这两年，AI 相关的概念越来越密集。很多人都有一种感觉：好像都听过、也大概懂一点，但真要连起来讲，却又说不清楚。
你可能经常看到这些词：
ModelPromptSystem PromptTokenContextAgentSkillWorkflowToolMCPRAGMemoryFunction CallingFine-tuningEvalGuardrailsPrompt InjectionVibe Coding
问题在于，这些词有的属于模型层，有的属于产品层，有的属于工程层，有的其实是行业流行语。如果不把它们放回各自的位置，很容易越学越乱。
很多人学 AI 学得吃力，不是因为概念太难，而是因为这些词来自不同层面：有的是模型原理，有的是产品设计，有的是工程实现，还有一些只是这两年流行起来的行业说法。把它们放回各自的位置，理解就会清晰很多。
一、先建立一张总地图
你可以把一个 AI 系统想成一个“数字员工体系”。
Model：大脑，负责理解和生成Prompt：任务要求，告诉它该做什么System Prompt：更上层的总规则Token：模型处理信息的计量单位Context：它当前能看到的资料Tool：它能调用的外部能力Function Calling：让模型按结构化方式调用工具Workflow：一套预设流程Agent：会围绕目标持续行动的执行体Skill：某类任务上的专项能力包MCP：把外部工具和资源标准化接给模型的连接协议RAG：先检索资料再回答Memory：长期保留偏好和历史Eval：评估结果到底好不好Guardrails：对风险和边界做约束
如果类比成一家公司：
- Model 是员工的大脑
- Prompt 是老板下的单次任务
- System Prompt 是公司制度
- Token 是沟通和处理信息的成本
- Context 是员工此刻拿到的材料
- Tool 是电脑、数据库、浏览器、表格
- Function Calling 是“按标准表单调用工具”
- Workflow 是 SOP
- Agent 是能主动推进事情的人
- Skill 是这个人擅长的工种
- MCP 是标准化接口，让不同工具都能接进来
- RAG 是先查资料再作答
- Memory 是历史记忆和偏好
- Eval 是绩效考核
- Guardrails 是合规与风控规则
先把这张总图放在脑子里，后面的概念就更容易串起来。
二、先看这 10 个核心概念
先看最常见、最核心的 10 个词。
1. Model
AI 的大脑，负责理解和生成内容。
2. Prompt
你给 AI 的任务描述。
3. Token
AI 处理信息的计量单位，也常常决定成本。
4. Context
AI 当前这一轮能看到的资料。
5. Tool
AI 调用外部世界的能力，比如搜索、读文件、执行代码。
6. Agent
不只是回答问题，而是会围绕目标持续行动的 AI 执行体。
7. Workflow
一套固定的步骤流程。
8. Skill
某类任务上的专项能力包。
9. RAG
回答前先查资料，而不是只靠模型“脑补”。
10. MCP
把外部工具和资源标准化接给模型的协议层。
这 10 个词，基本构成了绝大多数 AI 产品的主干框架。
三、基础层概念：AI 到底靠什么运行
1. 什么是 Model
Model 中文通常叫模型，是 AI 最底层的核心能力。
它本质上是一个经过训练的概率系统，会根据你输入的内容，预测下一段最合理的文字、代码、语音或图像结果。
你可以把它理解成 AI 的“基础智力引擎”。
常见能力包括：
- 文本理解
- 文本生成
- 代码生成
- 图片理解
- 语音理解
- 推理与总结
但要注意： 模型不等于产品。
例如：
- ChatGPT、Claude、Copilot 是产品
- GPT、Claude 系列、Gemini 是模型
一句话理解：
Model 是底层大脑，不是完整产品。
2. 什么是 Prompt
Prompt 就是你给 AI 的任务描述。
最简单的 Prompt 可能是：
“帮我写一篇关于时间管理的文章。”
更完整的 Prompt 往往会包含：
- 目标
- 角色
- 输出格式
- 风格语气
- 限制条件
- 示例
例如：
“你是一位面向职场人的内容编辑，请用通俗中文写一篇 1200 字文章，主题是时间管理，要有标题、小节和行动建议，不要空话。”
为什么 Prompt 很重要？ 因为模型再强，如果任务描述模糊，结果也会跑偏。
一句话理解：
Prompt 决定 AI 这一轮该往哪个方向发力。
3. 什么是 System Prompt
System Prompt 可以理解为系统级提示词，也就是比普通 Prompt 更上层的规则。
普通用户 Prompt 更像是“这次任务做什么”。 System Prompt 更像是“你长期应该按什么原则做事”。
如果放到实际工具里理解，会更直观一些。
例如在很多 AI 编码工具中，这类上层规则不一定直接以“System Prompt”四个字出现，而是以规则文件的形式存在：
- 在
Codex里，对应物是AGENTS.md - 在
Claude Code里，对应物是CLAUDE.md
这些文件本质上都在做同一件事：提前告诉 AI 这套环境里的长期规则是什么，比如用什么语言输出、修改文件前要不要先读取、哪些目录有特殊约束、哪些行为不能做。
