常用术语
在最小必要知识中，你已经了解了提示词、上下文、Token 和幻觉这四个基础概念。这篇文章列出更多常见术语——不需要背，遇到再回来查就行。
模型相关
大语言模型 (LLM)
一句话解释：你和 ChatGPT、Claude 对话时，背后处理你的话并回复的那个"大脑"。
为什么叫"大"：因为它从海量文本中学习——书籍、网页、代码、论文——学出了语言的规律。
类比：想象一个读过海量书籍的人，擅长根据上下文预测下一句话——但不一定真正理解内容的深层含义。
常见的 LLM：
| 模型 | 开发公司 | 你可能在用的产品 |
|---|---|---|
| GPT-4o | OpenAI | ChatGPT |
| Claude | Anthropic | Claude.ai |
| Gemini | Google Gemini | |
| 文心一言 | 百度 | 文心一言 |
| 通义千问 | 阿里 | 通义千问 |
| DeepSeek | 深度求索 | DeepSeek |
对你的意义：不需要深究模型原理，但知道不同模型的特点能帮你选对工具。比如 Claude 擅长长文档和代码，ChatGPT 中文对话更自然。
参数 (Parameters) / 模型大小
一句话解释：参数就是模型"大脑"里的连接数量，参数越多，模型通常越"聪明"。
类比：把模型想象成一个超大的电话簿。参数就是里面的电话号码条数——条数越多，能查到的信息就越多。
常见的参数规模：
| 规模 | 参数量 | 特点 | 例子 |
|---|---|---|---|
| 小型 | 10亿以下 | 速度快，能力有限 | 一些手机端模型 |
| 中型 | 10-100亿 | 平衡性能和成本 | Llama 8B |
| 大型 | 100亿以上 | 能力强，成本高 | GPT-4、Claude |
对你的意义：参数越大≠一定越好。简单任务（比如格式转换）用小模型就够了，复杂任务（比如分析报告）才需要大模型。这也是为什么有些 AI 工具分"快速模式"和"高级模式"——快速模式用小模型，省钱又快。
温度 (Temperature)
一句话解释：控制 AI 回答的"创造性"程度。温度低=保守稳定，温度高=随机有创意。
类比：想象调节空调的温度——温度低，一切规规矩矩；温度高，就开始"躁动"了。
温度的效果：
| 温度值 | 效果 | 适合场景 |
|---|---|---|
| 0 | 每次回答几乎一样，最确定的答案 | 数据处理、代码生成 |
| 0.3-0.5 | 稍有变化，整体稳定 | 日常办公、邮件写作 |
| 0.7-1.0 | 回答更多样、更有创意 | 头脑风暴、创意写作 |
| >1.0 | 非常随机，可能出现奇怪内容 | 极少使用 |
对你的意义：大多数 AI 工具已经设好了默认温度，通常不需要调整。但如果你发现 AI 每次给的代码都不一样、结果不稳定，可能是温度设太高了。一些高级工具（如 API 调用）允许你自己设置温度。
技术概念
API (应用程序接口)
一句话解释：让不同软件互相通信的"翻译官"。
类比：你去餐厅点餐——你不需要走进厨房告诉厨师怎么做菜。你只需要告诉服务员（API）你要什么，服务员把你的需求传达给厨房，再把做好的菜端给你。
日常例子：
- 你用微信登录其他 App → 微信的 API
- 你在 App 里查天气 → 天气服务的 API
- 你让 AI 帮你写代码调用某个服务 → 那个服务的 API
AI 工具中的 API：
| 使用方式 | 谁在用 | 特点 |
|---|---|---|
| 网页对话 | 大多数人 | 简单、免费/订阅制 |
| API 调用 | 开发者、高级用户 | 灵活、按使用量付费 |
对你的意义：如果你只是通过网页和 AI 对话，可以不管 API。但当你需要让 AI 自动化处理任务（比如每天定时分析数据），可能就需要用到 API 了。AI 生成的代码中经常会用到各种 API。
微调 (Fine-tuning)
一句话解释：在一个通用的 AI 模型基础上，用你自己的数据再训练一遍，让它更懂你的特定领域。
类比：通用模型像是一个刚毕业的大学生，什么都懂一点。微调就像让他在你的公司实习几个月，变成了解你公司业务的人。
微调前后对比：
| 场景 | 通用模型 | 微调后模型 |
|---|---|---|
| 医疗报告 | 能写，但用词不专业 | 使用医学术语，格式规范 |
| 公司内部 | 不了解你的业务术语 | 熟悉公司特有名词和流程 |
| 客服回复 | 通用回答 | 符合公司口吻和政策 |
对你的意义：如果只是日常使用，基本不需要考虑微调——直接用通用模型 + 好的提示词就能解决大部分问题。微调是企业级的玩法，需要大量标注数据和技术投入。
RAG (检索增强生成)
一句话解释：让 AI 在回答之前，先去查阅你提供的资料库，然后根据查到的内容来回答。
类比：想象你问一个人一个问题。普通的 AI 是靠记忆回答（可能记错）。RAG 就是让他先翻书查资料，再回答你——答案更准确、有据可查。
RAG 的工作流程：
你的问题 → 在资料库中搜索相关内容 → 把找到的内容+你的问题一起给AI → AI 基于资料回答
实际应用：
- 企业知识库问答：AI 根据公司文档回答员工问题
- 论文分析：AI 根据你上传的论文回答问题
- 产品说明：AI 根据产品手册回答客户咨询
