大模型（LLM）
- 一句话
- 靠海量文本训练出来的通用智能，什么都懂一点，唯独不懂"你"的事。
- 比喻
- 读过全世界的书、但今天刚入职的超强临时工。
- 你会在哪遇到它
- 问它通用知识头头是道；问你公司、你行业的具体规矩，它开始含糊或瞎猜——因为它没读过你的资料。
AI 概念词典
看懂行业对话的「翻译器」
这本词典不是教科书，是"翻译器"。AI 圈的词又多又玄，但背后的道理都很朴素。每个词我们只给你三样东西：一句人话定义、一个生活比喻、一个你真会遇到的场景。不用背，遇到不懂的词回来查就行。
词条按你会遇到它的顺序分四层：开口就会遇到的 → 用深一点会遇到的 → 想看懂开发者世界的 → 看懂行业新闻的。
LAYER 01
开口就会遇到的
提示词（Prompt）
- 一句话
- 你发给 AI 的指令；指令的质量直接决定产出的质量。
- 比喻
- 给临时工的任务单。任务单写得糊，活就干得糊。
- 你会在哪遇到它
- 同一个问题，别人问出来的答案能直接用，你问出来的用不了——差距九成在提示词。（怎么写好，见《用得好》系列第 1 篇。）
上下文（Context）
- 一句话
- AI 在这条对话里"看得见"的全部内容，容量有限，满了就开始忘。
- 比喻
- 只有一块台面的裁缝——你说的每句话、贴的每份文件都是布料，台面堆满，最早的布料就被收走了。
- 你会在哪遇到它
- 聊久了它"变笨"、忘了你开头提的要求——不是它坏了，是台面满了，重开一条对话立刻恢复。
- 常见误会
- 以为聊得越久的对话越"有默契"。恰恰相反，长对话是堆满布头的台面，该收工就收工。
Token
- 一句话
- AI 计量文字的单位，也是各家计费的单位；上下文容量就是按它算的。
- 比喻
- 台面上的"字块"——1 个汉字约合 1~2 块（具体折算以各官方说明为准）。
- 你会在哪遇到它
- 看到"上下文窗口 200K"这类说法，K 前面的数字就是 token 数；API 按"每百万 token 多少钱"计价。
幻觉（Hallucination）
- 一句话
- AI 对它不掌握的事，按"通常合理"编出来的自信错误答案。
- 比喻
- 不敢说"不知道"的实习生——问什么都能答，答得对不对另说。
- 你会在哪遇到它
- 问它具体价格、具体政策、具体文献，它流畅地给出一个错的。**防它编的最有效办法：把材料贴给它，并要求"只依据我给的材料回答"。**
- 常见误会
- 以为它在撒谎。它没有撒谎的概念——它的本职是"接着最合理的往下说"，不是"查到了才说"。
时效边界（知识截止日期 / Knowledge Cutoff）
- 一句话
- 模型的知识读到某个日期为止，之后的事它只能推测。
- 比喻
- 读书读到某年某月就闭关的人——问他闭关之后的事，他只能猜。
- 你会在哪遇到它
- 问最新价格、最新版本、昨天的新闻，它答旧的或错的。**解法：让它联网搜索，或把最新材料直接贴给它。**
联网搜索（Web Search）
- 一句话
- 让 AI 当场上网查资料再回答，突破时效边界的开关。
- 比喻
- 让闭关的人出关看一眼今天的报纸再说话。
- 你会在哪遇到它
- 各家产品里的"搜索"开关；问时效性问题前记得打开，或明确说"请联网查证"。
LAYER 02
用深一点会遇到的
Project（项目空间）
- 一句话
- 围绕一个主题的长期空间——配一次背景资料和行为规则，之后每次对话它都记得。
- 比喻
- 给顾问配了一个专属档案柜，每次来咨询，他先翻你的档案再开口。
- 你会在哪遇到它
- 受够了"每次新对话都要重新解释一遍背景"的时候——这就是升级到 Project 的信号。
系统指令（System Prompt）
- 一句话
- 写给 AI 的长期行为规则，整个 Project 里的每次对话都自动生效。
- 比喻
- 员工入职手册——写一次，不用每天开会重申。
- 你会在哪遇到它
- Project 设置里那个"自定义指令"框。写清三样最有用：你是谁的助手、主要帮我做什么、永远不要做什么。
知识库（Knowledge Base）
- 一句话
- 上传给 AI 当长期背景的资料集合。
- 比喻
- 档案柜里的档案。
- 你会在哪遇到它
