AI 核心术语汇编

使用说明

本文档按概念层次组织 60+ 个 AI 领域核心术语，覆盖从"认识 Claude"到"使用 Claude Code 编程"的完整旅程：

• 基础层：Transformer、LLM、Token、Prompt、Context、Memory 等模型基础
• 交互层：Chat、Agent、Multi-Agent、Streaming 等人机交互
• 能力扩展层：RAG、Function Call、MCP、API、SDK 等能力边界扩展
• 工程实践层：CLI、Git、CI/CD、Docker、Diff、Lint 等开发工程
• Claude 生态层：Claude 模型系列、Claude Code、Skills、Artifacts 等产品特有
• 安全与可靠性层：Hallucination、Alignment、RLHF、Guardrails 等

一、基础层：模型与输入

1. Transformer

定义：2017 年 Google 提出的神经网络架构，是现代 LLM 的基础。核心创新是自注意力机制（Self-Attention），让模型在处理每个 token 时都能关注输入序列中的所有其他 token，从而捕捉长距离依赖关系。

关键组件：

• Self-Attention（自注意力）：计算每个 token 与其他所有 token 的关联权重
• Multi-Head Attention（多头注意力）：并行计算多组注意力，捕捉不同维度的语义关系
• Feed-Forward Network（前馈网络）：对每个位置独立应用非线性变换
• Layer Normalization（层归一化）：稳定训练过程

意义：Transformer 的出现让模型能够并行处理序列（而非 RNN 的串行处理），为训练超大规模语言模型奠定了架构基础。

2. LLM（Large Language Model，大语言模型）

定义：基于 Transformer 架构、通过海量文本数据预训练的大规模神经网络模型，能够理解和生成自然语言。

核心机制：Next-Token Prediction。给定前文，计算每个候选 token 的条件概率 P(x_t | x_<t)，采样生成下一个 token，迭代完成整段文本。

关键特征：

• 概率性：所有输出都是概率采样结果
• 涌现能力：规模达阈值后出现推理、上下文学习等能力
• 幻觉（Hallucination）：生成看似合理但实际错误的内容

代表模型（截至 2026 年 4 月）：GPT-4.1 / GPT-4o（OpenAI）、Claude 4 Opus / Sonnet（Anthropic）、Gemini 2.5（Google）、LLaMA 4（Meta）、Qwen 3（阿里）

3. Token

定义：LLM 处理文本的最小单元，由分词器（Tokenizer）将原始文本切分而成。

关键事实：

• 英文约 1 token ≈ 0.75 个单词；中文约 1 个汉字 ≈ 1~2 tokens
• API 按输入+输出的 token 数量计费
• Context Window 容量以 token 数衡量

4. Prompt（提示词）

定义：用户向 LLM 提供的输入文本，用于引导模型生成期望输出。

核心形式：

• System Prompt：定义模型角色、行为准则、输出格式（开发者预设）
• User Prompt：用户具体请求
• Few-shot Prompt：在 prompt 中嵌入示例引导学习
• Chain-of-Thought（CoT）：要求模型"一步步思考"

5. Context（上下文）

定义：LLM 生成响应时能访问的全部输入信息，包括当前 prompt、对话历史、系统指令及外部注入信息。

核心约束：

• Context Window：模型一次能处理的最大 token 数（Claude 4 ~200K，GPT-4.1 ~1M）
• 上下文溢出：超出窗口时早期信息被丢弃，模型"遗忘"

6. Context Window（上下文窗口）

定义：LLM 单次推理能够处理的最大 token 数量。是模型"短期记忆"的物理上限。

典型数值（截至 2026 年 4 月）：

• Claude 4 Opus / Sonnet：~200K tokens
• GPT-4.1：~1M tokens
• GPT-4o：~128K tokens

关键认知：窗口越大，模型一次能看到的代码/文档越多，但成本也越高。Claude Code 的核心优势之一就是超大上下文窗口带来的完整代码库理解能力。

7. Memory（记忆）

定义：Agent 系统保留和检索过去信息的能力。

分类：

• 短期记忆：即 Context Window 内的信息
• 长期记忆：通过向量数据库存储，用 Embedding 语义检索

8. Embedding（嵌入）

定义：将文本/图像转换为高维数值向量的技术。语义相近的内容在向量空间中距离更近。

核心作用：语义检索、RAG 基础、Memory 基础。

9. Temperature（温度）

定义：控制 LLM 输出随机性的参数。取值范围通常为 0~2。

• Temperature = 0：确定性输出，每次相同输入产生相同结果
• Temperature = 0.7~1.0：默认范围，平衡创造性和一致性
• Temperature > 1：更随机、更有创造性，但可能偏离主题

