AI黑话速成课：搞懂这8个词，你就能听懂80%的AI圈对话

很多朋友第一次接触 AI，都会遇到同一个问题：每个词都认识，可连在一起一句都听不懂。

什么大模型、Agent、Token、RAG、Embedding……听起来像密码一样。

其实，这些词并不神秘，它们只是 AI 世界里的"专业名词"。理解之后，你会发现 AI 并没有那么难。

金豆这样觉得：学习 AI，第一步不是学代码，而是先建立一套属于自己的 AI 词汇表。看完这篇文章，你至少能听懂 80% 的 AI 圈对话。

下面，我们从最重要的几个名词开始。

1. LLM（大语言模型）——AI 的大脑

LLM，全称 Large Language Model，大语言模型。

简单来说，它就是 AI 的"大脑"。它通过学习互联网上海量的文章、书籍、网页和代码，掌握了语言规律，因此能够回答问题、写文章、翻译、写代码、总结内容、制定计划。

我们平时使用的 ChatGPT、Claude、Gemini、Grok，本质上都是建立在 LLM 之上的产品。

可以把它想象成一个读过几千万本书的人：你问它问题，它根据学到的知识组织语言回答你。

不过要注意，它并不是在"搜索答案"，而是在预测下一个词最可能是什么，一个词一个词地把答案"续写"出来。所以它有时会一本正经地说错话——这就是大家常说的 "AI 幻觉"（Hallucination）。记住这一点，你就不会把 AI 的回答当成百分之百的事实。

2. Token（令牌）——AI 世界的计费单位

很多 AI 产品都会提示："你今天还剩多少 Token？"不少新手第一次看到都一脸疑惑。

Token 可以理解成 AI 阅读和输出文字时的基本计算单位。它不按"字"算，也不按"单词"算，而是一小段文本：中文里一个字通常是 1 到 2 个 Token；英文一句 "How are you today?" 会被拆成大约 5 个 Token。

AI 每处理一个 Token，就要做一次计算。因此输入越长、输出越长，消耗的 Token 越多——API 的费用就是按 Token 计价的。这也是为什么很多企业要优化提示词：少废话，就是省钱。

顺带认识一个高频词：上下文窗口（Context Window），指 AI 一次对话最多能"记住"多少 Token。超过这个窗口，它就会开始忘记你们前面聊过什么——不是它故意的，是"脑容量"到上限了。

金豆这样觉得：Token 就像汽车烧的汽油，跑得越远油耗越高；AI 聊得越多，Token 烧得越快。

3. Prompt（提示词）——你给 AI 下的指令

Prompt，就是你输入给 AI 的内容。"写一篇文章""翻译成英文""总结会议内容""生成图片"，这些都是 Prompt。

规律很简单：Prompt 写得越清楚，AI 的输出通常越好。

对比一下：

"写一篇文章。"

"请用通俗易懂的语言，写一篇 1000 字的 AI 入门文章，适合零基础读者，多举生活化的例子。"

第二种的效果几乎一定更好——因为你把"要什么"讲清楚了。

现在甚至有一门专门的手艺叫提示词工程（Prompt Engineering），研究怎么跟 AI 说话才能得到最好的结果。不过对普通人来说，记住一条就够了：把 AI 当成一个能力很强但完全不了解你背景的新员工，交代任务时讲清楚目标、要求和例子。

4. Agent（智能体）——会自己干活的 AI

这是近两年最热门的 AI 名词，很多人说："未来不是聊天机器人，而是 AI Agent。"

一句话解释：Agent 就是会自己完成任务的 AI。

普通聊天 AI 是"你问一句，它答一句"。Agent 不一样：你只需要告诉它最终目标，它会自己拆解步骤、调用各种工具去完成。

比如你说："帮我规划一趟去东京五天的旅行。"一个 AI Agent 可能会自己去查天气、搜机票、比价酒店、排每日行程、算预算，最后整理成一份 PDF 交给你——整个过程几乎不需要你参与。

所以很多人这样类比：聊天 AI 像一个"顾问"，你问它答；Agent 像一个"员工"，你派活它干。

5. Embedding（向量化）——让 AI "理解"意思的技术

这个词在开头出现过，这里用一分钟讲明白。

计算机不认识文字，只认识数字。Embedding 做的事，就是把一段文字变成一串数字（向量），而且意思越接近的文字，数字就越相似。

比如"猫"和"小猫咪"变成数字后离得很近，"猫"和"挖掘机"就离得很远。

有什么用？有了它，AI 才能做"按意思找资料"而不是"按关键词找资料"——你搜"怎么退货"，它能找到写着"售后流程"的文档。这正是下一个名词的地基。

6. RAG（检索增强生成）——先查资料，再回答

很多人发现：ChatGPT 不知道昨天的新闻。因为大模型训练完成后，知识就"封版"了，不会自动更新。

RAG（Retrieval-Augmented Generation）就是为此而生，可以理解成：先查资料，再回答问题。

流程是：你提问 → 系统先从资料库里检索相关内容（靠的就是上面说的 Embedding）→ 把查到的资料连同问题一起交给 AI → AI 根据资料组织答案。

很多企业的"AI 知识库"就是这么做的：公司上传内部文档，员工提问时，AI 不靠记忆瞎答，而是先查文档再回答，准确率高得多，还能附上出处。

7. Fine-tuning（微调）——给 AI"读专业课"

很多企业会问："能不能训练一个属于自己的 AI？"

可以，方法之一就是微调：让已经很聪明的大模型，再集中学习一批特定数据——法律条文、医学文献、公司制度、产品手册……学完之后，它在这个领域会明显更专业。

不过一个趋势值得知道：现在越来越多企业选择 RAG 而不是微调。原因很实际——RAG 更新资料只要替换文档，微调每次都要重新训练，前者更便宜也更灵活。粗略的分工是：想让 AI"知道新东西"，用 RAG；想让 AI"改变说话方式和专业习惯"，才考虑微调。

8. API（接口）——连接 AI 的水管

API 可以理解成：连接 AI 的一根水管。

如果你开发了一个网站或 App，想在里面用上 AI 的能力，不需要自己训练模型，只要调用 AI 公司提供的 API：用户提问 → 你的程序通过 API 把问题发给 AI → AI 返回答案 → 展示给用户。

整个过程中，用户甚至不知道背后调用的是哪家的模型。你日常用的很多"AI 产品"，底层其实就是某个大模型的 API 加上一层精心设计的外壳。

一张表总结

名词	一句话解释
LLM	AI 的大脑，负责理解和生成语言
Token	AI 处理文字的基本计算（计费）单位
Prompt	你给 AI 下的指令
Agent	能自主拆解并完成任务的 AI
Embedding	把文字变成数字，让 AI 能"按意思"找资料
RAG	先查资料，再生成答案
Fine-tuning	用专业数据给大模型"读专业课"
API	程序调用 AI 能力的接口

写在最后

AI 的发展速度很快，新名词层出不穷。但不用担心，真正重要的概念并不多。

金豆这样觉得：不要一开始就追求把所有术语背下来，而是先理解它们各自解决了什么问题。当你真正开始使用 AI，这些名词自然会越来越熟悉。

下一篇，金豆会带大家聊一个很多人关心的话题：为什么同样是 AI，ChatGPT、Claude、Gemini、Grok 和 DeepSeek 的回答会不一样？看完你就知道该怎么根据场景挑最适合自己的 AI 工具。

— 金豆