对你的意义：如果你用 AI 工具上传了文件让它分析（比如上传 PDF 让 Claude 总结），背后用的就是类似 RAG 的技术。你不需要知道它怎么实现，只要知道"上传资料能让 AI 回答更准"就够了。
Agent (智能体)
一句话解释：能自主规划步骤、使用工具、完成复杂任务的 AI 系统。
类比：普通的 AI 对话像是打电话给客服——你问一句，它答一句。Agent 更像是你雇了一个助理——你说"帮我调研一下竞争对手"，他会自己规划要做什么、上网搜索、整理信息、写成报告给你。
普通 AI vs Agent：
| 对比 | 普通 AI 对话 | AI Agent |
|---|---|---|
| 交互方式 | 一问一答 | 给任务，自主完成 |
| 能否上网 | 大多不能 | 可以搜索、浏览网页 |
| 能否用工具 | 不能 | 可以运行代码、读写文件 |
| 复杂任务 | 需要你拆分步骤 | 自己规划和拆分 |
| 错误处理 | 需要你指出 | 能自己检测并重试 |
常见的 Agent 产品：
- Claude 的 Computer Use / Artifacts
- ChatGPT 的 Code Interpreter
- 各种"AI 助手"App
对你的意义：Agent 是 AI 的发展方向。现在很多工具已经有 Agent 的影子——比如你让 ChatGPT 分析 Excel，它会自动写代码、运行、检查结果。随着技术发展，Agent 会越来越能帮你自动完成复杂工作流。
模型选择
多模态 (Multimodal)
一句话解释：能同时处理文字、图片、音频、视频等多种类型内容的 AI。
类比：传统 AI 只能"读"文字，就像一个只会看书的人。多模态 AI 既能读、又能看图、还能听声音——就像一个眼耳口都很灵的人。
多模态能力：
| 输入类型 | AI 能做什么 | 实际用途 |
|---|---|---|
| 图片 | 识别内容、提取文字 | 拍照识别表格、翻译截图 |
| 文档 | 阅读 PDF、Word | 总结报告、提取关键信息 |
| 音频 | 转文字、翻译 | 会议记录、播客摘要 |
| 视频 | 分析内容、生成字幕 | 视频总结、内容审核 |
对你的意义：多模态让 AI 更实用。比如你拍一张纸质表格的照片，AI 就能直接识别里面的数据帮你处理——不用手动输入了。
开源模型 vs 闭源模型
一句话解释：开源模型的"配方"公开，任何人都能使用和修改；闭源模型是商业机密，只能通过官方渠道使用。
类比：开源就像公开食谱，你可以在家照着做，也可以改成自己的口味。闭源就像餐厅的招牌菜，你只能点来吃，看不到配方。
对比：
| 方面 | 开源模型 | 闭源模型 |
|---|---|---|
| 代表 | Llama、Qwen、DeepSeek | GPT-4、Claude |
| 费用 | 免费使用（但需要硬件） | 订阅或按量付费 |
| 数据隐私 | 数据不出你的电脑 | 数据发送到服务商 |
| 使用难度 | 需要技术能力部署 | 打开网页就能用 |
| 能力 | 在追赶闭源模型 | 目前整体更强 |
| 定制性 | 可以任意修改 | 只能按官方规则用 |
对你的意义：如果你处理的数据比较敏感（比如公司财务数据），可以考虑开源模型——数据完全在你自己的电脑上处理，不会被外部服务器看到。如果只是日常办公，闭源模型更方便、效果也更好。
本地部署 vs 云端
一句话解释：本地部署是 AI 跑在你自己的电脑上；云端是 AI 跑在互联网上的服务器。
类比：本地部署就像在家做饭——食材不出家门。云端就像叫外卖——方便快捷，但食材经过了外面的厨房。
对比：
| 方面 | 本地部署 | 云端服务 |
|---|---|---|
| 隐私 | 数据不离开电脑 | 数据传输到服务器 |
| 速度 | 取决于电脑配置 | 通常更快 |
| 成本 | 电费+硬件（一次性） | 订阅费（持续） |
| 能力 | 受电脑算力限制 | 使用顶级硬件 |
| 离线使用 | 不需要网络 | 必须联网 |
| 设置难度 | 需要安装配置 | 注册即用 |
本地部署的工具：
- Ollama — 最简单的本地模型运行工具
- LM Studio — 带图形界面的本地模型工具
对你的意义：大多数人用云端服务就够了——方便、效果好。如果你的公司对数据安全有严格要求，或者你想免费无限制使用 AI，可以考虑本地部署。一台带独立显卡的电脑就能跑中等大小的模型。
快速对照表
遇到不认识的术语？查这个表：
| 术语 | 大白话 | 什么时候关心 |
|---|---|---|
| LLM | AI 的"大脑" | 选工具时了解即可 |
| 参数 | 模型的"脑容量" | 选工具时了解即可 |
| 温度 | 回答的随机程度 | 结果不稳定时调整 |
| API | 软件之间的"翻译官" | 需要自动化时 |
| 微调 | 给模型做专业培训 | 企业级需求 |
| RAG | 让 AI 先查资料再回答 | 上传文件分析时 |
| Agent | 能自主做事的 AI 助理 | 已经在日常使用中 |
| 多模态 | 能看图听声的 AI | 处理图片/语音时 |
| 开源/闭源 | 配方公开 vs 商业机密 | 关注数据隐私时 |
| 本地/云端 | 在你电脑 vs 在服务器 | 数据敏感时考虑 |
下一步
了解了这些术语后：
- 开始实践 → Stage 0: AI对话基础
- 查看工作流 → 工作流教程
- 复制代码 → 脚本片段库
提示：术语不需要背，理解大意就够了。用多了自然就熟悉了。