它常常会规定：
- 角色身份
- 安全边界
- 输出风格
- 禁止事项
- 工具使用规则
比如：
- 必须优先说中文
- 不能编造来源
- 涉及最新信息要先查资料
- 修改文件前必须先读取文件
一句话理解：
System Prompt 是 AI 的长期工作守则。
4. 什么是 Token
Token 是理解 AI 成本、速度、容量时最关键的词之一。
它不是一个完整汉字，也不一定等于一个单词，而是模型处理文本时切分出来的最小单位。
你可以粗略理解为：
- 读输入，要消耗 Token
- 生成输出，也要消耗 Token
- Token 越多，通常成本越高、速度越慢
所以很多 AI 产品都会讲：
input tokenoutput tokentoken costcontext window
一句话理解：
Token 是 AI 的信息计量单位，也是成本单位。
5. 什么是 Context
Context 是上下文，也就是 AI 当前这一次能看到的所有信息。
它可能包括：
- 你的当前问题
- 前几轮对话
- 你上传的文件
- 系统规则
- 知识库检索结果
- 当前任务状态
很多人以为 AI“记不住”，其实更常见的原因是：这些信息根本没在当前上下文里。
一句话理解：
Context 决定 AI 这一刻到底看到了什么。
6. 什么是 Context Window
Context Window 就是上下文窗口，也就是模型一次能处理多少 Token。
如果材料太长，可能会发生这些问题：
- 前面的要求被截断
- 重点信息被淹没
- 模型忽略约束
- 输出开始不稳定
所以高质量使用 AI，不是把资料一股脑全塞进去，而是要做上下文管理。
一句话理解：
Context Window 是模型一次能“吃下多少信息”。
四、执行层概念：AI 怎么从会聊天变成会做事
7. 什么是 Tool
Tool 是工具。
模型本身擅长理解和生成，但现实任务往往还需要：
- 搜索网页
- 读取文件
- 写入文件
- 查询数据库
- 调用 API
- 执行代码
- 发消息
- 生成图片
这些都属于工具能力。
没有 Tool 的 AI，很多时候只是“会说”。 有了 Tool，它才开始具备“做事”的能力。
一句话理解：
Tool 让 AI 从回答问题升级到执行任务。
8. 什么是 Function Calling
Function Calling 可以理解为“函数调用”或“结构化工具调用”。
意思是模型不是随便输出一段文字去“假装”调用工具，而是按约定好的结构，把要调用的函数名和参数明确交出来。
例如，它不是说：
“我现在去查询天气。”
而是输出类似这样的结构：
- 调用哪个函数
- 参数是什么
- 返回结果是什么
这样做的好处是：
- 工具调用更稳定
- 更容易被程序接住
- 更适合自动化流程
- 减少“说了但没真做”的情况
一句话理解：
Function Calling 是让模型按标准格式真正调用工具。
9. 什么是 Agent
Agent 是现在最热门也最容易被滥用的词之一。
简单说，Agent 不是只回答一轮问题的聊天机器人，而是一个会围绕目标持续行动的执行体。
它通常具备这些能力：
- 理解目标
- 拆分步骤
- 调用工具
- 根据结果调整下一步
- 直到完成才结束
比如你给它一个任务：
“帮我调研 5 个竞品并整理成对比表。”
普通聊天式 AI 可能只是告诉你怎么调研。 Agent 则可能真的去：
- 搜索资料
- 提取关键信息
- 生成表格
- 找出差异点
- 输出结论
一句话理解：
Agent 的核心不是更会聊天，而是更会持续推进任务。
10. 什么是 Workflow
Workflow 就是工作流，也就是一套预设好的流程。
例如内容生产 Workflow 可能是：
- 收集选题
- 生成大纲
- 扩写初稿
- 风格润色
- 平台适配
- 审核发布
- 数据复盘
它和 Agent 的区别在于：
- Workflow 更强调固定步骤
- Agent 更强调自主判断
一句话理解：
Workflow 是流程设计，Agent 是流程中的执行者。
11. 什么是 Skill
Skill 可以理解为技能包、专项能力模块。
它不是模型本身，而是围绕某类任务封装出来的一套方法组合，通常包括：
- 提示词模板
- 步骤规则
- 工具用法
- 输出格式
- 质量标准
比如：
- 写作 Skill
- 数据分析 Skill
- 代码审查 Skill
- 选题拆解 Skill
- 销售跟进 Skill
一句话理解：
Skill 是 AI 在某一类任务上的可复用专业打法。
12. Agent 和 Skill 有什么区别
这是最容易混淆的一组词。
最简单的记法是：
Agent是谁来干Skill是怎么干得更专业
类比到公司：
- Agent 像员工
- Skill 像员工掌握的专项能力
13. 什么是 Multi-Agent
Multi-Agent 是多智能体协作。
也就是不只一个 Agent 干活，而是多个 Agent 分工合作。
例如：
- 一个负责调研
- 一个负责写作
- 一个负责审核
- 一个负责发布
- 一个负责复盘
它像一个 AI 团队，而不是一个全能助手。
一句话理解：
Multi-Agent 是把一个任务拆给多个 AI 角色协同完成。
