AI领域的概念更新快、舶来词多，很多人用这些词，自己也说不清楚定义。这篇文章，就是要帮你把这些词一次性搞清楚。

你有没有这样的经历：

刷朋友圈时看到「用Agent自动化了整个工作流」，点头说懂了，但其实不太确定Agent是什么；参加一个AI创业沙龙，满屋子人在聊MVP验证、Skill调用，你礼貌地微笑，心里悄悄百度……

别担心，这不是你的问题。AI领域的概念更新快、舶来词多，很多人用这些词，自己也说不清楚定义。

这篇文章，就是要帮你把这些词一次性搞清楚——不是背定义，而是真正理解它们是什么、能干什么、彼此什么关系。读完之后，你不仅能听懂别人说什么，更能开口聊、上手用。

1. 什么是AI（人工智能）？

AI，全称 Artificial Intelligence，人工智能。

简单说：让机器表现出「类人智能」的技术总称。

包括：让机器看懂图像、听懂语音、读懂文字、做出决策……凡是原本需要人类智力才能完成的事，AI都在尝试接管。

AI不是一个单一技术，它是一个大家族，下面还有很多分支：

• 机器学习（Machine Learning）：让机器从数据中自动学习规律
• 深度学习（Deep Learning）：用多层神经网络模拟人脑思维
• 自然语言处理（NLP）：让机器理解和生成人类语言
• 计算机视觉（CV）：让机器看懂图片和视频

💡 一个比喻AI是一栋大楼，机器学习是里面的一层楼，深度学习是这层楼的一个房间，而GPT、Claude这类大语言模型，则是住在这个房间里的明星租客。

我们现在热议的AI，大多数时候指的是以大语言模型为代表的「生成式AI」——能聊天、能写作、能生成图片和代码的那种。

2. 什么是LLM（大语言模型）？

LLM = Large Language Model，大语言模型。

它是当前AI浪潮的核心引擎。你每天用的ChatGPT、Claude、文心一言，本质上都是LLM。

(1) LLM是怎么运作的？

LLM是用海量文本训练出来的。简单说，就是让模型读完了互联网上绝大多数的文字——书籍、新闻、代码、论文——然后学会了预测「下一个词应该是什么」。

训练结束后，模型就有了惊人的能力：回答问题、写代码、总结文档、翻译语言……但说到底，它做的事是「非常高级的文字接龙」。

(2) 几个关键概念

• Token（词元）：LLM处理文字的最小单位。不是字，不是词，大约1个中文汉字 ≈ 1-2个Token。
• Context Window（上下文窗口）：模型一次能「记住」的内容长度。越大越贵，也越聪明。
• Hallucination（幻觉）：模型自信地说了错误信息。这是LLM的天然局限，要注意甄别。

⚠️ 关于幻觉LLM不会「承认自己不知道」，它会选择编一个听起来合理的答案。这就是为什么验证很重要，尤其是在专业领域。

3. 什么是Prompt（提示词）？

Prompt，就是你给AI的指令或问题——是你和AI对话的输入内容。

听起来很简单？但Prompt的质量，直接决定AI输出的质量。

(1) Prompt Engineering（提示工程）

围绕如何写出高质量Prompt，已经发展出了一门学问，叫「提示工程」。

核心原则：

• 清晰具体：不要说「帮我写篇文章」，要说「帮我写一篇500字的科普文章，面向中学生，介绍黑洞」
• 赋予角色：「你是一位资深产品经理，请帮我……」
• 给出示例：「按照这个格式输出：……」
• 分步引导：「先分析，再给出结论」

(2) System Prompt（系统提示词）

这是藏在产品底层、用户看不到的Prompt。它决定了AI的角色设定、行为规则、回答风格。你用的每一个AI产品，背后都有一段精心设计的System Prompt在控制它的行为。

