在AI时代，我们在或多或少的听过或者见过一些AI相关的词汇。刷AI资讯、用AI工具时，总被一堆专业术语绕晕，Transformer、LLM、RAG、Agent……明明每个字都认识，连起来却像看“天书”？本篇文章就来揭开这些术语的神秘面纱。
Transformer #
AI界的“底层建筑”，相当于所有现代大模型的“骨架”。最初由 Vaswani 等人在 2017 年的论文《Attention is All You Need》中提出。
通俗说：就像盖房子的“钢筋水泥”，ChatGPT、文心一言、字节跳动豆包等所有主流大模型，都是在Transformer的基础上搭建起来的。它的核心优势是“并行计算”，能同时处理海量信息，还能通过自注意力机制，精准捕捉文本、图像中的上下文关联，让AI理解更全面、反应更快。
Transformer 彻底改变了自然语言处理（NLP）领域，并逐渐扩展到计算机视觉（CV）等领域。
Transformer 的核心思想是完全摒弃传统的循环神经网络（RNN）结构，仅依赖注意力机制来处理序列数据，从而实现更高的并行性和更快的训练速度。
LLM（大语言模型） #
全称Large Language Model，直译就是“大语言模型”，也是我们最常接触的AI类型。
通俗说：就是“会说话、会思考的AI大脑”，比如豆包、ChatGPT，核心能力是理解人类语言、生成文本、回答问题，还能完成代码、文案等创作。它的“大”，体现在训练数据海量、参数量庞大，能覆盖各行各业的知识，相当于一个“行走的百科全书”。
大语言模型（LLM）通常指包含数百亿（或更多）参数的语言模型，它们往往在数万亿（T）token的语料上通过多卡分布式集群进行预训练。这些模型具备远超出传统预训练模型的文本理解与生成能力。广义上的LLM参数量可从十亿（如Qwen-1.5B）到千亿（如Grok-314B）不等，核心判断标准是模型是否展现出涌现能力。
Prompt #
你和AI沟通的“指令”，也是AI干活的“说明书”，是人类与人工智能沟通的核心桥梁。通俗说：就像你给助理下达的工作要求， Prompt写得越清晰、越具体，AI的输出就越符合你的预期。
在人工智能（AI）领域中，“prompt” 是指向模型提供输入以引导其生成特定输出的文本或指令。它是与模型进行交互时用户提供的文本段落，用于描述用户想要从模型获取的信息、回答、文本等内容。Prompt 的目的是引导模型产生所需的回应，以便更好地控制生成的输出。
对于语言模型，prompt 可以是一个简短的问题、一个完整的段落，或者是一组指令，这取决于用户的需求和场景。在生成文本时，模型会试图理解 prompt 并根据其理解生成相应的响应。
user & system**（对话双角色）**，这两个是Prompt里的核心角色，尤其在多轮对话中至关重要，二者配合才能让AI精准输出：
user（用户）：就是你本人，是对话的发起者，负责提出需求、提问、反馈，比如“帮我写一首关于春天的诗”，这就是user的指令。
system（系统）：隐藏的“规则制定者”，负责设定AI的行为模式、回答风格、边界限制，相当于给AI“定规矩”。比如设定“你是一位专业营养师，只回答与饮食健康相关的问题，语气简洁通俗”，这就是system指令，会全程约束AI的输出。
Token #
大模型处理信息的最小信息单元，也是AI“计数”的方式，具有智能时代可计量、可定价、可交易的特征——不管是你输入的Prompt，还是AI输出的内容，都会被拆成一个个Token来处理。
通俗说：就像我们说话的“字、词、标点”，但AI的拆分更细致，比如“我爱吃西瓜”，可能会被拆成“我/爱/吃/西瓜”4个Token，标点符号也会算作独立Token。很多AI工具的收费、输出限制，都是按Token来计算的。
国家数据局明确将AI领域的Token定名为“词元”。词元可以是一个汉字、一个标点，亦或是一个词汇片段，用户向AI的每一次提问、AI生成的每一段内容、识别的每一幅图像，本质都是词元的调用与运算。
Context/Context Window #
Context是AI能“记住”的对话内容，Context Window就是AI的“记忆容量”，Context Window 组成部分是 历史会话+当前输入+模型输出。
他们以Token为单位，决定了AI能处理的输入长度和对话连贯性。
