AI黑話詞典（2026年3月版），建議收藏
- 核心觀點：本文旨在為區塊鏈與加密貨幣領域的從業者提供一份AI領域的基礎與進階詞彙指南，幫助其快速理解AI行業的核心概念，以應對日益融合的「AI+Web3」趨勢。
- 關鍵要素：
- LLM與SLM：大語言模型（LLM）是處理多類內容的深度學習模型，而小語言模型（SLM）則強調低成本與本地化部署。
- AI Agent：指能理解目標、調用工具並執行任務的智能系統，被視為從聊天機器人轉向可執行系統的關鍵。
- Token與上下文窗口：Token是AI模型處理與計費的基本單位，上下文窗口則決定了模型單次處理能「記住」的Token總量。
- 推理與成本：模型上線後的推理（Inference）過程是商業化階段的主要成本來源，常言「訓練很貴，推理更費錢」。
- RAG與Grounding：檢索增強生成（RAG）通過結合外部數據源生成回答，旨在實現事實對齊（Grounding），解決模型數據過時與幻覺問題。
- 工具調用與API：模型調用外部工具（Tool Calling）的能力是Agent的關鍵，而API是連接AI應用與第三方服務的基礎設施。
- 行業熱點：智能體工作流（Agentic Workflow）、氛圍編程（Vibe Coding）和模型上下文協議（MCP）是當前AI圈的熱門概念與趨勢。
原創 | Odaily（@OdailyChina）
作者｜Golem（@web3_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，每句話裡的縮寫都得問問豆包是啥意思？你又是否在 AI 線下活動中對各種專有名詞一頭霧水，還要假裝沒掉線？
雖然在短時間內一腳跨入 AI 行業不現實，但知道一下 AI 行業的高頻基礎詞彙總是不虧的。幸運的是，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（大型語言模型）
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（小型語言模型）——通常強調成本更低、部署更輕、本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、音訊、影片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，是最基礎的人機互動方式。
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、影片等內容。
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（上下文視窗 / 上下文長度）
指模型一次效能「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，而是可以去調用搜尋、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（介面）
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，也是今天大多數大型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（可複用能力模組）
隨著 OpenClaw 爆火，這個詞近來明顯變得常見，這是給 AI Agent 的可安裝、可複用、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碼。
Parameters（參數）
模型內部用於儲存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介面。
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「搜尋 + 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 文檔中明確把 grounding 作為核心價值。
Embedding（向量嵌入 / 語義向量）
就是把文字、圖片、音訊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