4. 什么是Agent（智能体）？

Agent，是当前AI领域最热的概念之一。

简单定义：一个能感知环境、自主决策、并采取行动以完成目标的AI系统。

如果说LLM是一个「大脑」，那Agent就是把这个大脑装进了一个能行动的身体里。

🤖 LLM vs Agent 的核心区别：

• LLM：你问一个问题，它给一个答案，就结束了。
• Agent：你给它一个目标，它会自己拆解任务、调用工具、循环执行，直到完成目标。

(1) Agent有哪些核心能力？

• 感知（Perception）：能读取文件、搜索网页、获取数据
• 推理（Reasoning）：能分析问题、制定计划、判断下一步
• 行动（Action）：能调用工具、写代码并执行、操作软件
• 记忆（Memory）：能记住上下文，甚至跨会话保留信息

(2) Multi-Agent（多智能体）

当一个任务太复杂，单个Agent搞不定时，就会出现Multi-Agent架构——多个专门的Agent分工协作，就像一支团队。

比如：一个Agent负责搜索信息，一个负责分析数据，一个负责写报告，最后一个负责审核质量。它们协作完成一个复杂任务。

5. 什么是工作流（Workflow）？

工作流，是将一系列任务按逻辑顺序连接起来的执行流程。

在AI语境里，工作流通常描述AI完成一项复杂任务的步骤设计。

(1) 为什么需要工作流？

因为现实中的任务很少是一步完成的。比如「分析一份竞品报告」：

• 搜索竞品官网和最新动态
• 提取关键信息（功能、价格、用户评价）
• 与自家产品进行对比分析
• 生成结构化报告
• 发送给指定人员

把这五步串起来，就是一个AI工作流。

(2) Workflow vs Agent 的关系

两者经常一起出现，但有所区别：

• 工作流更强调「流程的设计」，是静态的步骤规划
• Agent更强调「自主的执行」，是动态的决策过程

现代AI应用，往往是两者结合：用工作流定义大框架，在每个节点上跑一个Agent来完成具体工作。

6. 什么是Skill（技能）？

Skill，指的是AI能调用的具体能力模块，也常叫 Tool（工具）。

你可以把它理解为：Agent工具箱里的每一个工具。

(1) 常见的Skill类型

• 搜索技能：让AI能实时上网搜索信息
• 代码执行：让AI能写代码并运行，处理数据
• 文件读取：让AI能读取PDF、Excel、Word等文档
• API调用：让AI能与外部系统对接，如日历、邮件、CRM
• 图像生成：让AI能生成图片
• 数据库查询：让AI能从数据库中检索信息

🔧 一个类比如果Agent是一位全能助理，那Skill就是他的技能列表。没有「联网搜索」这个Skill，他就只能从记忆里说话；有了「发邮件」这个Skill，他才能真的帮你发出去。

(2) Function Calling 和 MCP

这是两个和Skill密切相关的技术词：

• Function Calling：OpenAI提出的标准，让LLM能准确地调用外部函数/API
• MCP（Model Context Protocol）：Anthropic主导推出的开放协议，让模型能以标准方式连接各种外部工具和数据源，是未来Agent生态的重要基础

