AI 领域的新词来得很快：今天是大模型，明天是 Agent，过几天又会冒出 MCP、A2A、RAG、Embedding、Knowledge Graph。真正开始使用 AI 工具以后，还会遇到上下文窗口、模型参数、推理、GEO、边缘 AI、Vibe Coding、Harness Engineering、API Key、中转站、AI 网关、模型路由、VPN 这些和模型能力、内容可见性、接入、网络、安全有关的词。2026 年又冒出一批新的：Loop Engineering、上下文工程、上下文压缩、Evals、Agent Skills、子智能体、MoE、推理时计算、世界模型、护栏、提示词注入，以及智能体记忆、GraphRAG、具身智能、合成数据、规格驱动开发、AGENTS.md、影子 AI、小语言模型、语音智能体和 AI 可观测性。很多文章默认读者已经懂了一半，结果越看越像在背缩写。
这个专题想做一件更朴素的事：把这些词放回真实使用场景里讲清楚。默认读者不需要会写代码，也不需要懂服务器、算法或数学公式。只要你用过搜索、聊天软件、网购、在线文档，就能跟上。
每篇文章都会尽量回答三个问题：它到底像生活里的什么东西，为什么大家反复提起它，学到什么程度就够用了。文章会尽量写成能直接读下去的解释，而不是术语表。
从哪里开始读
如果你只是想先建立一张地图，可以从 AI / 人工智能、ML / 机器学习、DL / 深度学习 和 LLM / 大语言模型 开始。这几篇会帮你分清“AI 是大概念，机器学习是一类方法，大语言模型只是今天最显眼的一种模型”。接着读 GenAI / 生成式 AI、ChatGPT Images / 图像功能 和 Multimodal AI / 多模态 AI，就能理解为什么今天的 AI 不只是分类和预测，还能写文字、生成图片、理解多种内容。
如果你已经在用 ChatGPT、Claude 或其他 AI 工具，建议先读 Prompt / 提示词、Token / 令牌、Context Window / 上下文窗口、Inference / 推理 和 Hallucination / 幻觉。它们会解释你每天使用 AI 时最常遇到的现象：为什么同一句话换个问法结果不同，为什么长对话会忘事，为什么模型会一本正经地说错。
如果你想让 AI 基于自己的资料回答，或者把 AI 放进工作流程里，可以继续读 Embedding / 向量嵌入、Vector Database / 向量数据库、Knowledge Graph / 知识图谱、RAG / 检索增强生成、GEO / 生成式引擎优化、Agent / 智能体、Tool Calling / 工具调用、AI Workflow / AI 工作流、Harness Engineering / 驾驭工程、MCP / 模型上下文协议 和 A2A / Agent2Agent。这一路读下来，你会看到 AI 怎样从“聊天窗口”变成“能查资料、会调用工具、能和其他助手协作的办事系统”。
如果你关心 AI 服务怎么接入、怎么收费、怎么部署和怎么保护访问安全，再读 API / 应用程序接口、API Key / 密钥、API Relay / API 中转站、AI Gateway / AI 网关、Model Routing / 模型路由、VPN / 虚拟专用网络、Local Model / 本地模型 和 Edge AI / 边缘 AI。这些词更像水电煤和门禁系统，不一定每天被看见，但决定了 AI 能不能稳定、安全、低成本地用起来。
如果你已经在把 AI 放进真实项目里，那么下一层是工程实践：Context Engineering / 上下文工程 讲有限窗口里该放什么，Context Compaction / 上下文压缩 讲长会话撑满时怎么办，Subagent / 子智能体 讲把冗长过程隔离出去，Agent Skills / 智能体技能 讲怎么把流程知识固定下来，Evals / AI 评估 讲怎么判断改动是变好还是变坏，Loop Engineering / 循环工程 则把这些串成一套能自己跑的循环。
只要 AI 会碰到外部内容或触发真实动作，就该顺带读 Prompt Injection / 提示词注入 和 Guardrails / 护栏，它们解释了为什么写在提示词里的规则不算约束。想理解模型本身为什么变强变便宜，可以读 MoE / 混合专家 和 Test-time Compute / 推理时计算；对机器人和具身方向感兴趣，再读 World Model / 世界模型。
