大模型 / LLM
Large Language Model
靠海量文本训练出来、能理解和生成自然语言的 AI。你跟它聊天、让它写代码、润色文案，底层都是大模型在干活。
什么时候用：只要需求涉及"理解或生成文字"，基本都建立在某个大模型之上。
词元 / Token
Token
模型计量的基本单位，约等于"半个到几个汉字 / 一个英文单词"。模型的计费、上下文长度都按 token 算，不是按"字"算。
什么时候用：估算 API 调用成本、判断一段话会不会超长时必看。
API 密钥 / API Key
API Key
调用大模型服务的"钥匙 / 账号密码"。有了它，你的程序才能花钱请模型干活。泄露出去会被别人白嫖额度。
什么时候用：任何把 AI 能力接进自己系统的场景，都要先申请并保管好 Key。
上下文窗口 (Context Window)
Context Window
模型一次能"看到"的最大文字量（token 上限）。超出的部分会被截断，模型就"忘"了。
什么时候用：写长文档、往提示里塞知识库内容时，要留意别超过窗口。
微调 / Fine-tuning
Fine-tuning
用你自己的数据再训练模型，让它更懂你的领域。成本高、门槛高，是"进阶中的进阶"。
什么时候用：通用模型不够用、且你有足量标注数据时。多数人先用提示词 + 知识库即可。
幻觉 (Hallucination)
Hallucination
模型一本正经地编假信息、张冠李戴。这是大模型的先天特性，不是 bug，目前无法根除。
什么时候用：所有严肃场景都要有"查证 / 兜底"机制（如 RAG、人工复核）。
推理 / Inference
Inference
模型"跑起来回答问题"的过程，区别于前期的训练。你每次提问，都是在触发一次推理。
什么时候用：聊"响应速度 / 并发成本"时，指的就是推理环节。
提示词 (Prompt)
Prompt
你给模型的指令 / 问题。写得好不好，直接决定输出质量——很多时候调提示词比换模型更划算。
什么时候用：任何和模型对话、让它干活的场景，第一步就是写好提示词。
系统提示词 (System Prompt)
System Prompt
设定模型"人设 / 规则 / 边界"的隐藏指令，通常用户看不到，但在整段对话里优先级最高。
什么时候用：做产品时，用系统提示词锁定模型的身份和行为规范。
Few-shot 少样本
Few-shot
在提示词里给几个"示例问答"，让模型照着学。比空口说"按这个格式输出"稳得多。
什么时候用：需要固定输出格式、或任务较刁钻时，给例子最有效。
思维链 CoT (Chain of Thought)
Chain of Thought
让模型"先一步步想、再给答案"，而非直接蹦结论。经典一句提示："让我们一步步思考"。
什么时候用：数学、逻辑、多步推理类问题，加上 CoT 准确率明显提升。
结构化输出
Structured Output
要求模型返回 JSON / XML 等固定格式，方便程序自动解析，而不是一段自由文本。
什么时候用：要把 AI 结果接进数据库、表单、工作流时必备。
角色扮演 / Persona
Persona
让模型扮演某类专家（如"你是资深后端工程师"），输出会更贴领域、更专业。
什么时候用：希望输出带特定口吻或专业视角时，先给角色。
RAG 检索增强生成
Retrieval-Augmented Generation
先去知识库"查资料"，再把资料连同问题一起喂给模型，让它"有据可依"，大幅减少胡说。是落地知识问答的主流方案。
什么时候用：回答必须基于你自己的文档（产品手册、内部制度）时。
向量数据库 (Vector DB)
Vector Database
把文字转成向量后存放、按"语义相似度"检索的数据库。RAG 的底座（如 Milvus、Qdrant、pgvector）。
什么时候用：做 RAG 时，向量库负责"根据问题找最相关的段落"。
Embedding 嵌入
Embedding
把一段文字变成一串数字（向量）。语义相近的文字，向量也相近——这是"语义搜索"能工作的核心。
什么时候用：入库和检索时都要先把文字 Embedding 成向量。
分块 (Chunking)
