。

联网搜索：让AI连接互联网查最新资料。适合查新闻、价格、工具更新、政策变化，但结果依旧需要核对来源。

对话历史：当前聊天里之前说过的话。AI会参考它，但不代表永远记得，也不代表每次都能准确引用。

这一层的重点是：先别急着研究原理，先知道你在界面里点的每个功能大致是什么意思。

Prompt：提示词，就是你给AI的任务说明。列如“帮我写一篇小红书笔记”。提示词越清楚，AI越容易给出能用的结果。

模型：AI背后的“大脑”或“发动机”。不同模型能力不同，有的擅长写作，有的擅长代码，有的擅长图片理解。

AIGC：AI Generated Content，意思是AI生成内容，列如AI文章、AI图片、AI视频、AI音乐。

上下文：你给AI的背景信息。列如你是谁、写给谁看、发布在哪个平台、语气要怎样。

多模态：AI不只处理文字，还能理解图片、音频、视频、文件等内容。

角色设定：让AI扮演某个角色。列如“你是一名公众号编辑”“你是一名短视频策划”“你是一名英语老师”。

提示词模板：可以反复使用的一套指令结构。常见格式是：角色 + 任务 + 背景 + 要求 + 输出格式。

改写：让AI把原文换一种表达方式。列如更口语化、更专业、更适合小红书。

总结：让AI把长内容提炼成重点。适合文章阅读、会议纪要、资料整理。

翻译：让AI把一种语言转换成另一种语言，也可以顺便润色和本地化表达。

这一层最重大的是 Prompt。新手不要只说“帮我写一篇文章”，要把目标、读者、场景和输出格式说清楚。

LLM：大语言模型，专门处理语言任务，列如聊天、写作、翻译、总结、写代码。

幻觉：AI一本正经地说错话，列如编数据、编来源、编案例。写文章、做资料时必定要核查。

Token：AI处理文字的基本单位。它不完全等于一个字或一个词。你输入和AI输出都会消耗Token。

上下文窗口：AI一次能“看见”的信息范围。窗口越大，能处理的资料越多，但不代表永远不会遗漏。

参数：模型内部学习到的规律数量。参数多不必定绝对更好，但一般说明模型更复杂。

Temperature：控制AI回答的发散程度。低一点更稳定，高一点更有创意。

语料：训练AI用的大量资料，包括文本、图片、代码等。

训练数据：AI学习时用的数据。数据质量会影响模型表现。

推理：AI根据你的输入生成答案的过程。它看起来像思考，但不是人类意义上的真正思考。

Benchmark：基准测试，用统一题目比较不同AI模型的能力。

评测：测试AI在写作、数学、代码、推理、安全等方面表现怎么样。

这一层是为了帮你避坑。AI说得流畅，不代表必定正确；越涉及数据、政策、价格、专业结论，越要查来源。

AGI：通用人工智能，指接近或超过人类综合能力的AI。目前还没有真正公认实现。

涌现：模型规模或训练水平提升后，突然表现出一些以前不明显的能力。

Agent：智能体，不只是回答问题，还能拆任务、调用工具、执行步骤。

Vibe Coding：用自然语言告知AI你想做什么，让AI帮你写代码、做网页、小工具。适合做原型，但正式上线仍要检查安全和稳定性。

API：接口。简单理解，就是让一个软件调用另一个软件能力的通道。

Workflow：工作流，把一件事拆成固定步骤，让AI参与其中。列如选题、写大纲、写初稿、改标题、生成配图提示词。

RAG：检索增强生成。先查资料，再让AI基于资料回答，能减少瞎编。

Embedding：把文字、图片等内容转成数字，方便机器判断“意思像不像”。

向量数据库：存放Embedding的数据库，常用于知识库问答、类似内容搜索。

Function Calling：让AI按固定格式调用外部功能。列如查天气、查订单、生成表格。

Tool Use：工具调用。AI可以使用搜索、浏览器、代码、文件等外部工具完成任务。