- 把产品资料、常用文档传进 Project 之后，它回答你业务问题的质量明显上一个台阶。
- 常见误会
- ① 上传的是**当时的快照**——源文件后来改了，柜子里那份不会自己更新，要手动重传；② 资料不是传得越多越好——命名混乱、内容重复的资料，它"捞"的时候会捞错（见下条）。
检索（RAG）
- 一句话
- AI 回答时不是把整个知识库都读一遍，而是按你的问题"捞"出最相关的几段来用。
- 比喻
- 仓库管理员——柜子再大，每次只取几份相关的放上台面。管理员找得准不准，取决于你的资料码放得整不整齐。
- 你会在哪遇到它
- 知识库里明明有答案它却答非所问——多半是资料命名不清、内容混杂，它捞错了。**资料整理质量 = 它的回答质量。**
记忆（Memory）
- 一句话
- 让 AI 跨对话记住关于你的信息的机制；不同产品实现方式不同，都有限度。
- 比喻
- 临时工的小笔记本——能记一些，但别指望它记住一切。
- 你会在哪遇到它
- 它突然提起你上周说过的偏好。**重要结论别依赖它的记忆，让它整理成文档存到你自己的地方**——对话会过期，文件不会。
Agent（智能体）
- 一句话
- 不止会说、还能动手执行的 AI——能操作文件、调用工具、连续完成多步任务。
- 比喻
- 从"电话里指导你修水管的师傅"变成"上门自己动手修的师傅"。
- 你会在哪遇到它
- 整个行业的共同方向就是从"陪你聊"走向"替你干"。你现在学的每一点用法，都是在为用好它做准备。
Skill（技能）
- 一句话
- 给 AI 预装的专项作业标准——遇到对应任务时，它按这套沉淀好的最佳做法执行。
- 比喻
- 老师傅的"作业指导书"——不用每次口头教，拿起对应工序的指导书就干。
- 你会在哪遇到它
- 让 AI 做 PPT、做表格时产出格外规范，往往就是背后有对应 Skill 在起作用。
MCP（模型上下文协议）
- 一句话
- 让 AI 连接外部工具和数据的通用接口标准。
- 比喻
- 万能转接头——有了统一接口，AI 才能接上你的日历、网盘、业务系统。
- 你会在哪遇到它
- 看到"某某应用支持 MCP"，意思就是 AI 可以直接读写它了。
工作流（Workflow）
- 一句话
- 把"背景从哪来、按什么步骤做、做完交成什么样、什么情况停下问人"固定下来的一整套安排。
- 比喻
- 不是每次现场指挥，而是把活儿写成标准工序单。
- 你会在哪遇到它
- 同一件事，临时口头交代一次一个样；写成工作流，谁来跑结果都稳定。这是从"会用 AI"到"用 AI 干生产"的分水岭。
Vibe Coding（对话式开发）
- 一句话
- 用自然语言指挥 AI 完成开发，核心技能是"准确描述意图"，不是编程。
- 比喻
- 不会做菜但会点菜——把需求说清楚，厨房是别人的。
- 你会在哪遇到它
- 不会写代码的人做出网页、工具、甚至整套系统——我们自己的客户管理系统就是这么建出来的。
Harness（配置工程）
- 一句话
- 模型之外的一切配置——资料放哪、记忆怎么留、分工怎么定、边界怎么划。模型决定上限，配置决定你能用出几成。
- 比喻
- 赛马的挽具——同一匹马，冠军和事故的差别全在挽具怎么装。
- 你会在哪遇到它
- 两个人用同一个模型，产出天差地别——差距不在模型，在配置。这也是我们服务的核心：替你把配置调对。
LAYER 03
想看懂开发者世界的
这一层的词，在开发向专区里会真正用到
源码与生成物、依赖、环境变量、持续集成……这些词看一遍定义就忘，直到你亲手把一个项目拉下来跑起来、被那句"在我机器上是好的"卡住的那一刻。开发向专区四篇，是这一层词条的实战场：从"把项目拉下来跑起来"，到并行秩序、协作架构、多设备治理。
去开发向专区 →前端（Frontend）
- 一句话
- 软件里你看得到、点得到的那一层。
- 比喻
- 餐厅的前厅和菜单。
- 你会在哪遇到它
- 任何界面、按钮、表格都是前端。它不"做菜"，只负责展示和接收你的动作。
后端（Backend）
- 一句话
- 接收请求、按业务规则干活的那一层，你看不见它。
- 比喻
- 餐厅的后厨——接到点单，按配方做菜，从传菜口递出来。
- 你会在哪遇到它
- 你点"提交"之后转圈的那几秒，就是后厨在干活：校验、计算、存取数据。
