AI大模型专业词汇汇总和解析

一、汇总AI大模型专业词汇包括LLM→TOKEN→上下文窗口→大模型API→Prompt、RAG、Tool、MCP、上下文工程、Skill、Agent、Vibe Coding、编程Agent、Harness工程、DeepSeek Harness、Loop工程、工作流、Workspace Agent。这些词都属于模型训练好之后如何使用它的范畴。但从技术栈看使用之前还有两个底层环节训练和推理部署。训练很复杂但从软件的角度看基本是设计一个框架比如Transformer基于框架搭好模型结构然后输入数据根据数据不断调整模型的参数。很多人讲写算子算子就是框架里最小的计算单元比如矩阵乘法、LayerNorm这种一个模型本质上就是一张由算子连成的计算图所谓调参数就是调整这张图里各个算子的参数。训练还分几个阶段工程师常听到的微调fine-tuning就是在别人预训练好的模型上用自己的数据继续调参数——这是企业定制模型的主流路径但本质还是前面说的那套框架数据调参数。推理端部署不只是把模型文件转个格式而是一整条链模型格式转换、量化FP16压到INT8/INT4省显存、算子融合和kernel优化、KV Cache管理、批量调度最后才封装成API对外服务。其中对硬件的适配很大程度就是在适配算子层——每个算子都得在特定硬件英伟达、昇腾这些上有高效实现这块对推理引擎和工具链要求很高。二、解析先看关系图再读条目LLM先天规格内含TOKEN、上下文窗口││ 通过 大模型API 交互API无状态Prompt是每次请求里messages数组的内容│▼ ━━━━━━━ 以下全是调用方在API外面搭的工程 ━━━━━━━机制层Tool模型负责喊调用方负责执行的机制↑ 外部工具可以按 MCP 协议接入免去一家家对接资源层Skill说明书脚本的文件夹供模型按需取用应用形态层三种独立搭法├─ RAG检索拼Prompt的系统可单独用也可被Agent当Tool调用├─ Agentwhile循环 Prompt模板 工具集工具可以是Tool/Skill/MCP/RAG└─ 工作流预定义流程图节点可以是模型/工具/Agent合体层Workspace Agent Agent 一个有读写权限的工作区编程Agent Workspace Agent目前最成熟的产品形态横切一切的做法上下文工程往窗口里塞什么、怎么塞RAG和Agent里都要做统称Harness 上面这整套运行支架循环、工具管理、权限、日志Loop工程 循环设计的具体功夫属于harness设计的一部分不在技术栈里Vibe Coding这是开发方式不是技术组件1、LLM就是部署好的语言大模型现在的语言大模型已经不限于文字了图像、音频这些也大量揉合进来甚至开始跟物理世界打交道——机器人、自动驾驶这类世界模型是下一个战场。。部署好的LLM本质上跟安防监控的人脸识别模型一样一堆训练好的固定参数对外暴露标准API输入数据、看输出自己不会联网也不会查资料。2、TOKEN就是词元。大模型拿到文本后先由分词器把文本拆成一个个token模型只认token不认字。用哪些token、怎么拆是训练时就定死的词表所以遇到生僻词新词会被拆得稀碎。token也是计费的单位。3、上下文窗口就是大模型一次请求能处理的数据总量上限输入加输出都算在内超过就装不下。这个上限基本是模型架构决定的训练好就固定跟token一样属于模型的先天规格。4、大模型API就是大模型厂商把模型包装成的HTTP接口工程师眼里它就是一次普通的HTTP POST请求请求体是一个messages数组每条消息带角色——system是定规矩的、user是人的输入、assistant是模型的历史回复、tool是工具执行结果——再加几个参数temperature控制随机性、max_tokens限制输出长度。几个关键认知一是API无状态模型不记得任何历史所谓多轮对话是调用方每轮把完整聊天记录重新发一遍二是返回可以一次性给全也可以流式SSE边生成边吐聊天窗口打字机效果的来源三是鉴权靠API Key计费按token算。OpenAI的格式已是事实标准各家都兼容它。5、Prompt就是提示词就是用自然语言跟大模型交互相当于安防模型API函数的参数结构体——你给什么参数它就在参数范围内干活。6、RAG就是检索增强生成。大模型本身不会检索、知识也有截止日期所以使用方在模型外面搭一套系统先把资料切块存进向量数据库用户提问时先去库里检索出相关内容把这些内容塞进Prompt里再让大模型基于这些资料回答。所以RAG不是大模型的内部能力恰恰相反它是用户在API外面自己搭的工程向量数据库、检索、拼Prompt都得自己干。