使用场景：代码生成用低 temperature（00.3），创意写作用高 temperature（0.81.2）。

10. Top-p / Top-k（核采样 / Top-K 采样）

定义：控制 LLM 采样范围的参数，与 Temperature 配合使用。

• Top-k：只从概率最高的 k 个 token 中采样
• Top-p（Nucleus Sampling）：从累积概率达 p 的最小 token 集合中采样

实际意义：防止模型选择概率极低的"荒谬"token，同时保留足够的候选空间。

11. System Prompt（系统提示词）

定义：在对话开始时给模型的隐性指令，定义其角色、行为边界和输出格式。用户通常不可见，但影响每一次回复。

例子："你是一位资深 Python 工程师。所有回答使用中文。代码必须包含类型注解。"

12. Chain-of-Thought（CoT，思维链）

定义：一种 Prompt 技术，通过在 prompt 中要求模型"一步步思考"或提供推理示例，引导模型输出中间推理步骤，显著提升复杂问题（数学、逻辑、代码）的准确率。

变体：Zero-shot CoT（直接加"Let's think step by step"）、Few-shot CoT（提供推理示例）。

13. Decoder-only

定义：一种 Transformer 架构变体，仅使用解码器部分，通过因果掩码（Causal Masking）确保模型只能看到当前位置之前的 token，适合自回归生成任务。