数据库（Database）
- 一句话
- 所有数据分类存放的地方；前端不直接碰它，都由后端代取代放。
- 比喻
- 后厨背后的仓库货架——每类东西一排架子，取放都有登记。
- 你会在哪遇到它
- 你在系统里看到的每一行记录，都是从某排"货架"上取出来的。
API（接口）
- 一句话
- 程序和程序之间约定好的对话通道。
- 比喻
- 餐厅的传菜口——前厅和后厨不用互相进屋，从固定的口子传单传菜。
- 你会在哪遇到它
- "接入 GPT 的 API"意思就是把 AI 的能力通过通道接进自己的系统，让它在你的业务里干活。
终端（Terminal）
- 一句话
- 跳过所有图形界面、直接给电脑下文字指令的窗口。
- 比喻
- 和电脑对话的对讲机。黑底白字不是黑客片，是最朴素的人机对话。
- 你会在哪遇到它
- 开发者的屏幕上那个黑窗口；很多 AI 开发工具最初就跑在里面。
代码仓库（Git / GitHub）
- 一句话
- 存放代码和文档、并记住每一次改动的档案馆；Git 是记账方法，GitHub 是云端馆址。
- 比喻
- 每次施工都留底的图纸档案馆——谁、什么时候、改了哪张图，全能查，还能回滚到任何历史版本。
- 你会在哪遇到它
- 开发者说"提交了""推上去了"，指的就是把这次改动记账并存进档案馆。电脑坏了不怕，档案馆里有全套。
部署（Deploy）
- 一句话
- 把写好的程序放到服务器上，让所有人能用。
- 比喻
- 菜谱研发完成，正式端上门店菜单。
- 你会在哪遇到它
- "功能做好了，今晚部署"——意思是今晚上线。
源码与生成物（Source / Build Artifacts）
- 一句话
- 仓库里存的是"菜谱"，不是"菜"；菜要在每个厨房现做。
- 比喻
- 菜谱能邮寄，做好的菜不能。换个厨房，得照着菜谱重新做一遍，不是把菜搬过去。
- 你会在哪遇到它
- 从档案馆把代码下载下来，发现根本跑不起来——因为拿到的只有菜谱（源码），还没"做菜"（装依赖、编译、生成配置）。
- 常见误会
- 以为"代码下载完就等于环境搭好了"。恰恰相反，**仓库刻意不存生成物**——它们体积大、会过期、且每台机器要用自己的那一份。所以换电脑不是搬文件，是照单重做一遍。
提交与推送（Commit / Push）
- 一句话
- 提交是"写一页施工记录归档"，推送是"把记录送到云端总馆"——两件事，不是一件。
- 比喻
- 施工日志写完放进自己抽屉（提交），和送到档案馆备份（推送）。
- 你会在哪遇到它
- 开发者说"我提交了"和"我推上去了"，指的是两个不同阶段。只提交没推送，那份工作只存在于他那台电脑上。
- 常见误会
- 以为"提交了就安全了"。**没推送的提交等于没备份**——硬盘坏了、电脑丢了，档案馆里查无此记录。
依赖（Dependencies）
- 一句话
- 程序运行需要的、但不是自己写的那些现成零件。
- 比喻
- 做菜要用的酱油、香料——不是你自己酿的，是从别处领的；换个厨房得重新领一套。
- 你会在哪遇到它
- "装依赖"这一步动辄几分钟、下载上百个包，就是在领这些零件。它们数量大、更新快，所以从不进档案馆，靠一张清单现领。
- 常见误会
- 以为"在我电脑上能跑就说明没问题"。两台机器领到的零件版本不同，同一份菜谱就可能做出不同的菜——这就是那句经典的"在我机器上是好的"。
环境变量（Environment Variables）
- 一句话
- 把密码、密钥这类"每个环境各不相同、且不能公开"的配置，从代码里单独拎出来存放。
- 比喻
- 菜谱上写"加入保险柜里的那味秘方"，但保险柜密码不写在菜谱上——菜谱可以人手一份，密码只在店长手里。
- 你会在哪遇到它
- 代码下载完却连不上数据库、调不通服务——多半是这份"密码单"还没配。它刻意不进档案馆，所以每台新机器都要单独拿。
- 常见误会
- 图省事把密钥直接写进代码。**档案馆会永久留底**——写进去那一刻就等于公开了，事后删掉文件也没用，只能把密钥作废重发。
持续集成（CI / Continuous Integration）
- 一句话
- 每次交出改动，自动开一台全新的空白机器把整个项目重做一遍，做不出来就报警。
- 比喻