7. 什么是RAG（检索增强生成）？

RAG = Retrieval-Augmented Generation，检索增强生成。

解决的问题：LLM的知识是有截止日期的，它不知道你公司的内部文件，也不知道昨天的新闻。

RAG的思路：在AI回答问题之前，先去外部知识库里搜索相关内容，再把搜到的内容塞给AI，让它基于这些内容来回答。

📚 RAG工作流程用户提问 → 系统去知识库搜索相关片段 → 将片段和问题一起交给LLM → LLM基于这些资料生成回答

RAG是企业落地AI最常用的方案之一，尤其适合：客服机器人（基于产品手册回答）、企业知识库问答、内部文件检索等场景。

相关技术词：

• Embedding（向量化）：将文字转为数字向量
• Vector DB（向量数据库）：存储和检索这些向量的专用数据库

8. 什么是Fine-tuning（微调）？

Fine-tuning，是在一个已有的大模型基础上，用特定领域的数据进行再训练，让模型在这个领域表现更好。

通俗比喻：通用大模型就像一个「全科医生」，经过Fine-tuning，可以变成专业的「心脏科专家」。

(1) Fine-tuning vs RAG，该怎么选？

• RAG：适合需要实时更新、内容经常变化的场景（如产品文档、新闻资讯）。成本低、实现快。
• Fine-tuning：适合需要模型学习特定风格、语气、或高度专业知识的场景（如特定行业的专业术语）。成本高、效果稳。
• 两者结合：先Fine-tuning训练专业知识，再用RAG补充实时信息——这是很多企业级AI产品的做法。

9. 什么是MVP（最小可行产品）？

MVP = Minimum Viable Product，最小可行产品。

这是一个来自创业领域的经典概念，在AI产品开发中被广泛使用。

核心思想：不要追求完美，用最少的功能、最快的速度，验证你的核心假设是否成立。

🎯 MVP不是「不完整的产品」MVP是「最精准验证核心价值的产品」。它的目标不是上线所有功能，而是以最小成本找到答案：用户真的需要这个吗？

(1) 为什么AI产品特别需要MVP思维？

• AI功能开发成本高、周期长，错误方向代价很大
• 用户对AI能力的预期模糊，必须用真实反馈校准
• AI能力边界不清晰，需要在实际场景中迭代发现问题

(2) MVP的三个步骤

• 定义核心假设：「如果做了X功能，用户会产生Y行为」
• 最快速度验证：砍掉一切不必要的功能，上线核心功能
• 收集真实反馈：不是问卷，而是真实使用数据和用户行为

10. 这些概念的关系是什么？

读完前面这些，你可能会好奇：这些概念怎么连在一起？我用一个场景串联起来：

🏢 场景：一家公司要用AI自动处理客户投诉

• AI(技术底座)：整个系统建立在AI能力之上
• LLM(大脑)：选用一个大语言模型作为核心引擎
• Prompt(指令)：为客服场景精心设计系统提示词
• RAG(知识库)：接入公司产品手册，让AI能准确回答
• Skill(工具箱)：赋予AI查订单、发邮件、记录CRM的能力
• Agent(执行者)：整合以上能力，能自主完成投诉处理全流程
• Workflow(流程设计)：设计「收到投诉→分类→查单→回复→记录」的步骤
• MVP(验证方式)：先在一个城市试运行，收集数据再迭代

这些概念不是孤立的，而是像乐高积木一样，一层一层搭建出来的。

11. AI当前有哪些主要发展方向？

(1) AI Native 产品

不是给传统产品「加个AI功能」，而是从一开始就以AI为核心来设计产品。代表：Cursor（AI代码编辑器）、Notion AI、Perplexity（AI搜索引擎）。