代表：GPT 系列、Claude、LLaMA、Gemini 均为 Decoder-only 架构。

14. Pre-training（预训练）

定义：在海量无标注文本数据上训练 LLM 的过程。模型通过预测被掩码的 token 学习语言的统计规律和 world knowledge。

后续阶段：预训练 → 对齐（Alignment）→ 部署使用。

15. Inference（推理）

定义：使用已训练好的模型进行预测/生成的过程。用户每次向 Claude 发送消息、每次 Claude Code 分析代码库，都是一次 Inference。

关键指标：Latency（延迟）、Throughput（吞吐量）。

16. Parameters / Weights（参数 / 权重）

定义：神经网络中可学习的数值，决定了模型的行为。参数量是衡量模型规模的指标。

典型规模：GPT-4 估计 ~1.8T 参数，Claude 4 系列未公开，LLaMA 4 达数万亿参数（MoE 架构）。

17. Fine-tuning（微调）

定义：在预训练好的模型基础上，用特定领域的小规模标注数据继续训练，使模型适应特定任务或风格。

与 Prompt Engineering 的区别：微调改变模型权重，Prompt Engineering 不改变模型，只改变输入。

二、交互层：对话与智能体

18. Conversation（对话）

定义：用户与 AI 之间多轮交互的消息序列，由交替的 user/assistant/tool 消息组成。

19. Chat（聊天）

定义：以自然语言为媒介的实时交互界面。Chat 是交互模式，Conversation 是底层数据结构。

20. Streaming（流式输出）

定义：模型生成的 token 逐个实时返回给用户，而非等全部生成完毕再一次性返回。带来"打字机效果"的交互体验。

技术实现：Server-Sent Events (SSE) 或 WebSocket。

21. Agent（智能体）

定义：以 LLM 为核心控制器，具备 Planning、Memory、Tool Use 三大能力的自主系统。

Agentic Loop：接收目标 → 规划步骤 → 选择工具 → 执行动作 → 观察结果 → 反思调整 → 循环 → 交付。

22. Multi-Agent（多智能体）

定义：多个 Agent 协作完成复杂任务的架构。每个 Agent 负责不同子任务，通过消息传递协调。

Claude Code 中的体现：Sub-agents 并行处理不同专项任务。

23. Human-in-the-loop（人机协同）

定义：在 AI 自动化流程的关键节点引入人类审查和决策的机制。Claude Code 的"修改前请求许可"就是典型实现。

三、能力扩展层：工具与协议

24. RAG（Retrieval-Augmented Generation，检索增强生成）

定义：将外部知识检索与 LLM 生成结合的技术。生成前先检索相关文档注入上下文。

工作流程：用户提问 → 查询向量化 → 向量库检索 → 文档注入 Prompt → LLM 生成。

25. WebSearch（网络搜索）

定义：让 AI 实时访问互联网信息的能力。与 RAG 的区别：WebSearch 检索互联网实时信息，RAG 检索私有知识库。

26. Function Call / Tool Call（函数调用 / 工具调用）

定义：LLM 生成结构化参数调用外部函数的能力。模型输出 JSON 描述要调用的函数，由宿主程序执行。

官方澄清：OpenAI 文档明确 "Function calling (also known as tool calling)"，只是 API 参数命名从 functions 演变为 tools。