如果你想知道这些模型内部到底是怎么运转的，可以读 Transformer 架构 和 Attention / 注意力机制——它们解释了上下文窗口为什么有上限、长文本为什么更贵；再读 Chain of Thought / 思维链 理解「思考中…」到底在做什么，读 Diffusion Model / 扩散模型 和 AI Video Generation / AI 视频生成 理解图像和视频那一侧，读 Scaling Law / 缩放定律 和 AGI / 通用人工智能 理解「继续变强」这件事的依据和争议。对机器人方向感兴趣，可以接着读 Embodied AI / 具身智能。
如果你已经在把 AI 接进团队日常，还有几篇偏落地：Agent Memory / 智能体记忆 讲怎么跨会话记住该记的，GraphRAG / 图谱增强检索 讲需要跨文档串联时怎么办，AGENTS.md / 智能体说明文件 和 Spec-Driven Development / 规格驱动开发 讲怎么把项目规矩固定下来，AI Observability / AI 可观测性 讲出问题时怎么查，Shadow AI / 影子 AI 讲员工绕过审批用 AI 时该怎么治理。成本这一侧则可以看 Quantization / 模型量化、SLM / 小语言模型、Open Weights / 开放权重 和 LoRA / 低秩适配。
最后，如果你想理解模型怎样被改造得更适合某个任务，可以读 Model Parameters / 模型参数、Fine-tuning / 微调、Reinforcement Learning / 强化学习、Distillation / 蒸馏 和 Synthetic Data / 合成数据。如果你对“用 AI 写代码”感兴趣，可以把 Vibe Coding / 氛围编程 和 Harness Engineering / 驾驭工程 放在最后读，它们会把前面的提示词、工具调用、上下文和工作流重新连到一个真实使用场景里。
专题路线图
AI 小故事：把术语串起来
故事一：先开一家会学习的小店
可以先把 AI 世界想成一家正在升级的“智能内容小店”。AI / 人工智能 是店主的总目标：希望机器也能做一些原本需要人判断的事，比如识别顾客想要什么、推荐商品、写文案、看图片、整理资料。ML / 机器学习 像让店员从过去的订单里总结经验，而不是只按死规则办事；DL / 深度学习 则像给店员配了一套更复杂的大脑，让它能从大量图片、语音和文字里学到更细的模式。
后来店里请来了一位特别会读写和对话的总助理，这就是 LLM / 大语言模型。它不只是查字典，而是能根据前后文组织语言、解释问题、起草内容。Model Parameters / 模型参数 可以理解成这位助理长期训练后留下的“经验痕迹”，决定了它大致会怎样理解和表达。
故事二：总助理开始写文案、做图片
当这位总助理不只是分析信息，而是开始写文章、做摘要、生成图片时，就进入了 GenAI / 生成式 AI 的范围。ChatGPT Images / 图像功能 像店里的设计助手，你用自然语言描述海报、配图或修改要求，它就尝试生成视觉内容。
你给 AI 的交代，就是 Prompt / 提示词。它像对店员说：“这张海报要温暖一点，面向新手，标题别太硬。”不过这位助理一次能放在脑子里的信息有限，这就是 Context Window / 上下文窗口。而文字在它眼里也不是整篇整篇处理的，而会被切成 Token / 令牌 这样的小片段。
故事三：给助理接上资料仓库
只靠总助理自己的记忆，小店很容易出错。它可能把库存、价格、政策记混，甚至出现 Hallucination / 幻觉：说得很顺，但事实不对。于是店里给它接上资料库，这就是 RAG / 检索增强生成：先去货架和档案柜里找资料，再基于资料回答。
为了让机器知道哪些资料“意思相近”，会用 Embedding / 向量嵌入 把文字变成可比较的数字；这些向量通常会放进 Vector Database / 向量数据库，像一个按含义摆放的资料仓库。如果还想让助理知道“谁和谁是什么关系”，就会用到 Knowledge Graph / 知识图谱，把人、产品、概念、流程之间的连接整理成一张关系网。GEO / 生成式引擎优化 则像重新整理店里的说明牌和商品介绍，让 AI 助理更容易看懂、引用和推荐你的内容。
故事四：让助理从“回答”变成“办事”
当 AI 不只是回答，而是开始替你拆任务、查资料、调用工具、看结果并决定下一步时，它就更像 Agent / 智能体。Tool Calling / 工具调用 像它知道什么时候该拿计算器、查库存系统、发邮件或生成表格；AI Workflow / AI 工作流 则是把“接单、查资料、写草稿、审核、发布”串成固定流程。Harness Engineering / 驾驭工程 进一步关心这位 AI 助手的工作环境：上下文、工具、权限、测试、日志和人工确认怎样设计，才能让它不只是能做事，而且做得可控。