- 出厂前的自动质检线——不看你在自己厨房做得多顺，只看"换个空厨房、照你的菜谱，还能不能做出来"。
- 你会在哪遇到它
- 团队协作时，你改的东西可能悄悄弄坏了别人负责的部分。有 CI，几分钟内你自己就收到通知；没有 CI，往往是几天后由对方踩坑发现。
- 常见误会
- 以为"CI 绿了就等于功能没问题"。**它只保证"这堆代码能装起来"，不保证"装起来的东西是对的"**——逻辑对不对、数据准不准，仍然要人来验。它是底线，不是天花板。
编辑器（Editor / IDE）
- 一句话
- 改文档用文档软件，改代码用编辑器——把代码文件摊开来看、来改的专用桌子。它比记事本多的不是花哨，是认识代码的规矩：写错的地方当场画线提醒，整个项目的文件像目录树一样一眼看全。
- 比喻
- 代码是软件的图纸，编辑器就是摊开图纸来改的绘图桌。AI 编程助手改代码，结果也落在这张桌上——你随时能翻到它动了哪几张图。
- 你会在哪遇到它
- 教程说"用编辑器打开项目"，或者 AI 说"我改了三个文件"、你想亲眼看看它到底动了什么的时候。
- 常见误会
- 有人说 Editor，有人说 IDE，像是两样东西——其实 IDE 就是工具更全的编辑器，日常语境不必区分。
LAYER 04
看懂行业新闻的
参数（模型参数量）
- 一句话
- 衡量模型"脑容量"的指标之一——但不是唯一指标，大不等于好用。
- 比喻
- 厨师脑子里的菜谱数量。菜谱多是本钱，菜做得好不好还看训练。
- 你会在哪遇到它
- "万亿参数"这类新闻标题。看个量级就行，别用它直接判断谁强。
训练方式（为什么各家 AI 性格不同）
- 一句话
- 同样的底层架构，用不同的方法和规矩训练，出来的模型秉性完全不同。
- 比喻
- 两个孩子学做土豆丝——一个"做到爸爸满意为止，方法随便"（自由摸索型），一个"丝切 5 毫米、酸辣口、色香味俱全"（规矩约束型）。做出来都是土豆丝，风格截然不同。
- 你会在哪遇到它
- 有的 AI 天马行空、有的严谨守规矩——不是错觉，是训练路线的差异。选哪家，按你的活儿的性格选。
开源 / 闭源（Open Source / Closed Source）
- 一句话
- 开源是把模型公开给所有人自由使用和改造；闭源是只提供服务不给底细。
- 比喻
- 公开菜谱任人改良 vs 只卖菜不外传配方。
- 你会在哪遇到它
- "某某开源模型发布"——意味着企业可以拿它私有部署，数据不出自己家门。
模型 vs 产品（功能）
- 一句话
- 模型是底层引擎，产品是包着引擎的整车——别把车上的新功能当成新引擎。
- 比喻
- 发动机和汽车。换了个天窗（新功能），发动机（模型）可能没变。
- 你会在哪遇到它
- 新闻说"某某上线了新功能"，先分清：是模型升级了，还是产品加了配置？两回事。
- 常见误会
- 把某个产品在单项能力上的领先，理解成"全面超越"——就像"前端做得好"不等于"整套工程能力强"。看懂榜单，先看它测的是哪一项。
META
给"想扎到最底"的读者
最小单元学习法
遇到不懂的词，不贪多——一次只查一个，查到能用自己的话讲给别人听，再进下一个。
吃饭细嚼慢咽。囫囵吞下十个概念，不如嚼透一个。
每个词条末尾问自己一句——"我能用这个词造一个我自己工作里的句子吗？"造得出来才算过。本词典每个比喻，都是为这一步准备的。
什么知识值得下功夫（收词纪律的由来）
原理是十年资产，参数是三个月耗材。
这条知识明年还成立吗？"上下文有限所以要管理"明年成立（下功夫）；"某产品上下文是多少 K"下个月就可能变（用时现查，不必记）。
只收前者。所以你翻到的每一条，都值得嚼透。
报错定位法（先看断在哪一环）
看报错落在链路的哪一环，比看懂报错文字更重要。
任何系统都是一条链（界面 → 服务 → 数据）。先在纸上画出这条链，再看报错卡在哪一段——**范围一旦缩到一环，剩下的就好办了**。同理，报错说"连不上"和说"密码不对"，指向的是完全不同的环节。
**报错变了，就是进展。** 同一个问题从"找不到配置"变成"连不上"再变成"密码不对"，说明每一步都在往前推——别因为"还在报错"就以为白干了。另一条：报错的价值在于它**排除**了什么——能报出"密码不对"，说明网络、地址、服务都是通的。