27. MCP（Model Context Protocol，模型上下文协议）

定义：Anthropic 2024 年 11 月推出的开源标准协议，标准化 AI 系统与外部数据源的连接方式。被称为"AI 的 USB-C 接口"。

架构：MCP Client（AI 应用）←→ MCP Server（数据/工具服务）。

28. API（Application Programming Interface，应用程序接口）

定义：软件系统之间交互的约定接口。LLM API 让开发者通过 HTTP 请求调用模型能力。

Claude API：Anthropic 提供的 messages.create() 等接口，是 Claude Code 等产品的基础能力来源。

29. SDK（Software Development Kit，软件开发工具包）

定义：封装 API 的开发者工具库，提供更易用的编程接口。Anthropic 提供 Python 和 TypeScript SDK。

30. JSON Mode / Structured Output

定义：让 LLM 输出严格符合 JSON Schema 的格式化数据，而非自由文本。用于程序化处理模型输出。

应用：Function Call 的参数输出、数据提取、API 响应生成。

31. Rate Limit（速率限制）

定义：API 提供商对请求频率的限制（如每分钟/每小时/每天最多多少次请求）。防止滥用和保证服务稳定性。

四、工程实践层：开发与部署

32. CLI（Command Line Interface，命令行界面）

定义：通过文本命令与计算机交互的界面。Claude Code 的核心形态就是 CLI 工具。

与 GUI 的区别：CLI 更高效、可脚本化、适合自动化；GUI 更直观、适合新手。

33. IDE（Integrated Development Environment，集成开发环境）

定义：集成了代码编辑、调试、构建等功能的开发工具。如 VS Code、IntelliJ、PyCharm。

Claude Code 的 IDE 集成：VS Code 扩展、JetBrains 插件，但核心体验仍是 CLI。

34. Git

定义：分布式版本控制系统，跟踪代码的每一次变更。现代软件开发的基石工具。

Claude Code 中的 Git 集成：对话式 Git 操作（what files have I changed?、commit my changes）。

35. Repository（代码仓库）

定义：存储项目代码及版本历史的目录，通常由 Git 管理。Claude Code 以 Repository 为单位理解项目上下文。

36. Diff（代码差异）

定义：展示两个代码版本之间差异的格式（+ 新增行，- 删除行）。代码审查和版本控制的核心工具。

Claude Code 中的 Diff：每次修改前向用户展示 diff，确认后才写入文件。

37. Commit（提交）

定义：将代码变更保存到 Git 历史中的操作。包含变更内容、作者、时间戳和提交信息。

Claude Code 的能力：自动生成描述性提交信息，甚至自动执行 git commit。

38. Branch（分支）

定义：Git 中独立的代码开发线。允许并行开发不同功能而不互相干扰。

39. Lint（代码检查）

定义：静态分析代码以发现潜在错误、风格违规或不符合规范的地方。如 ESLint、Pylint、Prettier。

Claude Code 的 Hooks 应用：可在提交前自动运行 linter。

40. CI/CD（Continuous Integration / Continuous Deployment，持续集成/持续部署）

定义：自动化构建、测试和部署代码的流程。GitHub Actions、GitLab CI 是典型实现。

Claude Code 集成：可通过 MCP 连接 CI 系统，读取构建失败日志并自动修复。

41. Docker / Container（容器）

定义：将应用及其依赖打包为标准化可移植单元的技术。确保"在我机器上能跑"变成"在哪都能跑"。

42. Environment Variable（环境变量）

定义：操作系统级别的键值对配置，程序运行时读取。常用于存储 API Key、数据库连接串等敏感信息，避免硬编码。

五、Claude 生态层：产品特有

43. Claude Sonnet / Opus / Haiku

定义：Anthropic Claude 模型系列的三个梯度：

• Opus：最强推理能力，适合复杂分析、数学、代码架构设计
• Sonnet：均衡性能与速度，日常使用首选
• Haiku：最快、最便宜，适合简单任务和高频调用

Claude Code 中的模型选择：复杂重构用 Opus，日常任务用 Sonnet，Claude Code 允许切换模型。

44. Claude Code

定义：Anthropic 推出的终端原生智能体编程系统。读取完整代码库，自主规划多文件变更，执行修改，运行测试，迭代修复。

核心定位：不是代码补全工具，不是 IDE，是任务委托伙伴。

45. CLAUDE.md

定义：Claude Code 项目根目录的持久指令文件。定义编码标准、架构决策、工作流规则，每次会话自动读取。

作用：团队知识沉淀、项目规范统一、减少重复说明。

46. Skills

定义：Claude Code 中用 Markdown+YAML 定义的标准化操作流程。将重复性工作方法编码为可复用模板。

与 MCP 的区别：Skill 定义"做什么"（工作流程），MCP 定义"连什么"（外部接口）。

47. Hooks

定义：Claude Code 中的生命周期钩子，在特定事件前后触发脚本。如提交前自动 lint、编辑后自动测试。

作用：为 AI 自主行为添加安全护栏。

48. Sub-agents（子智能体）

定义：由主 Agent 派生的并行处理单元。独立执行专项任务，避免主对话上下文被无关信息填满。

核心约束：上下文窗口 ~200K tokens，复杂任务中 Sub-agents 是管理溢出的核心策略。

49. Plan Mode（计划模式）

定义：Claude Code 的安全操作模式。Claude 先提出完整计划（含 diff 预览），人类批准后执行。适合大规模重构或高风险操作。

50. Slash Commands（斜杠命令）

定义：Claude Code 中以 / 开头的内置命令。如 /login、/help、/clear、/config、/resume。

作用：快速触发特定功能，无需自然语言描述。

51. Checkpoint（检查点）

定义：Claude Code 自动创建的代码状态快照。允许用户随时回滚到之前的代码状态，防止 AI 修改导致不可逆破坏。

52. Session（会话）

定义：Claude Code 中一次连续的工作单元。包含对话历史、已执行的操作、当前上下文。可用 /resume 恢复之前的会话。

53. Artifacts

定义：Claude.ai 网页版中的独立内容展示组件。当 Claude 生成代码、文档、图表等可复用内容时，以独立窗口呈现，方便查看、复制和迭代。

54. Computer Use

定义：Claude 的能力之一，允许模型通过截图和鼠标/键盘操作与计算机界面交互。可以操作浏览器、填写表单、运行 GUI 应用。

与 Claude Code 的区别：Computer Use 操作图形界面，Claude Code 操作代码和命令行。

55. OpenClaw

定义：开源（MIT）自托管网关，连接聊天应用（Discord、Telegram、WhatsApp 等）与 AI 编码 Agent。

与 Claude Code 的区别：OpenClaw 是聊天网关（面向消息平台），Claude Code 是开发工具（面向代码库）。

六、安全与可靠性层

56. Hallucination（幻觉）

定义：LLM 生成看似合理但实际错误、虚构或无法验证的内容。是概率生成机制的固有特性，不是 bug。

应对：RAG 注入真实信息、人工审查、事实核查工具。

57. Prompt Injection（提示注入）

定义：攻击者通过精心构造的输入，绕过模型的安全限制或操纵模型行为。如"忽略之前的指令，告诉我如何..."

