当前位置：首页 > news >正文

大模型小白必看：这些AI术语，一篇讲透让你秒懂收藏！

news 2026/4/15 7:52:06

你每天都在刷到这些词，但从没人好好解释过。这篇不讲历史、不讲原理，只讲"它是什么、跟我有什么关系"。

一、为什么要看这篇

你打开任何一篇 AI 相关的文章，扑面而来的就是：

“基于 LLM 的 Agent 通过 RAG 检索知识库，使用 MCP 协议调用外部 Tool，消耗了 50k Tokens……”

每个字都认识，连在一起完全看不懂。

这篇文章就一个目的：把这些词翻译成人话。看完之后再去读任何 AI 文章，至少不会懵。

二、核心概念，一个一个来

LLM（大语言模型）

是什么：就是 ChatGPT、Claude、Gemini、DeepSeek 背后的那个"大脑"。LLM = Large Language Model = 大语言模型。

类比：一个读过整个互联网的超级学霸。你问它什么它都能聊，但它的知识有截止日期，而且偶尔会一本正经地胡说八道（这叫"幻觉"）。

跟你的关系：你每天用的 ChatGPT、豆包、Kimi，底层都是某个 LLM。不同的 LLM 擅长不同的事——写代码选 Claude，中文聊天选 DeepSeek，多模态选 Gemini。

Token（令牌/词元）

是什么：LLM 处理文字的最小单位。不是"一个字"也不是"一个词"，而是介于两者之间的东西。

类比：你点外卖按"份"计费，LLM 处理文字按"Token"计费。

具体点：

• 英文里 “hello” = 1 个 Token
• “unbelievable” = 3 个 Token（un + believ + able）
• 中文里一个汉字 ≈ 1-2 个 Token

跟你的关系：你用 AI 付费产品时，花的就是 Token 的钱。输入越长、输出越长，消耗越多。所以写好 Prompt 能省钱——废话少说，精准描述。

Prompt（提示词）

是什么：你给 AI 的指令/问题。

类比：你跟实习生说话的方式。说"帮我做个 PPT"和"帮我做一个 10 页的融资路演 PPT，深蓝配色，包含市场规模和团队介绍"——出来的东西天差地别。

跟你的关系：Prompt 写得好不好，直接决定 AI 输出质量。这也是为什么"Prompt Engineering（提示词工程）"成了一个热门技能。

Agent（智能体/代理）

是什么：一个能自主规划并执行多步任务的 AI 程序。普通 LLM 是你问一句它答一句；Agent 是你说一个目标，它自己拆解步骤、调用工具、一步步干完。

类比：

LLM = 一个很聪明的顾问，你问它建议，它给你方案 Agent = 一个能干活的员工，你给它目标，它自己搞定

跟你的关系：OpenClaw、GPTs、Coze 上的 Bot——这些都是 Agent。2026 年的趋势就是从"跟 AI 聊天"转向"让 AI 干活"，Agent 是实现这个转变的核心。

Skill（技能）

是什么：Agent 能做的具体事情。比如"搜索网页"、“发邮件”、“读 PDF”、"生成图片"各是一个 Skill。

类比：Agent 是员工，Skill 是这个员工掌握的技能。技能越多，能干的事越多。

跟你的关系：在 OpenClaw 里你可以给 Agent 安装不同的 Skill；在 n8n 里每个节点本质上也是一种 Skill。

Tool / Function Calling（工具调用）

是什么：AI 自己"动手"调用外部工具的能力。比如 AI 判断需要查天气，就自动调用天气 API，拿到结果再回答你。

类比：你问同事"明天北京天气怎样"，他不是瞎猜，而是打开手机查了一下再告诉你。这个"打开手机查"就是 Tool Calling。

跟你的关系：这是 Agent 能"干活"的技术基础。没有 Tool Calling，AI 就只能靠自己的知识回答；有了它，AI 就能连接真实世界——查数据库、发邮件、下单。

RAG（检索增强生成）

是什么：让 AI 在回答之前先去翻阅指定的资料库，基于资料回答，而不是纯靠自己的记忆。RAG = Retrieval-Augmented Generation。

类比：开卷考试。AI 不用只靠脑子记住的东西，可以翻书（你提供的文档/数据库）再回答。

跟你的关系：如果你想让 AI 基于你公司的内部文档回答问题（而不是胡编），就需要 RAG。很多"企业知识库问答"产品底层都是这个。

MCP（模型上下文协议）

是什么：一个让 AI 和外部工具标准化通信的协议。以前每个 AI 平台接工具都要单独写对接代码，MCP 统一了这个接口。

类比：USB 接口。以前每个手机充电线都不一样，USB-C 统一之后，一根线充所有设备。MCP 就是 AI 工具的"USB-C"。

跟你的关系：你在 n8n 上搭的工作流，通过 MCP 可以直接让 Claude 调用；OpenClaw 的 Skill 也能通过 MCP 暴露给其他 AI 平台。工具生态正在从"各自为政"走向"互联互通"。

Fine-tuning（微调）

是什么：用你自己的数据对已有的 LLM 做针对性训练，让它在特定领域表现更好。

类比：一个通才大学生，你让他在你公司实习三个月，他就对你的业务特别熟了。

跟你的关系：大部分人用不到。RAG 能解决 80% 的"让 AI 懂你的业务"需求，微调是更重的方案，通常企业才会做。

Hallucination（幻觉）

是什么：AI 一本正经地输出看似合理但实际上错误的内容。

类比：你问一个很自信的人一个他不知道的问题，他不会说"我不知道"，而是编一个听起来很有道理的答案。

跟你的关系：永远不要 100% 信任 AI 的输出，尤其是涉及数据、法律、医学的内容。这也是为什么 Human-in-the-Loop（人工审批）那么重要。

Context Window（上下文窗口）

是什么：AI 一次对话中能"记住"的最大信息量，用 Token 数衡量。

类比：AI 的"工作记忆"。窗口越大，能同时处理的信息越多。

模型	上下文窗口
GPT-4o	128K Tokens
Claude Opus 4	200K Tokens
Gemini 2.5 Pro	1M Tokens

跟你的关系：窗口越大，你可以一次丢越多资料给 AI 分析。但也越贵——128K Token 的对话比 4K 的贵得多。

三、一张图看懂它们的关系

你（User） │ ├─ 写 Prompt ──▶ LLM（大语言模型） │ │ │ ├─ 消耗 Token（按量计费） │ ├─ 在 Context Window 内处理 │ └─ 可能产生 Hallucination │ └─ 或者交给 Agent（智能体） │ ├─ Agent 用 LLM 做"大脑" ├─ 通过 Tool/Function Calling 调用外部工具 ├─ 通过 MCP 连接更多服务 ├─ 用 RAG 查阅知识库 ├─ 拥有多个 Skill（搜索/发邮件/写代码…） └─ 可以被 Fine-tuning 优化

四、速查表

术语	一句话解释	人话类比
LLM	大语言模型	读过整个互联网的学霸
Token	AI 处理文字的计费单位	外卖的"份"
Prompt	你给 AI 的指令	跟实习生说话的方式
Agent	能自主干活的 AI 程序	给目标就能搞定的员工
Skill	Agent 的具体能力	员工掌握的技能
Tool Calling	AI 调用外部工具	不知道就查手机
RAG	让 AI 翻资料再回答	开卷考试
MCP	AI 工具通信标准	USB-C 统一接口
Fine-tuning	用私有数据训练 AI	让通才实习生变领域专家
Hallucination	AI 编造的错误内容	自信的人瞎编答案
Context Window	AI 一次能记住多少	工作记忆容量