54个AI核心术语速通指南：零基础也能读懂

近两年，AI领域涌现出大量新概念。

Token、Transformer、RAG、MCP、Agent、Skill、Vibe Coding……这些词汇似乎人人皆知，但要真正讲明白又不容易。

普通人无需先掌握高等数学，也不必把自己塑造成算法专家。抓住20%的关键概念，就能弄懂大多数AI产品的运行逻辑、为何时灵时钝，以及后续的学习路径。

我将这些概念归纳为七个模块。不急着一一背诵，让我们沿着一条主线逐步理解：模型如何习得能力，为何能产出内容，人怎样与之交流，它怎样对接外部资源，又是如何演化为Agent和实际产品的。

训练AI的首要要素是Data，即数据。文本、图像、音频、视频和代码，都可充当训练素材。但原始数据往往需要清洗、去重和转化，成为机器可读取的形态，才能进入训练环节。

神经网络可视作一个含有海量参数的复合系统，它能从大量样本中归纳输入与输出的对应关系。

比方说教小孩识别猫。如果只是描述"猫有两只耳朵、四条腿、一条尾巴"，效果可能有限。更高效的方式是让他观察大量猫的图片，同时告诉他狗、羊、猪都不是猫。样本积累到一定程度后，他会意识到耳朵轮廓、面部特征、胡须与毛发的组合更接近猫。

神经网络的学习机制与此类似。

权重决定各特征的重要程度。初始阶段，模型或许认为"四条腿"和"尾巴"很关键；浏览海量图片后，它发现狗同样具备这些特征，于是提升猫耳、面部和胡须的权重。

Loss Function（损失函数）相当于错题打分器。将狗误判为猫且置信度极高时，损失值会显著上升。梯度下降寻找能使损失下降的参数调整路径，反向传播则把误差逐层回溯，定位可能的故障点，随后修正参数。

这一不断看样本、做预测、检验偏差、调整参数的循环称作训练。模型训练结束后，依据你的输入产出答复，称为推理。

LLM即Large Language Model，意为大语言模型。它从巨量文本中提炼规律，再依据规律生成内容。

文本送入模型前，需先经过Tokenization（分词），切分为一个个Token（词元）。Token并不严格对应一个汉字或单词，更接近模型处理文本时的信息单元。上下文长度和调用费用，一般都与Token数量挂钩。

当前主流大语言模型基本基于Transformer架构。其核心能力之一是注意力机制：处理某个Token时，会评估它与上下文中其他Token的关联强度。

举例："小猫追赶老鼠，由于它肚子饿了。"此处的"它"既可能指猫，也可能指老鼠。模型会综合上下文，判定"它"更倾向于猫。

模型生成语句依赖的是Next Token Prediction，即预测下一Token。遇到"今天天气格外……"时，后续可能是"晴朗""闷热""寒冷"或"宜人"。模型为候选Token计算概率分布，输出一个后，继续预测下一个，逐字拼出完整回复。

同一问题的答案为何会有差异？这取决于Sampling（采样）。模型可按概率分布进行采样，未必每次都选择概率最高的选项。Temperature（温度）调控随机性：温度低时输出更稳定，适合代码生成和确定性任务；温度高时变化更多，适合创作类任务。

Pre-training（预训练）类似通识教育，让模型掌握语言、知识与客观规律；Post-training（后训练）类似岗前培训，教会它遵循指令、规避风险、使用工具。Context Window（上下文窗口）决定模型单次处理的信息总量。窗口再大也有上限，堆砌过多无关内容反而可能干扰结果。

模型具备能力，并不意味着你必定能获得理想输出。中间还需要一层桥梁：交互。

Prompt（提示词）是传递给模型的任务描述。目标、背景、约束与输出标准越明晰，模型越容易落实。这类似于你向同事布置任务：仅说"帮我处理一下"，对方只能猜测；若讲清需解决的问题、交付形式、何为达标，复工率会降低很多。

System Prompt（系统提示词）是优先级更高的约束，通常由模型厂商或应用设定，用于界定身份、行为边界、输出风格和工具调用规则。

Few-shot（少样本示例）是向模型展示少量范式。与其撰写冗长的风格说明，不如直接给出一两条符合预期的输入和输出对照。若要求结果以JSON、表格或固定字段形式呈现，则称为结构化输出。

可同步处理文字、图像、音频和视频的模型，名为多模态模型。然而即便功能强大，模型也可能产生幻觉，即以自信的口吻输出错误或编造的内容。涉及实时信息和关键事实时，不能仅凭语气判断真伪，还要核实