通俗说：就像人的“短期记忆”，上下文窗口越大，AI能记住的对话细节越多，越能理解长文本、多轮对话。比如上下文窗口小的AI，聊了10句话就会忘记前面的内容；而大窗口AI，能记住你半小时内的所有提问，甚至能一次性处理几万字的文档。
Tool #
Tool即AI工具，是延伸AI模型能力、实现AI技术落地应用的核心载体，是连接AI模型与实际应用场景的关键桥梁。其并非单一的交互类工具，而是涵盖多专业领域、具备特定功能的模块化组件，每一款AI工具对应一项具体的功能，实现AI模型从“语言交互”到“实际应用”的落地。
AI工具的核心价值在于拓展AI模型的应用边界，常见类型包括搜索工具、代码工具、绘图工具、表格工具等。搜索工具可帮助AI模型获取实时信息与权威数据；代码工具可实现代码生成、程序排查等功能；绘图工具可完成图像创作、视觉设计等任务。借助各类AI工具，AI模型能够突破单一交互功能的局限，广泛应用于职场办公、内容创作、数据分析等多个领域。
RAG（检索增强生成） #
RAG全称为Retrieval-Augmented Generation，即检索增强生成，是当前AI领域解决模型“幻觉问题”（虚假信息生成）的核心技术，其核心逻辑是将“信息检索”与“内容生成”两大功能深度融合，提升AI模型输出的准确性与专业性。
RAG技术的核心流程的是：AI模型在生成输出内容前，先从预设的数据库、官方文档、权威数据源中检索与用户需求相关的真实信息，经过筛选、整理后，基于检索到的权威信息进行内容生成，从根源上避免虚假信息的产生。该技术在医疗、法律、金融等对信息准确性要求极高的领域应用广泛，可确保AI模型输出内容的权威性与严谨性，例如医疗领域可通过RAG技术检索最新医学指南，为临床咨询提供精准支撑。
MCP（模型上下文协议） #
MCP全称为Model Context Protocol，即模型上下文协议，是Anthropic公司于2024年11月发布的开放协议，是AI领域用于统一AI模型与工具连接标准的核心协议，可有效打破不同AI模型与工具之间的兼容性壁垒。
在MCP协议出现之前，不同AI模型与同一工具的适配需单独开发适配代码，存在重复开发、效率低下的问题。MCP协议通过统一连接标准，实现了工具的一次开发、多模型适配，即工具开发者按照MCP协议完成开发后，所有支持该协议的AI模型（包括豆包、ChatGPT、Claude等）均可直接调用该工具，大幅提升了AI工具的适配效率与普及速度。
Agent（智能体） #
Agent即智能体，是当前AI领域的前沿方向，以大语言模型为核心，整合AI工具与Agent Skill（智能体技能），具备自主理解需求、拆解复杂任务、调度工具、执行落地、复盘优化的全流程能力，区别于普通AI模型的“被动应答”，实现了“主动执行”的核心突破。
Agent的核心优势在于自主化与闭环化，用户仅需提出核心需求，Agent即可自主完成任务拆解、工具调度、结果优化等全流程操作。例如，用户提出“完成本周互联网运营周报并提交至领导”，Agent可自主调取工作数据、梳理工作成果与问题、规范排版，完成周报撰写与提交，无需人类额外干预，大幅提升工作效率。
Agent Skill（智能体技能） #
Agent Skill即智能体技能，是Agent实现任务落地的核心支撑，是区分Agent与普通AI模型、AI工具的关键要素。其与AI工具存在本质区别：AI工具是具备单一功能的模块化组件，而Agent Skill是“工具+使用逻辑+专业经验”的完整封装，是Agent执行具体任务的核心能力单元。
每一项Agent Skill均聚焦于单一具体任务，具备可复用、可组合的特点。例如，“Excel数据汇总”“文案排版”均为独立的Agent Skill，Agent可通过组合不同的技能，完成复杂的全流程任务，如“数据汇总→文案撰写→排版→提交”，实现多任务的高效协同落地。
MOE（混合专家模型） #
MOE全称为Mixture of Experts，即混合专家模型，是一种高效节能的AI模型架构，核心逻辑是“分工协作、专人专岗”，可在控制算力与存储成本的同时，显著提升模型的能力上限，是当前大型AI模型突破性能瓶颈的核心技术之一。
MOE模型由“专家子模型”与“门控网络”两部分组成：专家子模型专注于特定细分领域，每个子模型均具备该领域的专业处理能力；门控网络作为调度核心，负责分析用户需求类型，将需求分配给最适配的专家子模型进行处理，最终整合处理结果输出给用户。这种架构可避免单一模型“多领域兼顾但精度不足”的问题，在提升输出质量与效率的同时，大幅节省算力资源。
模型参数 #