RAG这套系统得使用方自己写代码搭主流用Python可以直接调开源的embedding模型也有LangChain这类现成框架可用调的还是模型那个标准API。现在网页版聊天助手普遍带联网检索看着像RAG但那多是厂商在服务端预置的产品功能严格说可配置、可私有化的RAG仍要你自己搭。7、Tool工具调用就是让大模型在回答过程中调用外部功能的机制。但拆开看模型本身只会做一件事——你事先给它一份函数清单函数名、参数、用途说明各家叫function calling格式大同小异它在需要时输出一段结构化文本通常是JSON说我要调某某函数参数是某某。Tool本质上就是调用方写的普通代码跟大模型零耦合——Python函数、shell脚本、一个HTTP接口、一条SQL什么都行。模型从头到尾不碰这些代码它只看那份文字清单。所以写Tool 写普通程序 给模型写份说明书。真正决定模型用不用得对的是说明书的质量——描述写得含糊模型就乱调。执行链路永远是模型输出结构化JSON → 调用方代码解析 → 跑真函数 → 结果塞回对话模型再接着生成。所以Tool不是模型的内部能力模型只会喊工具工具本身是调用方自己写的一般用Python写。8、MCP模型上下文协议是Anthropic在2024年提出的开放协议现在各模型厂商都支持了。它解决一个工程痛点以前每写一个AI应用每个工具都要单独对接一遍有了MCP工具和数据源按统一协议包装成MCP Server对外说明我有什么资源、什么工具AI应用按协议对接一次就能用所有MCP Server。类比以前是各种形状的插头MCP就是USB-C。谁写MCP Server用Python或Node.js写官方有SDK模型侧不需要动——MCP不是模型能力是应用层和工具层之间的接口标准。Tool是一段函数MCP是把这段函数按标准格式封装成服务MCP Server的那道工序封装完给harness用模型无感。说到底MCP就是个普通软件工程概念——一份接口协议跟大模型零耦合。它能混进AI词汇表只因为封装的内容恰好是给模型看的工具说明书。这也再次印证本文的主线除了模型本身一切都是普通软件工程。9、上下文工程是2025年流行起来的词意思很直白模型是死的上下文是活的最终效果很大程度取决于你往窗口里塞什么、怎么塞。RAG检索完拼Prompt是上下文工程Tool的结果回塞进对话是上下文工程聊天记录太长做压缩、摘要、挑重点也是上下文工程。它就是把拼Prompt是真功夫这句话系统化。不是模型能力是使用方的核心手艺。它确实抽象但落到项目里一点不玄一个真实代码库里上下文工程就是这几类东西——Prompt模板文件system prompt、带占位符的问答模板.md或.txt 拼装上下文的代码检索结果怎么挑、怎么截断排序、对话太长怎么压缩成摘要就是普通Python Agent每轮给模型喂信息的那段代码。所以它是要写代码的只是没有独立框架和标志性文件全部散在你的业务代码和模板文件里——这也说明它是手艺而不是组件。10、Skill技能是Anthropic推的概念。本质就是一个文件夹一份Markdown说明书讲清这个技能干什么、什么时候用 可选的脚本和模板文件。模型遇到匹配的活先读说明书再按需调用里面的脚本。跟Tool的关系要说清Skill本身不是ToolTool是干活的函数Skill是教模型何时干活、怎么干活的手册手册里可以附带脚本那些脚本最终还是要通过Tool机制执行注册成函数或终端里跑。所以可以粗略记成Skill 说明书 可选的ToolSkill可以包含ToolTool不认识Skill。比Tool重知识、轻接口Tool是函数级Skill是知识流程级。谁写使用方写一个Skill就是一个目录说明书用Markdown脚本Python/JS都行。Skill跟大模型的交互发生在运行时三步注册——harness启动时把技能目录名称一句话简介注入系统提示词只给菜单不给正文省上下文点名——模型判断该用哪个技能说要读它的说明书harness才把SKILL.md加载进上下文执行——模型按说明书干活跑脚本时调Tool。这套菜单→点菜→上菜叫渐进式加载是Skill省token的关键设计。11、Agent智能体是让模型不止回答一次而是在一个循环里自主多步完成任务想一步→调工具→看结果→再想→再调直到任务完成。拆开看本质Agent while循环 Prompt模板 工具集模型只是循环里负责决策的组件循环本身是调用方写的程序。模型自己不会主动干任何事每一轮都是程序把结果塞回去它才继续。用什么写可以自己用Python手写这个循环几十行就够也可以用LangGraph、AutoGen、CrewAI这些框架。