(2) Autonomous AI（自主AI）

AI能在几乎不需要人工干预的情况下，独立完成长周期、复杂任务。这是Agent发展的终极形态，也是当前最热的研究和创业方向。

(3) Multimodal（多模态）

AI不再只懂文字，而是能同时处理图片、视频、语音、代码……GPT-4V、Gemini、Claude都是典型的多模态模型。

(4) AI Ops & 企业落地

用AI优化企业内部运营：自动化流程、智能客服、数据分析助手……这是当前AI商业化最成熟的路径。

(5) AI Alignment（对齐）与 Guardrails（护栏）

随着AI越来越强大，如何确保它按人类意图行事（对齐），如何防止它输出有害内容（护栏），成为越来越重要的研究方向。

(6) AGI（通用人工智能）

AI的终极目标——一个能像人类一样完成任何智力任务的AI。我们还没到那一步，但OpenAI、Anthropic、DeepMind都在朝这个方向努力。

12. 总结：一张概念速查表

名词	英文	一句话记住它
人工智能	AI	让机器模拟人类智能的技术总称
大语言模型	LLM	能理解和生成文字的AI核心引擎，如GPT、Claude
提示词	Prompt	你给AI的指令，质量直接影响输出效果
智能体	Agent	能自主感知、决策、行动以完成目标的AI系统
多智能体	Multi-Agent	多个Agent分工协作完成复杂任务
工作流	Workflow	将多步骤任务串联起来的执行流程设计
技能/工具	Skill / Tool	Agent能调用的具体能力模块
检索增强生成	RAG	先搜索知识库再回答，让AI能用最新信息
微调	Fine-tuning	在通用大模型上用专领域数据再训练
最小可行产品	MVP	用最少功能最快速度验证核心假设的产品
提示工程	Prompt Engineering	优化Prompt以获得更好AI输出的方法论
幻觉	Hallucination	AI自信地说了错误信息，是LLM的天然局限

13. 附录：AI领域常见专业名词速查

按方向分类整理，可作为日常参考词典。

(1) 基础概念层

名词	英文	简说
人工智能	AI	机器模拟人类智能的技术大家族
机器学习	Machine Learning	让机器从数据中自动学习规律
深度学习	Deep Learning	基于多层神经网络的机器学习方法
大语言模型	LLM	如GPT、Claude，能理解和生成文字的大模型
神经网络	Neural Network	模仿人脑神经元结构的计算模型
参数	Parameter	模型的「知识容量」，如「千亿参数」
词元	Token	模型处理文本的最小单位
训练	Training	用大量数据让模型学习的过程
推理	Inference	模型实际运行、生成输出的过程

(2) Agent与应用层

名词	英文	简说
智能体	Agent	能自主感知、决策、行动的AI系统
多智能体	Multi-Agent	多个Agent协作完成任务的架构
工作流	Workflow	任务的多步骤执行流程设计
技能/工具	Skill / Tool	Agent能调用的具体能力模块
提示词	Prompt	给AI的指令或输入
提示工程	Prompt Engineering	优化Prompt以获得更好结果的方法
检索增强生成	RAG	让AI结合外部知识库来回答问题
微调	Fine-tuning	在基础模型上针对特定场景再训练
函数调用	Function Calling	让LLM能准确调用外部函数/API的标准
模型上下文协议	MCP	模型调用外部工具的开放标准协议

(3) 产品与开发层

名词	英文	简说
最小可行产品	MVP	用最少功能验证核心价值的产品版本
接口	API	让不同系统互相调用能力的标准接口
管道	Pipeline	数据或任务的多步骤处理流水线
向量化	Embedding	将文字转化为数字向量以供模型处理
向量数据库	Vector DB	专门存储和检索Embedding的数据库
上下文窗口	Context Window	模型每次能「记住」的最大内容长度
系统提示词	System Prompt	给AI设定角色和规则的底层隐藏指令
幻觉	Hallucination	AI自信地生成了看似合理但实际错误的内容

(4) 行业趋势层

名词	英文	简说
基础模型	Foundation Model	大规模预训练的通用AI模型，如GPT-4、deepseek
多模态	Multimodal	同时处理文字、图片、语音等多种形式
AI原生	AI Native	以AI为核心构建的产品或公司
副驾驶	Copilot	辅助人类工作的AI助手产品形态
自主AI	Autonomous AI	无需人类干预、独立完成任务的AI
通用人工智能	AGI	能像人一样完成所有任务的AI（未来目标）
AI对齐	AI Alignment	让AI行为符合人类价值观的研究方向
护栏	Guardrails	防止AI输出有害内容的限制机制

(5) 商业与落地层

名词	英文	简说
用例	Use Case	AI在具体场景中的应用案例
投入产出比	ROI	衡量AI项目商业价值的核心指标
人机协作	Human-in-the-loop	保留人工审核环节的AI执行流程
自动化	Automation	AI替代重复性人工操作
AI运营	AI Ops	用AI工具优化企业内部运营的实践
无代码/低代码	No-code / Low-code	无需编程即可搭建AI应用的工具平台