模型参数是AI模型的核心组成部分，是模型训练前未知、训练过程中通过学习海量数据逐步优化得到的可调节数值变量，是模型实现信息推理、内容生成的核心载体，直接决定了模型的能力强弱、泛化能力与输出精度。
模型参数的数量与质量直接影响模型性能：百万级参数模型仅能完成简单的文本分类、基础问答等任务；千万级、亿级参数模型可实现文案创作、代码生成等中等难度任务；千亿级、万亿级参数的大型模型则具备复杂逻辑推理、多语言翻译、专业领域问答等高级能力。需注意的是，模型参数并非越多越好，需与训练数据量、应用场景相匹配，否则会造成算力浪费与参数冗余，影响模型输出效率。
思维链长度 #
思维链长度是指AI模型解决复杂问题时的推理步骤数量，本质上是模型拆解问题、分析推理的完整流程，是衡量AI模型推理能力与严谨性的核心指标。
思维链长度越长，表明AI模型对复杂问题的拆解越细致、推理越严谨，能够处理的问题难度越高，输出结果的准确性与逻辑性越强；反之，思维链长度较短时，AI模型易跳过关键推理步骤，导致输出结果出现偏差或不严谨。例如，在制定半年AI学习计划时，长思维链模型会拆解用户基础、学习目标、时间分配、资料筛选等关键步骤，输出可落地的完整计划；短思维链模型则可能仅罗列学习资料，缺乏系统性与可操作性。
最大输出长度 #
最大输出长度是指AI模型一次可连续生成的内容容量上限，通常以Token为计量单位，是衡量AI模型输出能力的重要指标，与上下文窗口密切相关但存在明确区别：上下文窗口是AI模型可处理的“输入+输出”总容量，而最大输出长度仅针对AI模型的输出内容，不包含用户输入的Prompt。
当AI模型生成内容达到最大输出长度时，会自动停止生成，用户需通过追加指令（如“继续补充”），方可引导模型在原有基础上继续生成内容。这也是部分AI工具生成长篇内容时，需分多次输出的核心原因。
量化 #
量化是AI模型的核心压缩技术，其核心原理是将模型中高精度数值（如32位浮点数，精度高但占用空间大）转换为低精度数值（如8位整数、4位整数，精度略有损耗但占用空间大幅缩减），在最大限度保留模型核心能力的前提下，降低模型的算力消耗与存储成本。
量化技术是AI工具普及至普通设备的关键，通过量化处理，原本需高端服务器支撑的大型AI模型，可在普通电脑、手机、平板等设备上流畅运行，无需依赖专业硬件设备。例如，手机端AI输入法、AI修图工具等，均通过量化技术实现轻量化部署，兼顾使用体验与设备兼容性。
蒸馏 #
蒸馏即模型蒸馏，是AI模型的核心知识传递技术，核心目标是实现“降本增效”，通过技术手段将大型高性能“教师模型”的知识（推理逻辑、输出规律、专业经验等），传递给小型轻便的“学生模型”，使学生模型在低成本前提下，具备接近教师模型的核心能力。
其中，教师模型通常为千亿级参数的大型模型，能力强但运行成本高、速度慢，适用于专业场景；学生模型为百万级、千万级参数的小型模型，成本低、速度快但能力有限。通过蒸馏技术，学生模型可快速复制教师模型的核心能力，无需从零开始训练，大幅降低AI模型的研发与部署成本，助力中小团队与普通用户获取高性能AI模型。
RL（强化学习） #
RL全称为Reinforcement Learning，即强化学习，是AI模型自主学习的核心方式之一，与监督学习（需人工标注数据）、无监督学习（无需人工标注）并列，核心逻辑是“试错学习、奖惩反馈”，通过不断尝试与反馈调整，优化模型行为，最终找到解决问题的最优方案。
强化学习的核心流程为：AI模型自主尝试处理特定任务，若输出结果符合预期，则获得正向奖励；若结果不符合预期，则受到负向惩罚。通过无数次“尝试-反馈-调整”的循环，模型不断优化行为模式，逐步掌握解决问题的最优方法。目前，AI下棋、自动驾驶、AI游戏角色等场景，均采用强化学习技术完成模型训练。
具身智能 #
具身智能全称为Embodied Artificial Intelligence（EAI），是AI技术与机器人学、传感器技术的交叉前沿领域，与虚拟AI（仅具备语言交互能力，无物理载体）存在本质区别，核心是让智能具备物理身体，通过身体与现实环境的实时交互、感知与学习，形成智能行为与环境适应能力。
具身智能的核心特征是具备物理交互能力，其物理载体包括人形机器人、工业机械臂、智能宠物机器人等，通过摄像头（视觉感知）、声音传感器（听觉感知）、机械臂（动作执行）等组件，实现与现实环境的交互。例如，工业机械臂可完成零件组装，人形机器人可完成家务、老人照料等任务，且能够通过交互不断学习优化行为模式，提升适应能力。