12、Vibe Coding氛围编程不是技术是Karpathy在2025年造的词指一种开发方式用自然语言跟AI说需求AI写代码人不细读代码只看效果提意见。对软件工程师的真正含义代码的生产方式变了责任没变——测试、验收、出了问题负责的仍然是人。类比从自己搬砖变成指挥包工队但楼塌了还是你负责。软件工程师不是不用而是不会把没审查过的vibe代码直接上生产——拿来探路可以盖楼不行。13、编程Agent是Workspace Agent目前最成熟的产品形态包括Codex、Claude Code、CodeBuddy这些。它们不是新模型是各家拿自家现成模型配上不同harness打的三种形态一是云端任务型OpenAI Codex、Devin活丢给它它在云沙箱里自己拉代码、改、跑测试、提PR像外包二是IDE内结对型GitHub Copilot、Cursor装在你编辑器里你写为主它补刀三是终端型Claude Code、Aider住在你命令行里直接读写你本地仓库像雇了个工程师用你电脑干活。拆开看本质全是同一个配方远端模型API harness 文件/终端这些Tool git仓库当工作区。为什么编程是Agent第一个成熟的场景因为代码有客观验收标准编译过不过、测试过不过、环境可回滚改砸了git reset、反馈即时且机器可读报错就是现成反馈循环才转得起来。其他场景比如运营、行政缺这三条所以还没这么成熟。14、Harness工程Harness英文原意是马具、线束用在AI里指套在模型外面的那套运行支架——Agent循环、工具集、上下文管理、权限、日志这一整套让模型真正能干活的基础设施。同一模型套不同的harness能力天差地别所以社区有句话模型是引擎harness是整车。Harness工程就是设计和打磨这套支架的工程谁写调用方或平台方用Python这类语言写。中文社区叫龙虾的OpenClaw就是2026年年初爆火的一个Harness工程实例。15、DeepSeek Harness要先说清楚DeepSeek没有官方叫这个名字的产品。社区语境里这个词一般指两类东西一是围绕DeepSeek模型尤其R1自搭的Agent脚手架工程二是DeepSeek在论文和技术分享里透露的内部工程实践——模型之外那套Agent系统是怎么设计的。提醒一句凡是看到这个词先分清是官方的还是社区项目。16、Loop工程也是社区工程词指围绕Agent核心那个循环的设计功夫循环里放什么每轮给模型看什么信息、什么时候停步数上限、终止条件、出错怎么办重试、回滚、反思、多个Agent怎么接力。模型只管循环里的一小步整个循环的设计是调用方的工程。17、工作流Workflow跟Agent放一起对比最清楚工作流是流程预先写死——节点、顺序、分支都是工程师定好的流程图大模型只是其中某些节点上的处理器Agent是流程交给模型自己定。比如客服场景先意图分类模型节点→ 查订单固定API节点→ 生成回复模型节点这条链子是工程师画的模型不知道全貌。用什么搭Dify、Coze、n8n这类可视化平台或者代码里的LangGraph。是调用方搭的。18、Workspace Agent是有工作区的Agent——不只是在对话框里聊天而是直接在你的项目目录里干活读文件、改代码、跑命令、看报错再修。比如Claude Code、Cursor这类编程Agent。拆开看本质本地跑的是一个harness程序管文件权限、沙箱、命令执行模型在远端API每轮交互还是拼Prompt→调API那一套。前面所有概念在这里合体Workspace Agent Agent Tool 上下文工程 harness 一个有读写权限的工作区。三、进化看完这个清单能发现一个规律除了LLM、TOKEN、上下文窗口是模型的先天规格其余所有概念——RAG、Tool、MCP、Agent、工作流——全是调用方在API外面自己搭的工程。模型始终是那个固定参数的函数外面包多少层全看使用方的工程能力。随着大模型的发展调用方会继续发明更多的工具现在这些层出不穷的调用方工具老实说并没有比之前的互联网、大数据的软件工程工具复杂。AI时代的新词九成是普通软件工程换了个场景。再往上看一层是分工和生态。大模型的训练和部署是资本和技术双密集的重工业全世界只有几十家公司玩得起而围绕API的应用开发轻得多一个人一台电脑就能开工。这个分工跟当年的互联网一模一样训练和部署像服务器端拼的是基建和算力赢家通吃应用开发像客户端拼的是对场景的理解百花齐放。看清自己站在哪一层就知道该学什么、跟谁竞争——跟模型厂商拼算力没有意义把模型当水电用、把自己的工程做扎实才是调用方的赛道。