AI黑話詞典（2026年3月版），建議收藏

作者｜Golem（@web 3_golem）

現在，幣圈人要是不關注 AI，很容易遭群嘲（對，我的朋友，想想你為啥會點進來）。

你是否對 AI 的基礎概念一竅不通，每句話裡的縮寫都問下豆包啥意思啊？你又是否在 AI 線下活動中對各種專有名詞一頭霧水，还要假裝沒掉線？

雖然在短時間內一腳跨入 AI 行業不現實，但知道一些 AI 行業高頻基礎詞彙總是不虧的。幸運了，接下來這篇文章就是為你準備的↓真誠建議你熟讀並收藏。

基礎詞彙（12）

LLM（大語言模型）

LLM 核心是用海量數據訓練出來、擅長理解和生成語言的深度學習模型，它能處理文本，現在也越來越能處理其他類型內容。

與之相對的是 SLM（小語言模型）——通常強調成本更低、部署更輕、在地化更方便的語言模型。

AI Agent（AI 智能體）

AI Agent 指的不只是“會聊天的模型”，而是能理解目標、調用工具、分步執行任務、必要時還能做規劃和驗證的系統。Google 將 agent 定義為能基於多模態輸入進行推理並代用戶執行動作的軟體。

Multimodal（多模態）

其 AI 模型不是只讀文字，而是能同時處理文本、圖片、音頻、視頻等多種輸入輸出形式。Google 明確把多模態定義為處理和生成不同類型內容的能力。

Prompt（提示詞）

用戶給模型輸入的指令，是最基礎的人機交互方式。

Generative AI（生成式 AI / AIGC）

強調 AI“生成”而不是單純分類或預測，生成式模型可以根據 prompt 生成文本、程式碼、圖像、表情包、視頻等內容。

Token（令牌）

這是 AI 圈最像“Gas 單位”的概念之一。模型不是按“字數”理解內容，而是按 token 處理輸入輸出，計費、上下文長度、響應速度，通常都和 token 強相關。

Context Window（上下文窗口 / 上下文長度）

指模型一次性能“看到”和利用的 token 總量，也可稱為模型在單次處理時能考慮或“記住”的 token 數量。

Memory（記憶）

讓模型或 Agent 保留用戶偏好、任務上下文、歷史狀態。

Training（訓練）

模型從數據中學習參數的過程。

Inference（推理執行）

和訓練相對，指模型上線後接收輸入並生成輸出的過程。行業裡常說“訓練很貴，推理更費錢”，因為真實商業化階段很多成本發生在 inference。相關訓練/推理區分也是主流廠商討論部署成本時的基礎框架。

Tool Use / Tool Calling（工具調用）

意思是模型不只輸出文字，而是可以去調用搜索、程式碼執行、資料庫、外部 API 等工具，這已經被當成 Agent 的關鍵能力之一。

API（接口）

AI 產品、應用、Agent 接第三方服務時的基礎設施。

進階詞彙（18）

transformer（變換器架構）

一種讓 AI 更擅長理解上下文關係的模型架構，也是今天大多數大語言模型的技術底座，最大的特點是能同時看整段內容裡每個詞和其他詞的關係。

Attention（注意力機制）

它是 Transformer 最關鍵的核心機制，作用就是讓模型在讀一句話時，自動判斷“哪些詞最值得重點看”。

Agentic / Agentic Workflow（智能體式 / Agent 化工作流）

這是最近很熱的說法，意思是一個系統不再只是“一問一答”，而是帶有一定自主性地拆解任務、決定下一步、調用外部能力。很多廠商把它當成“從 Chatbot 走向可執行系統”的標誌。

Subagents（子智能體）

一個 Agent 再拆出多個專職小 Agent 去處理子任務。

Skills（可復用能力模塊）

隨著 OpenClaw 爆火，這個詞近來變得常見，這是給 AI Agent 的可安裝、可復用、可組合的能力單元/操作說明書，但也特別提醒有工具濫用和數據暴露風險。

Hallucination（機器幻覺）

意為模型一本正經地胡說八道，“感知到並不存在的模式”從而生成錯誤或荒謬輸出，這是模型看似合理、實則錯誤的過度自信輸出。

Latency（延遲）

模型從收到請求到輸出結果所花的時間，屬於最常見的工程黑話之一，一聊落地和產品化就會頻繁出現。

Guardrails（護欄）

用於限制模型/Agent 能做什麼、什麼時候停、什麼內容不能輸出。

Vibe Coding（氛圍編程）

這個詞也是如今最火爆的 AI 黑話，意為用戶直接靠對話表達需求，AI 來寫程式碼，而用戶不需要具體懂如何寫程式。

Parameters（參數）

模型內部用於存儲能力和知識的數字規模，常被用來粗暴衡量模型體量，“百億參數”“千億參數”都是 AI 圈最常見的唬人說法。

Reasoning Model（強推理模型）

它通常指更擅長多步推理、規劃、驗證、複雜任務執行的模型。

MCP（模型上下文協議）

這是近一年非常熱的新黑話，作用類似給模型和外部工具/數據源之間建立通用接口。

Fine-tuning / Tuning（微調）

是在基礎模型上繼續訓練，讓它更適應特定任務、風格或領域。Google 術語表直接把 tuning 和 fine-tuning 作為相關概念。

Distillation（蒸餾）

把大模型的能力盡量壓縮給小模型，像是讓“老師”教會“學生”。

RAG（檢索增強生成）

這幾乎已經成了企業 AI 的基礎配置。微軟把它定義為“搜索 + LLM”的模式，用外部數據來給回答做 grounding，解決模型訓練數據過時、不了解私有知識庫的問題。目的是把回答建立在真實文檔和私有知識上，而不是只靠模型自己回憶。

Grounding（事實對齊）

常和 RAG 一起出現，意思是讓模型回答建立在文檔、資料庫、網頁等外部依據上，而不是只靠參數記憶“自由發揮”。微軟在 RAG 文件中明確把 grounding 作為核心價值。

Embedding（向量嵌入 / 語義向量）

就是把文字、圖片、音頻等內容編碼成高維數字向量，以便做語義相似度計算。

Benchmark（基準測試）

用一套統一標準去測試模型能力的評測方式，也是各家模型最愛拿來“證明自己很強”的排行榜語言。

推薦閱讀

龍蝦關鍵11問：最通俗易懂的OpenClaw原理拆解