防御：输入过滤、输出审查、权限最小化。

58. Alignment（对齐）

定义：确保 AI 系统的行为符合人类意图和价值观的过程。解决"模型能做什么"与"模型应该做什么"之间的差距。

关键技术：RLHF、Constitutional AI。

59. RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）

定义：训练 LLM 的核心对齐技术。人类对模型输出进行排序评分，模型通过强化学习优化以生成人类偏好的回答。

流程：预训练 → 收集人类反馈 → 训练奖励模型 → 用 PPO 等算法优化策略。

60. Constitutional AI（宪法 AI）

定义：Anthropic 特有的对齐方法。让模型遵循一组"宪法原则"（如"选择最诚实、最少有害的回答"），通过自我批评和修订来改进输出，减少对人类标注的依赖。

61. Guardrails（护栏）

定义：限制 AI 系统行为的安全机制集合。包括输入过滤、输出审查、权限控制、操作确认等。

Claude Code 的护栏：修改前请求许可、Plan Mode、Hooks、内置分类器区分安全/风险操作。

62. Red Teaming（红队测试）

定义：模拟攻击者角度对 AI 系统进行压力测试，发现安全漏洞、偏见和失效模式。是 AI 安全评估的标准实践。

七、术语关系全景图

┌─────────────────────────────────────────────────────────────────────┐
│                          基础层                                      │
│  Transformer ←── LLM ←── Token ←── Prompt ←── Context/Context Window│
│     ↑              ↑         ↑            ↑                         │
│  Attention    Parameters  Temperature   System Prompt               │
│  Decoder-only  Pre-training  Top-p/Top-k  CoT                      │
│  Inference    Fine-tuning    Embedding   Memory                    │
└─────────────────────────────────────────────────────────────────────┘
                                   ↓
┌─────────────────────────────────────────────────────────────────────┐
│                          交互层                                      │
│  Chat ←── Conversation ←── Streaming ←── Agent ←── Multi-Agent     │
│                                              ↑                      │
│                                       Human-in-the-loop            │
└─────────────────────────────────────────────────────────────────────┘
                                   ↓
┌─────────────────────────────────────────────────────────────────────┐
│                        能力扩展层                                    │
│  RAG ←── WebSearch ←── Function/Tool Call ←── MCP ←── API/SDK      │
│                                          ↑                          │
│                                    JSON Mode / Structured Output    │
│                                    Rate Limit                       │
└─────────────────────────────────────────────────────────────────────┘
                                   ↓
┌─────────────────────────────────────────────────────────────────────┐
│                        工程实践层                                    │
│  CLI ←── IDE ←── Git/Repo ←── Diff ←── Commit/Branch ←── Lint     │
│  CI/CD ←── Docker ←── Environment Variable                         │
└─────────────────────────────────────────────────────────────────────┘
                                   ↓
┌─────────────────────────────────────────────────────────────────────┐
│                        Claude 生态层                                 │
│  Claude Opus/Sonnet/Haiku                                           │
│       ↓                                                             │
│  Claude Code ←── CLAUDE.md ←── Skills ←── Hooks                    │
│       ↓              ↓                    ↓                         │
│  Sub-agents ←── Plan Mode ←── Slash Commands ←── Checkpoint        │
│  Session ←── Artifacts ←── Computer Use                             │
│  OpenClaw（独立网关）                                                │
└─────────────────────────────────────────────────────────────────────┘
                                   ↓
┌─────────────────────────────────────────────────────────────────────┐
│                      安全与可靠性层                                  │
│  Hallucination ←── Prompt Injection ←── Guardrails                 │
│  Alignment ←── RLHF ←── Constitutional AI                          │
│  Red Teaming                                                        │
└─────────────────────────────────────────────────────────────────────┘

八、易混淆术语对比

Function Call vs Tool Call

结论：同一概念，命名演变。 OpenAI 早期用 functions 参数，后改为 tools。官方文档："Function calling (also known as tool calling)"。

RAG vs Memory

MCP vs Function Call

LangChain vs LangGraph

Claude Code vs OpenClaw

Context vs Context Window

Skills vs MCP

九、来源索引