AI黑话词典（2026年3月版），建议收藏
- 核心观点：本文旨在为区块链与加密货币领域的从业者提供一份AI领域的基础与进阶词汇指南，帮助其快速理解AI行业的核心概念，以应对日益融合的“AI+Web3”趋势。
- 关键要素：
- LLM与SLM：大语言模型（LLM）是处理多类内容的深度学习模型，而小语言模型（SLM）则强调低成本与本地化部署。
- AI Agent：指能理解目标、调用工具并执行任务的智能系统，被视为从聊天机器人转向可执行系统的关键。
- Token与上下文窗口：Token是AI模型处理与计费的基本单位，上下文窗口则决定了模型单次处理能“记住”的Token总量。
- 推理与成本：模型上线后的推理（Inference）过程是商业化阶段的主要成本来源，常言“训练很贵，推理更费钱”。
- RAG与Grounding：检索增强生成（RAG）通过结合外部数据源生成回答，旨在实现事实对齐（Grounding），解决模型数据过时与幻觉问题。
- 工具调用与API：模型调用外部工具（Tool Calling）的能力是Agent的关键，而API是连接AI应用与第三方服务的基础设施。
- 行业热点：智能体工作流（Agentic Workflow）、氛围编程（Vibe Coding）和模型上下文协议（MCP）是当前AI圈的热门概念与趋势。
原创 | Odaily 星球日报（@OdailyChina）
作者｜Golem（@web 3_golem）
现在，币圈人要是不关注 AI，很容易遭群嘲（对，我的朋友，想想你为啥会点进来）。
你是否对 AI 的基础概念一窍不通，每句话里的缩写都问下豆包啥意思啊？你又是否在 AI 线下活动中对各种专有名词一头雾水，还要假装没掉线？
虽然在短时间内一脚跨入 AI 行业不现实，但知道下 AI 行业高频基础词汇总是不亏的。幸运了，接下来这篇文章就是为你准备的↓真诚建议你熟读并收藏。
基础词汇（12）
LLM（大语言模型）
LLM 核心是用海量数据训练出来、擅长理解和生成语言的深度学习模型，它能处理文本，现在也越来越能处理其他类型内容。
与之相对的是 SLM（小语言模型）——通常强调成本更低、部署更轻、本地化更方便的语言模型。
AI Agent（AI 智能体）
AI Agent 指的不只是“会聊天的模型”，而是能理解目标、调用工具、分步执行任务、必要时还能做规划和验证的系统。Google 将 agent 定义为能基于多模态输入进行推理并代用户执行动作的软件。
Multimodal（多模态）
其 AI 模型不是只读文字，而是能同时处理文本、图片、音频、视频等多种输入输出形式。Google 明确把多模态定义为处理和生成不同类型内容的能力。
Prompt（提示词）
用户给模型输入的指令，是最基础的人机交互方式。
Generative AI（生成式 AI / AIGC）
强调 AI“生成”而不是单纯分类或预测，生成式模型可以根据 prompt 生成文本、代码、图像、表情包、视频等内容。
Token（令牌）
这是 AI 圈最像“Gas 单位”的概念之一。模型不是按“字数”理解内容，而是按 token 处理输入输出，计费、上下文长度、响应速度，通常都和 token 强相关。
Context Window（上下文窗口 / 上下文长度）
指模型一次性能“看到”和利用的 token 总量，也可称为模型在单次处理时能考虑或“记住”的 token 数量。
Memory（记忆）
让模型或 Agent 保留用户偏好、任务上下文、历史状态。
Training（训练）
模型从数据中学习参数的过程。
Inference（推理执行）
和训练相对，指模型上线后接收输入并生成输出的过程。行业里常说“训练很贵，推理更费钱”，因为真实商业化阶段很多成本发生在 inference。相关训练/推理区分也是主流厂商讨论部署成本时的基础框架。
Tool Use / Tool Calling（工具调用）
意思是模型不只输出文字，而是可以去调用搜索、代码执行、数据库、外部 API 等工具，这已经被当成 Agent 的关键能力之一。
API（接口）
AI 产品、应用、Agent 接第三方服务时的基础设施。
进阶词汇（18）
transformer（变换器架构）
一种让 AI 更擅长理解上下文关系的模型架构，也是今天大多数大语言模型的技术底座，最大的特点是能同时看整段内容里每个词和其他词的关系。
Attention（注意力机制）
它是 Transformer 最关键的核心机制，作用就是让模型在读一句话时，自动判断“哪些词最值得重点看”。
Agentic / Agentic Workflow（智能体式 / Agent 化工作流）
这是最近很热的说法，意思是一个系统不再只是“一问一答”，而是带有一定自主性地拆解任务、决定下一步、调用外部能力。很多厂商把它当成“从 Chatbot 走向可执行系统”的标志。
Subagents（子智能体）
一个 Agent 再拆出多个专职小 Agent 去处理子任务。
Skills（可复用能力模块）
随着 OpenClaw 爆火，这个词近明显变得常见，这是给 AI Agent 的可安装、可复用、可组合的能力单元/操作说明书，但也特别提醒有工具滥用和数据暴露风险。
Hallucination（机器幻觉）
意为模型一本正经地胡说八道，“感知到并不存在的模式”从而生成错误或荒谬输出，这是模型看似合理、实则错误的过度自信输出。
Latency（延迟）
模型从收到请求到输出结果所花的时间，属于最常见的工程黑话之一，一聊落地和产品化就会频繁出现。
Guardrails（护栏）
用于限制模型/Agent 能做什么、什么时候停、什么内容不能输出。
Vibe Coding（氛围编程）
这个词也是如今最火爆的 AI 黑话，意为用户直接靠对话表达需求，AI 来写代码，而用户不需要具体懂如何写代码。
Parameters（参数）
模型内部用于存储能力和知识的数字规模，常被用来粗暴衡量模型体量，“百亿参数”“千亿参数”都是 AI 圈最常见的唬人说法。
Reasoning Model（强推理模型）
它通常指更擅长多步推理、规划、验证、复杂任务执行的模型。
MCP（模型上下文协议）
这是近一年非常热的新黑话，作用类似给模型和外部工具/数据源之间建立通用接口。
Fine-tuning / Tuning（微调）
是在基础模型上继续训练，让它更适应特定任务、风格或领域。Google 术语表直接把 tuning 和 fine-tuning 作为相关概念。
Distillation（蒸馏）
把大模型的能力尽量压缩给小模型，像是让“老师”教会“学生”。
RAG（检索增强生成）
这几乎已经成了企业 AI 的基础配置。微软把它定义为“搜索 + LLM”的模式，用外部数据来给回答做 grounding，解决模型训练数据过时、不了解私有知识库的问题。目的是把回答建立在真实文档和私有知识上，而不是只靠模型自己回忆。
Grounding（事实对齐）
常和 RAG 一起出现，意思是让模型回答建立在文档、数据库、网页等外部依据上，而不是只靠参数记忆“自由发挥”。微软在 RAG 文档中明确把 grounding 作为核心价值。
Embedding（向量嵌入 / 语义向量）
就是把文字、图片、音频等内容编码成高维数字向量，以便做语义相似度计算。
Benchmark（基准测试）
用一套统一标准去测试模型能力的评测方式，也是各家模型最爱拿来“证明自己很强”的排行榜语言。
推荐阅读
