贪吃搞懂45个AI术语：从LLM到Ontology

读一篇 AI 文章，最劝退的往往不是结论，而是名词。 大模型、智能体、MCP、A2A、Token、RAG、蒸馏、微调……这些词摆在正文里，像一道门槛。你大概知道它们各自是干什么的，但要你解释给别人听，又觉得说不清楚。 这篇不打算讲什么新东西，只做一件事：把 AI 行业高频出现的 44 个术语，一个个说清楚它们指什么、不指什么、和旁边那个词差在哪。 按十个小节排好，遇到不确定的词，直接翻到对应条目就行。 一、AI 的”大脑” 1. 大模型（LLM，Large Language Model） 大模型指参数量在十亿级以上、用海量文本训练出来的人工神经网络，核心任务是根据已有上下文预测下一个词。正因为”预测下一个词”这件事被做到了很高的准确度，它才表现出对话、写作、编程、推理这些能力。 它和”普通 AI 模型”的差别不在算法血统，而在规模。同样的架构，参数和数据放大到某个量级之后，能力会出现跃升，这也是这类模型被称为”大”的原因。 按处理的输入类型，常见分类有：大语言模型（文本）、视觉大模型（图像）、多模态大模型（文本加图像加音频等混合）、面向科研的科学大模型。 有一点需要先记住：大模型的知识截止于训练数据的时间点，它本身不会主动更新，也不会天然知道你的内部资料。后面讲的 RAG 和微调，都是在这个前提下补短板的手段。 一句话 ：参数量、训练数据规模远高于传统模型，并因此获得通用能力的模型，叫大模型。 2. Transformer Transformer 是 2017 年 Google 团队在论文《Attention Is All You Need》中提出的网络架构，用自注意力机制取代了此前处理序列数据主流的 RNN 和 CNN。 RNN 处理一句话是从左到右逐个词推进，越往后的词，对前面信息的记忆越弱。自注意力的做法不同：序列中任意两个位置可以直接建立关联，不受距离影响。这既解决了长距离依赖，也让计算可以大规模并行，而并行能力是训练规模能继续放大的前提。 很多文章把 Transformer 概括成”编码器加解码器”，这只是原始论文的形态。此后分化出三条路线：只用编码器的（BERT 一类，擅长理解）、只用解码器的（GPT、Claude、DeepSeek 一类，擅长生成）、两者都用的（最初的机器翻译形态）。今天说”大模型”，绝大多数指的是解码器这一支。 一句话 ：Transformer 靠自注意力一次性建模序列中所有位置的关系，是当前主流大模型的共同底座。 3. BERT BERT 是 Google 在 2018 年发布的模型，全称 Bidirectional Encoder Representations from Transformers，取 Transformer 的编码器部分，训练目标是”把句子里被遮住的词补回来”，因此学到的是双向的语义表示。 它只做理解，不做生成。搜索、文本分类、情感分析、意图识别这类”给定一段文本、输出一个判断”的任务是它的主场。Google 搜索在 2019 年引入 BERT，用来理解长尾查询背后真正想问的东西。 一句话 ：BERT 是只做理解、不做生成的一类模型，凡是要”读懂”而不是”写出”的场景，都可能用到它。 4. AGI（Artificial General Intelligence，通用人工智能） AGI 指具备跨领域通用能力、能像人一样学习并解决未见过问题的 AI。当前所有系统都是窄 AI：能力边界由训练目标决定，下棋的不会写代码。 真正的争议在判断标准。”能通过图灵测试””能在多数经济性工作上超过人类””能自主设定目标”——不同定义给出的时间表能差几十年。所以当有人断言”AGI 还有三年”时，先问他用的是哪个定义，通常比争论本身更有意义。 一句话 ：AGI 是能力不限于特定任务的 AI，目前不存在，连”怎样才算达到”都没有统一标准。 5. AIGC（AI Generated Content） AIGC 指由 AI 生成的内容，与 PGC（专业生产内容）、UGC（用户生产内容）并列，区别只在生产者是谁。 边界值得划清楚：AI 辅助润色、生成初稿、批量出图，产出的是 AIGC；人类主导、AI 只当工具的部分，仍算人类创作。这个区分在版权认定和平台标注要求上，正在变成实打实的规则问题。 一句话 ：内容的生产者里有 AI，就叫 AIGC。 二、人怎么跟 AI 打交道 6. Prompt（提示词） Prompt 是你交给模型的输入，包括指令、背景、示例、约束条件。 同一个模型，输出质量差别很大，多数时候差别来自 Prompt 里有没有把任务说清楚：要什么、不要什么、按什么格式、给谁看。这不是玄学——模型只能依据你给出的信息作答，信息缺失的部分，它会用统计上最可能的答案去填。 Prompt Engineering 这门手艺，本质是把脑子里的隐含要求显式写出来。 一句话 ：Prompt 是模型的全部已知条件，写得越具体，模型自由发挥的空间越受约束。 7. Context（上下文） Context 指模型在当前这一次调用中能看到的全部内容——系统指令、历史对话、检索到的资料、你刚输入的问题。它决定模型”此刻记得什么”。 关键在两点。第一，超出上下文窗口的内容对模型等于不存在，不会自动保留到下一轮。第二，窗口大不等于记得牢：内容越长，模型对中间部分的关注越弱，这在业界被称为”lost in the middle”。所以长对话里可靠的做法，是把关键信息放在开头或结尾，而不是指望它全记住。 一句话 ：Context 是模型的短期记忆，容量有限，而且不是每个位置都被同等对待。 8. Token（词元） Token 是模型处理文本的最小单位。分词器把文本切成 Token，模型读的是 Token 序列，计费也按 Token 数量算。 一个 Token 不等于一个字或一个词。英文里常见词往往是 1 个 Token，长词会被切成多个；中文在不同分词器下的切分差别很大，通常一个汉字接近 1 个 Token，生僻字或多字词可能占 2 个以上。准确的换算只能以具体模型的分词器为准，网上的”通用换算表”仅供参考。 知道 Token 有什么实际用处？一是估算成本，输入和输出分开计价，长文档问答的成本大头常在输入；二是判断上下文放不放得下，一份二十页的 PDF 转成文本后大致占多少 Token，心里要有数。 一句话 ：Token 是模型的计量单位，成本、速度、上下文容量都以它衡量。 9. CLI（Command Line Interface，命令行界面） CLI 是通过键盘输入命令来操作程序的界面，与图形界面（GUI）相对。 AI 圈频繁提 CLI，是因为多数编程智能体都以命令行形态提供：在终端执行 claude、codex 这类命令启动，它就能直接读写当前目录的文件、运行命令、跑测试。相比 IDE 插件，CLI 的优势是轻、可脚本化、能嵌进 CI/CD 流水线。 一句话 ：CLI 是用命令而非鼠标操作程序的界面，也是目前编程智能体最主要的入口形态。 三、AI 怎么变得更能用 10. RAG（Retrieval-Augmented Generation，检索增强生成） RAG 是在模型回答之前，