如果店里有好几个 AI 助理，分别负责客服、文案、数据分析和技术支持，它们之间需要一种协作语言，这就是 A2A / Agent2Agent。而 MCP / 模型上下文协议 更像统一插座标准，让不同 AI 助理更容易接入工具、文件和数据库。
故事五：把小店接入真实世界
小店要真正经营起来，还离不开接入和安全。API / 应用程序接口 像软件之间的服务窗口，外部系统通过它来下单和取结果；API Key / 密钥 像通行证，用来证明“谁在调用服务”。如果你不直接去每一家模型供应商那里排队，而是通过一个统一柜台转交请求，那就是 API Relay / API 中转站。
当请求变多以后，AI Gateway / AI 网关 会像前台总管，统一管理权限、日志、成本、限流和安全；Model Routing / 模型路由 则像根据问题类型分配不同店员：简单问题给便宜快速的模型，复杂任务交给能力更强的模型。VPN / 虚拟专用网络 像给远程员工修了一条加密通道，让他们更安全地访问内部系统。
故事六：让助理更便宜、更顺手、更靠近现场
最后，还有一些词是在讲“模型怎么变得更适合现实使用”。Fine-tuning / 微调 像让总助理专门学习你店里的话术、格式和业务习惯；Reinforcement Learning / 强化学习 像它做完事后收到反馈，慢慢学会什么做法更合适；Distillation / 蒸馏 像把资深员工的经验整理成一套更轻便的培训手册，让小模型也能学到一部分能力。
Inference / 推理 是训练完成后，模型真正上岗回答问题、生成图片或执行任务的过程。如果你把模型跑在自己电脑上，就是 Local Model / 本地模型；如果模型运行在手机、摄像头、汽车或工厂设备附近，就是 Edge AI / 边缘 AI。当 AI 同时理解文字、图片、语音和视频时，它就是 Multimodal AI / 多模态 AI。而 Vibe Coding / 氛围编程，可以想成你不再亲手拧每一颗螺丝，而是告诉 AI “我想要一个什么样的软件”，再一边试用一边让它修改。
这几个故事连起来看，这些术语就不再是孤立的缩写。它们其实在讲同一件事：我们怎样训练一个会理解和生成内容的助手，怎样给它资料和工具，怎样让它接入真实系统，怎样控制成本、安全和错误，最后怎样把它放进日常工作里。
全部文章
基础概念
- AI / 人工智能：所有概念的起点。
- ML / 机器学习：模型如何从数据中学习。
- DL / 深度学习：为什么神经网络改变了图像、语音和语言处理。
- LLM / 大语言模型：ChatGPT 这类产品背后的核心能力。
- GenAI / 生成式 AI：从”分析信息”到”创造内容”。
- ChatGPT Images / 图像功能：用自然语言生成和编辑图片。
- Prompt / 提示词：和模型沟通的基本功。
- Token / 令牌：AI 阅读文字时切出来的小片段。
- Context Window / 上下文窗口：模型一次能参考多少信息。
- Model Parameters / 模型参数：模型训练后学到的内部数值。
- Inference / 推理：训练好的模型实际生成结果的过程。
- Multimodal AI / 多模态 AI：同时理解文字、图片、声音和视频。
- Reasoning Model / 推理模型：o1、o3、DeepSeek R1 这类会”慢慢想”的模型。
- Agentic AI / 代理式 AI：从产出内容到产生动作的那条分界线。
- MoE / 混合专家：模型很大，但每次只用其中一小块。
- Test-time Compute / 推理时计算：在提问那一刻多花算力换准确率。
- World Model / 世界模型：预测环境随动作如何变化的模拟器。
- Prompt Caching / 提示词缓存：重复使用相同前缀，大幅降低 API 调用成本。
- AI Search / AI 搜索：Perplexity、SearchGPT 这类边搜索边生成答案的产品。
- Transformer 架构：今天几乎所有大模型共用的底层骨架。
- Attention / 注意力机制：模型每一步决定「该看哪里」的那个零件。
- Diffusion Model / 扩散模型：从一团噪点里逐步去噪，生成图像和视频。
- Chain of Thought / 思维链：让模型先写草稿再给答案。
- Scaling Law / 缩放定律：参数、数据和算力增加时，效果沿可预测的曲线变好。
