AI 黑話詞典（2026 年 3 月版）
隨著 AI 技術的普及，幣圈人若不關注 AI 領域，很容易遭到群嘲。本文整理了 AI 行業的高頻基礎詞彙，建議熟讀並收藏。
基礎詞彙（12 個）
- LLM（大語言模型）：核心是用海量數據訓練出來、擅長理解和生成語言的深度學習模型，能處理文本，現在也越來越能處理其他類型內容。
- SLM（小語言模型）：通常強調成本更低、部署更輕、本地化更方便的語言模型。
- AI Agent（AI 智能體）：指的不只是「會聊天的模型」，而是能理解目標、調用工具、分步執行任務、必要時還能做規劃和驗證的系統。
- Multimodal（多模態）：其 AI 模型不是隻讀文字，而是能同時處理文本、圖片、音頻、視頻等多種輸入輸出形式。
- Prompt（提示詞）：用戶給模型輸入的指令，是最基礎的人機交互方式。
- Generative AI（生成式 AI / AIGC）：強調 AI「生成」而不是單純分類或預測，生成式模型可以根據 prompt 生成文本、代碼、圖像、表情包、視頻等內容。
- Token（令牌）：這是 AI 圈最像「Gas 單位」的概念之一。模型不是按「字數」理解內容，而是按 token 處理輸入輸出，計費、上下文長度、響應速度，通常都和 token 強相關。
- Context Window（上下文窗口 / 上下文長度）：指模型一次性能「看到」和利用的 token 總量，也可稱為模型在單次處理時能考慮或「記住」的 token 數量。
- Memory（記憶）：讓模型或 Agent 保留用戶偏好、任務上下文、歷史狀態。
- Training（訓練）：模型從數據中學習參數的過程。
- Inference（推理執行）：和訓練相對，指模型上線後接收輸入並生成輸出的過程。行業裡常說「訓練很貴，推理更費錢」，因為真實商業化階段很多成本發生在 inference。
- Tool Use / Tool Calling（工具調用）：意思是模型不只輸出文字，而是可以去調用搜索、代碼執行、數據庫、外部 API 等工具，這已經被當成 Agent 的關鍵能力之一。
- API（接口）：AI 產品、應用、Agent 接第三方服務時的基礎設施。
進階詞彙（18 個）
- Transformer（變換器架構）：一種讓 AI 更擅長理解上下文關係的模型架構，也是今天大多數大語言模型的技術 底座，最大的特點是能同時看整段內容裡每個詞和其他詞的關係。
- Attention（注意力機制）：它是 Transformer 最關鍵的核心機制，作用就是讓模型在讀一句話時，自動判斷「哪些詞最值得重點看」。
- Agentic / Agentic Workflow（智能體式 / Agent 化工作流）：這是最近很熱的說法，意思是一個系統不再只是「一問一答」，而是帶有一定自主性地拆解任務、決定下一步、調用外部能力。很多廠商把它當成「從 Chatbot 走向可執行系統」的標誌。
- Subagents（子智能體）：一個 Agent 再拆出多個專職小 Agent 去處理子任務。
- Skills（可複用能力模組）：隨著 OpenClaw 爆火，這個詞近明顯變得常見，這是給 AI Agent 的可安裝、可複用、可組合的能力單元/操作說明書，但也特別提醒有工具濫用和數據暴露風險。
- Hallucination（機器幻覺）：意為模型一本正經地胡說八道，「感知到並不存在的模式」從而生成錯誤或荒謬輸出，這是模型看似合理、實則錯誤的過度自信輸出。
- Latency（延遲）：模型從收到請求到輸出結果所花的時間，屬於最常見的工程黑話之一，一聊落地和產品化就會頻繁出現。
- Guardrails（護欄）：用於限制模型/Agent 能做什麼、什麼時候停、什麼內容不能輸出。
- Vibe Coding（氛圍編程）：這個詞也是如今最火爆的 AI 黑話，意為用戶直接靠對話表達需求，AI 來寫代碼，而用戶不需要具體懂如何寫代碼。
- Parameters（參數）：模型內部用於存儲能力和知識的數字規模，常被用來粗暴衡量模型體量，「億級參數」「千億參數」都是 AI 圈最常見的唬人說法。
- Reasoning Model（強推理模型）：它通常指更擅長多步推理、規劃、驗證、複雜任務執行的模型。
- MCP（模型上下文協議）：這是近一年非常熱的新黑話，作用類似給模型和外部工具/數據源之間建立通用接口。
- Fine-tuning / Tuning（微調）：是在基礎模型上繼續訓練，讓它更適應特定任務、風格或領域。
- Distillation（蒸餾）：把大模型的能力盡量壓縮給小模型，像是讓「老師」教會「學生」。
- RAG（檢索增強生成）：這幾乎已經成了企業 AI 的基礎配置。微軟把它定義為「搜索 + LLM」的模式，用外部數據來給回答做 grounding，解決模型訓練數據過時、不瞭解私有知識庫的問題。目的是把回答建立在真實文檔和私有知識上，而不是隻靠模型自己回憶。
- Grounding（事實對齊）：常和 RAG 一起出現，意思是讓模型回答建立在文檔、數據庫、網頁等外部依據上，而不是隻靠參數記憶「自由發揮」。
- Embedding（向量嵌入 / 語義向量）：就是把文字、圖片、音頻等內容編碼成高維數字向量，以便做語義相似度計算。
- Benchmark（基準測試）：用一套統一標準去測試模型能力的評測方式，也是各家模型最愛拿來「證明自己很強」的排行榜語言。