Chunking
把长文档切成小段再入库，检索更精准。切太大（噪音多）或太小（语义碎）都不好，需要调。
什么时候用：准备知识库文档时，分块策略直接影响问答质量。
Rerank 重排序
Rerank
先"粗召回"一批候选，再用更精细的模型重新排序，把最相关的排到最前面。
什么时候用：想进一步提升 RAG 命中精度时的关键一环。
知识库
Knowledge Base
你整理好、可供检索的文档集合（产品手册、内部制度、FAQ 等）。RAG 的"外部大脑"。
什么时候用：想让 AI 回答"只有你们公司才知道"的问题时。
Agent 智能体
Agent
能"自己规划 + 调用工具 + 反复试错"去完成任务的 AI，不再只是一问一答。给它目标，它自己想办法。
什么时候用：任务有多步、需要和外部系统打交道时，用 Agent 而非纯对话。
工具调用 / Function Calling
Function Calling
模型自己决定"该调哪个函数 / 接口"（查天气、读文件、发邮件），把结果拿回来继续推理。
什么时候用：让 AI 不止能"说"，还能"做"的时候。
ReAct（推理+行动）
Reason + Act
经典 Agent 范式：模型先"推理(Reason)"要干嘛，再"行动(Act)"调工具，看结果再推理，循环到任务完成。
什么时候用：理解 Agent 怎么"想一步做一步"的核心范式。
多 Agent 协作
Multi-Agent
多个各有所长的智能体分工配合（如一个写方案、一个做审核），像一个小团队。
什么时候用：复杂任务拆给不同角色，比单个 Agent 硬扛更稳。
记忆 (Memory)
Memory
让 Agent 记住历史对话 / 中间结果，避免每次都从零开始。分短期（本轮对话）和长期（跨会话）。
什么时候用：需要 Agent 续上之前的上下文、积累经验时。
工作流 / Workflow
Workflow
把多个步骤 / 工具按固定流程串起来自动跑（如 Dify 工作流）。比让 Agent 自由发挥更可控。
什么时候用：流程确定、要稳定可复现时，用工作流而非自由 Agent。
MCP (Model Context Protocol)
Model Context Protocol
给 AI 接工具的"统一插头"标准。一次接好，各家模型都能用，不用为每个模型重写一遍。已成为事实标准（由 Linux 基金会治理）。
什么时候用：想让 AI 调用你自己的系统 / 数据 / 工具时，首选 MCP。
A2A (Agent-to-Agent)
Agent-to-Agent Protocol
Agent 之间的通信协议，让多个智能体互相"对话 / 派活 / 交结果"。和 MCP 互补：一个接工具，一个连 Agent。
什么时候用：要构建"多个 Agent 协同"的系统时。
Skill 技能
Skill
把某类能力（如"生成 PPT""查数据库"）打包成可复用模块，Agent 需要时直接调用，不用每次重新教。
什么时候用：想把常用能力沉淀下来、给多个 Agent 共享时。
Dify
Dify
开源的 AI 应用开发平台，可视化搭工作流 / Agent / 知识库。本路线的核心练习场，本地用 Docker 就能跑。
什么时候用：不想写一堆代码、想快速把 AI 应用搭起来时。
Cherry Studio
Cherry Studio
桌面端多模型客户端，适合日常对话、提示词调试和多模型对比。提示词学习的"实验场"。
什么时候用：想方便地在多个模型间切换、对比效果时。
Docker
Docker
把应用连同运行环境打包成"容器"，一条命令到处跑，避免"在我电脑上是好的"。
什么时候用：本地部署 Dify 等开源 AI 工具时基本都靠它。
Vibe Coding
Vibe Coding
"用自然语言描述需求、让 AI 写代码"的开发方式，边聊边改，重结果轻过程。2026 年 AI 编程的主流形态。
什么时候用：快速出原型、或非程序员想做小工具时。
LLMOps
LLMOps
大模型应用的运维实践：监控效果、评测质量、持续迭代、控制成本的一整套方法论。
什么时候用：AI 应用要上线、长期稳定跑时，不能只管"跑通"。