- AGI / 通用人工智能：定义至今没统一，所以「何时到来」多是定义之争。
- Embodied AI / 具身智能：有身体、会动手、能从后果里学的 AI。
- AI Video Generation / AI 视频生成：在时间和空间上同时去噪，生成连贯影像。
知识与检索
- RAG / 检索增强生成：让模型基于外部资料回答。
- Embedding / 向量嵌入：把”意思相近”变成机器能比较的数字。
- Vector Database / 向量数据库：按”意思相近”来存储和搜索资料。
- Knowledge Graph / 知识图谱：用实体和关系组织知识。
- GEO / 生成式引擎优化：让内容更容易被 AI 答案理解和引用。
- GraphRAG / 图谱增强检索：沿着实体关系检索，回答需要跨文档串联的问题。
智能体与协议
- Agent / 智能体：从聊天到执行任务。
- MCP / 模型上下文协议：让 AI 找得到工具和资料的”插座标准”。
- A2A / Agent2Agent：让多个 AI 助手互相配合的”沟通规则”。
- Tool Calling / 工具调用：让模型请求外部工具帮它办事。
- Computer Use / 计算机使用：AI 直接操控鼠标键盘、点击网页和应用界面。
- Subagent / 子智能体：派出去查一件事的分身，只把结论带回来。
- Agent Skills / 智能体技能：用 SKILL.md 把流程知识打包给 AI。
- Agent Memory / 智能体记忆：在窗口之外持久保存并按需取回信息。
- Voice Agent / 语音智能体：能听、能说、还能实际办事的实时语音 AI。
工程实践
- Harness Engineering / 驾驭工程：给 AI Agent 设计可控、可验证的工作环境。
- Loop Engineering / 循环工程：从提示 Agent 变成设计会自己跑的循环。
- Context Engineering / 上下文工程：在有限窗口里决定每一轮放什么。
- Context Compaction / 上下文压缩：长会话撑满时用摘要换掉历史。
- Evals / AI 评估：把”感觉变差了”变成可对比的分数。
- AI Workflow / AI 工作流：把多个 AI 步骤串成自动化流程。
- Vibe Coding / 氛围编程：用自然语言指挥 AI 快速生成和修改代码。
- Spec-Driven Development / 规格驱动开发：把版本化规格当唯一事实来源。
- AGENTS.md / 智能体说明文件：写给编程 Agent 看的项目说明。
- AI Observability / AI 可观测性：把模型调用和智能体决策记成可查询的链路。
接入与部署
- API / 应用程序接口：软件之间传话的”服务窗口”。
- API Relay / API 中转站：把多个模型服务统一接入的”转接柜台”。
- API Key / 密钥：调用 AI 服务时常见的”通行证”。
- Model Routing / 模型路由：根据任务把请求分配给合适模型。
- AI Gateway / AI 网关：统一管理模型访问、权限、成本和安全的入口。
- Local Model / 本地模型：把模型跑在自己电脑上。
- VPN / 虚拟专用网络：理解网络访问、安全隧道和远程连接。
- Edge AI / 边缘 AI：让模型在靠近数据的设备上运行。
- Quantization / 模型量化：用一点精度换显存和速度。
- SLM / 小语言模型：能在消费级设备上跑的专用模型。
- Open Weights / 开放权重：可下载自部署的模型，和「开源」并不等价。
训练与优化
- Fine-tuning / 微调：让模型更习惯某种说话方式或任务格式。
- Reinforcement Learning / 强化学习：通过行动反馈学习策略。
- Distillation / 蒸馏：把大模型能力提炼给小模型。
- LoRA / 低秩适配：冻结原模型，只训练一小组旁挂参数。
- Synthetic Data / 合成数据：真实数据不够时造出来的训练材料。
安全与治理
- Alignment / AI 对齐：如何让 AI 的行为符合人类的意图和价值观。
- Hallucination / 幻觉：为什么模型会一本正经地说错。
- Prompt Injection / 提示词注入：把命令伪装成内容的头号风险。
- Guardrails / 护栏：跑在模型之外的校验层，写在提示词里的不算。
- Shadow AI / 影子 AI：员工绕过审批用 AI 处理公司数据，封禁很少奏效。