AI 术语笔记

本文记录 AI 领域常见的英文术语和缩写，用简洁的语言解释概念。

核心概念

LLM (Large Language Model)

大型语言模型。一种基于深度学习的神经网络，通过海量文本训练来预测下一个 token（词元）。“大"指的是参数数量（数十亿到万亿级别）和训练数据规模。

常见 LLM：GPT、Claude、Llama、DeepSeek 等。

Token

词元。LLM 处理文本的最小单位。英文中 1 token ≈ 1 个单词或标点；中文中 1 token ≈ 1-2 个汉字。一个句子可能被切成几个 token，如 “Hello world” = 3 tokens。

Context Window

上下文窗口。LLM 一次能处理的 token 总数上限，包括输入和输出。超过这个限制的内容会被截断或丢失。

例如：上下文窗口 128k 的模型表示最多能处理约 10 万汉字。

Temperature

温度参数。控制输出随机性的参数：

• temperature = 0：输出几乎确定，适合精确问答
• temperature = 0.7~1.0：输出更多样，适合创意写作

Hallucination

幻觉。LLM 生成看似合理但实际错误或不存在的信息。这是 LLM 的固有问题，而非 bug。

RAG 相关

RAG (Retrieval Augmented Generation)

检索增强生成。一种让 LLM 回答基于私有知识的技术：

用户问题 → 检索相关文档 → 拼入提示词 → LLM 生成答案

解决的问题：LLM 不知道私有数据（如你的笔记、企业文档）的问题。

Vector Database

向量数据库。存储文本嵌入向量的数据库，通过语义相似度搜索内容。例如 Milvus、Pinecone、Chroma。

Embedding

嵌入/向量化。把文本转换成数字向量的过程，相似文本有相似的向量，便于语义搜索。

Chunking

分块。把长文档切成小的文本块（通常 500-1000 tokens），便于检索和高效处理。

Agent 相关

AI Agent

AI 代理/智能体。能够自主规划、使用工具、完成复杂任务的 AI 系统。

核心能力：

1. 感知 — 接收信息
2. 思考 — 推理和规划
3. 行动 — 调用工具执行

MCP (Model Context Protocol)

模型上下文协议。Anthropic 提出的标准协议，让 AI 能安全地连接外部数据源和工具（如文件、数据库、API）。

类似 USB 接口 — 有了 MCP，AI 就像有了标准化的"接口"来访问各种外部资源。

Tool Use

工具调用。LLM 通过生成特殊指令来调用外部工具（搜索、计算、API等），扩展其能力边界。

Multi-Agent

多智能体。多个 AI 代理协同工作，各司其职（规划、执行、检查），完成复杂任务。

Fine-tuning 相关

Fine-tuning

微调。在预训练模型的基础上，用特定领域数据进一步训练，使模型适应特定任务或风格。

LoRA (Low-Rank Adaptation)

低秩适配。一种高效微调技术，通过训练少量参数而不是整个模型，大幅降低微调成本。

RLHF (Reinforcement Learning from Human Feedback)

基于人类反馈的强化学习。用人类偏好数据训练奖励模型，再通过强化学习优化 LLM 输出质量。

Quantization

量化。把模型参数从高精度（FP32）转换为低精度（INT8/INT4），大幅减少内存占用，同时保持大部分性能。

Prompt Engineering

Prompt Engineering

提示词工程。设计和优化输入给 LLM 的提示词，以获得更好输出的实践。

Few-shot / Zero-shot

少样本/零样本学习：

• Zero-shot：直接提问，不给示例
• Few-shot：给 1-3 个示例，帮助模型理解任务

System Prompt

系统提示词。设置 AI 角色、行为规则和约束的顶层指令，通常在对话开始时输入。

模型相关

Base Model vs Instruct Model

• Base Model：基础模型，能续写文本但不擅长对话
• Instruct Model：指令模型，经过微调能理解并执行指令

Multimodal

多模态。能处理多种类型数据（文本、图片、音频、视频）的模型。

Reasoning Model

推理模型。专门优化过推理能力（数学、代码、逻辑）的模型，如 GPT-o1、Claude 3.5 Sonnet。

MoE (Mixture of Experts)