自动化：让AI或软件按流程自动完成重复任务。列如定时整理热点、生成文章大纲、汇总表格。

这一层是目前最值得普通人关注的。由于AI的价值不只是回答问题，而是开始进入流程，帮你推进任务。

GitHub：代码托管平台。许多开源项目、AI工具、代码教程都放在这里。

MCP：Model Context Protocol，一种让AI连接外部工具、文件、数据库的协议。可以理解为AI接插件的标准接口之一。

微调：用特定数据继续训练模型，让它更适合某个场景。列如客服、法律文书、医学问答。

Debug：排查错误。代码报错、工具跑不起来时，就需要Debug。

SDK：开发工具包。开发者用它更方便地调用某个平台的能力。

IDE：写代码的软件环境，列如 VS Code、Cursor。

代码补全：AI根据你写到一半的代码，自动补后面的内容。

版本控制：记录代码修改历史，方便回退和协作。Git就是常见工具。

Repository：仓库，简称Repo。一个项目的代码、文档、配置一般都放在一个仓库里。

Pull Request：提交代码修改请求，常用于团队协作或开源项目。

这一层适合想学Vibe Coding的人。你不用一开始全会，但看到教程里出现这些词，至少知道它们在讲开发流程。

Terminal：终端/命令行。用文字命令操作电脑，列如安装工具、运行项目。

环境变量：系统里的配置信息，列如API Key、数据库地址。程序运行时会读取它。

服务器：运行程序的电脑。可以是云服务器，也可以是本地机器。

部署：把程序放到服务器或平台上，让别人可以访问使用。

Docker：容器工具。可以把程序和运行环境打包，减少“我电脑能跑，你电脑不能跑”的问题。

本地部署：把AI模型或工具安装在自己的电脑或服务器上运行。

云服务：云厂商提供的计算、存储、数据库、AI接口等服务。

日志：程序运行记录。出问题时看日志，可以知道哪里报错。

这一层更偏技术。普通用户不用马上学，但如果你后来想把AI工具跑起来，就会常常遇到。

神经网络：模仿人脑神经连接的一种计算结构，是许多AI模型的基础。

蒸馏：把大模型的能力“压缩”到小模型里，让小模型更轻、更便宜。

GPU：图形处理器。训练和运行AI模型常用它，由于它适合大量并行计算。

算力：计算能力。训练大模型需要很强算力，所以行业里常常讨论算力成本。

Transformer：目前许多大语言模型的核心架构，擅长处理语言和序列信息。

注意力机制：Transformer里的关键机制，让模型判断哪些信息更重大。

量化：把模型变得更小、更省资源，方便部署，但可能略微影响效果。

推理加速：让模型回答更快、成本更低的一系列优化方法。

参数量：模型内部参数的数量。常见说法如几十亿、几百亿参数。

模型压缩：让模型变小，包括蒸馏、量化、剪枝等方法。

训练：用大量数据让模型学习规律的过程。

这一层不用急着掌握。你只需要知道：大模型背后不是魔法，而是数据、算法和算力一起作用的结果。

新手最该先记哪几个？

如果你刚开始学AI，我提议先记这8个：

Prompt、上下文、Token、幻觉、RAG、Agent、Workflow、Vibe Coding。

为什么是这8个？

由于它们最贴近日常使用。

小辉的提议

AI术语不是拿来装懂的，而是学习路上的路标。

你每遇到一个新词，只需要问自己三个问题：

它属于哪一层？
它解决什么问题？
我目前用不用得上？

能回答这三个问题，术语就不再是黑话。

刚开始学AI，不要被英文词吓住。先从使用开始，再慢慢理解背后的逻辑。

我是小辉，之后会继续用普通人能听懂的方式，带大家拆AI工具、AI工作流和Vibe Coding。

关注小辉聊AI，每个月一起复习一次AI关键词。