混合专家模型。一种模型架构，只有部分"专家"网络被激活处理每个输入，提高效率。

Claude Code 相关

Skill

在 Claude Code 中，Skill 是经过经验优化好的提示词文档，用于特定任务的执行代理。

一个 Skill 通常包含：

• 角色定义 — 这个 Skill 扮演什么角色（代码审查员、测试专家等）
• 执行流程 — 明确的步骤和检查点
• 输出格式 — 报告的结构、commit 格式等
• 触发条件 — 什么情况该用、什么情况不该用

通常存放于 ~/.claude/agents/ 或插件目录下，本质是一个优化好的 Markdown 提示词文件。

Slash Commands (/xxx) 是调用 Skill 的快捷入口，输入 /skill-name 即可触发对应的 Skill 代理执行任务。

MCP (Model Context Protocol)

模型上下文协议。Anthropic 提出的标准协议，让 AI 能安全地连接外部数据源和工具（如文件、数据库、API）。

类似 USB 接口 — 有了 MCP，AI 就像有了标准化的"接口"来访问各种外部资源。

Hooks (钩子)

Hooks 是 Claude Code 中的自动化机制，在特定生命周期事件触发时自动执行脚本或命令。

12 个生命周期事件

Hook 类型

配置位置（优先级从高到低）

Rules (规则)

Rules 是 Claude Code 中的提示词规则文件，定义工作流程和最佳实践。

Rules 文件位置

内置 Rules 示例

你的 ~/.claude/rules/ 下可能已有：

• agents.md — Agent 编排规则，定义何时使用什么代理（planner、code-reviewer 等）
• code-review.md — 代码审查标准，什么时候必须审查、审查清单
• coding-style.md — 编码风格规范（不可变性、错误处理等）
• git-workflow.md — Git 工作流和 commit 格式
• security.md — 安全检查清单
• testing.md — 测试要求（80% 覆盖率等）

Rules 的本质

和 Skill 一样，Rules 也是经过经验优化的 Markdown 提示词文件，只是用途不同：

Rules 工作方式

Claude Code 会在执行任务前自动读取相关 Rules 文件，把规则融入到系统提示词中。例如：

• 写代码前 → 读取 coding-style.md
• 提交前 → 读取 git-workflow.md
• 安全相关 → 读取 security.md

Hooks 与 Rules 协同工作

Rules = 工作标准和规范（告诉 Claude “应该怎么做”） Hooks = 自动化执行机制（在特定时刻自动触发动作）

配合实例

场景：用户让 Claude 写一个新功能并提交

工作流程示意

用户: "帮我写一个登录功能并提交"
         │
         ▼
┌─────────────────────────────────────────┐
│  阶段1: Rules 融入系统提示词             │
│  • coding-style.md → 代码规范          │
│  • testing.md → 必须有测试              │
│  • security.md → 不能暴露密码           │
└─────────────────┬───────────────────────┘
                  │
                  ▼
┌─────────────────────────────────────────┐
│  阶段2: Claude 执行任务                 │
│  • 按 Rules 写代码                      │
│  • 遵循命名规范、不可变模式            │
│  • 添加测试用例                        │
│  • 检查敏感信息                        │
└─────────────────┬───────────────────────┘
                  │
                  ▼
┌─────────────────────────────────────────┐
│  阶段3: Hooks 拦截检查                 │
│  • PostToolUse: 格式化代码            │
│  • PostToolUse: 运行 lint              │
│  • PostToolUse: 运行测试               │
│  • Stop: 验证覆盖率 ≥ 80%             │
└─────────────────┬───────────────────────┘
                  │
         ┌────────┴────────┐
         ▼                 ▼
    通过检查            未通过检查
    (Rules 遵守)       (有问题)
         │                 │
         ▼                 ▼
    提交成功         Hook 阻止提交
                   提示修复问题

本质区别

CLAUDE.md

CLAUDE.md 是项目级的说明文件，供 AI 在该项目中快速了解上下文。

与 Rules 的区别：

• CLAUDE.md — 项目专属信息（项目结构、功能、使用方式）
• Rules — 通用的工作流程规范（适用于所有项目）

其他常见术语

参考资料

• AI/LLM Glossary: 82 Terms Every Developer Should Know
• The Glossary You Must Read If You Wanna Talk About AI
• Google Generative AI Glossary