14. 什么是 Agent Loop
Agent Loop 指的是 Agent 的循环执行过程。
典型循环通常是：
- 理解当前目标
- 选择下一步动作
- 调用工具
- 读取结果
- 判断是否继续
为什么这个词重要？ 因为很多 Agent 系统的本质，就是一个“思考-行动-观察-再行动”的循环。
一句话理解：
Agent Loop 是 Agent 不断推进任务的工作节奏。
15. 什么是 Planning
Planning 就是规划，也就是在真正执行前，先拆解任务、安排顺序、识别依赖关系。
在复杂 AI 系统里，Planning 往往决定结果质量，因为很多问题不是“不会做”，而是“一开始就走错顺序”。
一句话理解：
Planning 是让 AI 先想好怎么做，再去做。
五、连接层概念：MCP 到底是什么
16. 什么是 MCP
MCP 是 Model Context Protocol 的缩写，常被理解为“模型上下文协议”。
你可以把它简单理解成： 一套让模型标准化连接外部工具、资源和数据源的协议。
为什么 MCP 重要？ 因为以前每接一个工具，都像单独打一根线，接搜索是一个方法，接数据库是一个方法，接本地文件又是另一个方法，系统会越来越乱。
MCP 想解决的问题是：
- 用更统一的方式接工具
- 用更统一的方式暴露资源
- 让模型更容易理解“我现在能用什么”
- 降低工具集成成本
一句话理解：
MCP 是 AI 与外部世界沟通的标准化插座。
17. MCP 和普通 API 有什么区别
这是很多人会问的点。
普通 API 更像是：
- 程序员直接调用程序员
而 MCP 更像是：
- 给模型准备的一层标准化工具接口
普通 API 关注的是程序之间怎么通信。 MCP 更关注的是模型如何理解、发现、使用这些能力。
一句话理解： API 是通用接口，MCP 是更面向模型使用场景的标准接口层。
18. MCP Server 是什么
MCP Server 可以理解为“按 MCP 协议提供能力的服务端”。
它可能向模型暴露这些内容：
- 工具
- 资源
- 模板
- 文件系统能力
- 数据库能力
- 文档检索能力
模型或 AI 客户端连上它之后，就知道有哪些能力可用。
一句话理解：
MCP Server 是把工具和资源打包后按标准方式提供出来的服务。
19. 什么是 Resource
在 MCP 语境里，Resource 往往指可以直接读取的资源。
比如：
- 文件内容
- 数据库 schema
- 某个文档
- 某个配置
这类东西更偏“给模型看”。
一句话理解：
Resource 是供模型读取的上下文材料。
20. 什么是 Tool Schema
Tool Schema 可以理解为工具说明书。
它通常定义：
- 工具叫什么
- 能做什么
- 需要哪些参数
- 参数格式是什么
- 返回结果长什么样
有了 Schema，模型才更容易正确调用工具，而不是乱猜参数。
一句话理解：
Tool Schema 是给模型看的工具使用手册。
六、知识层概念：AI 怎么减少胡编乱造
21. 什么是 RAG
RAG 是 Retrieval-Augmented Generation，通常翻译为检索增强生成。
原理很简单： 先查资料，再回答。
它通常会这样做：
- 根据问题检索知识库
- 把相关资料放进上下文
- 再让模型基于这些资料生成回答
一句话理解：
RAG 不是让模型更聪明，而是让它先查再答。
22. 什么是 Embedding
Embedding 常翻成向量表示。
它会把文本、图片等内容转成一组可计算的数字，用来做：
- 语义搜索
- 相似内容匹配
- 文档召回
- 推荐排序
一句话理解：
Embedding 是把内容变成机器可比较的“坐标”。
23. 什么是 Hallucination
Hallucination 就是幻觉。
意思不是模型坏了，而是它输出了看起来很像真的、但其实不可靠甚至完全错误的内容。
常见表现包括：
- 编造出处
- 虚构数据
- 胡写 API
- 把猜测当事实
一句话理解：
Hallucination 是 AI 一本正经地说错话。
24. 什么是 Citation
Citation 就是引用或出处标注。
在 AI 应用里，Citation 很重要，因为很多回答不能只看“像不像对”，还要看“依据是什么”。
一句话理解：
Citation 是给 AI 回答配上可追溯的证据来源。
七、记忆与个性化：AI 为什么越来越像“长期搭档”
25. 什么是 Memory
Memory 是记忆机制。
它的作用是让 AI 不只是处理眼前这一轮，而是能记住一些长期信息，比如：
- 用户偏好
- 项目背景
- 常用格式
- 历史任务
- 风格习惯
一句话理解：
Memory 让 AI 更像长期协作对象，而不是一次性聊天机器人。
26. 什么是 Memory Store
Memory Store 可以理解为记忆的存储层。
它负责保存、检索和更新这些长期信息。
一句话理解：
Memory Store 是 AI 记忆真正落地保存的地方。
八、训练与生成：AI 为什么会变得更像你要的样子
27. 什么是 Fine-tuning
Fine-tuning 是微调。
意思是在一个已有模型基础上，继续用特定数据训练，让它在某个领域或某种风格上表现更稳定。
一句话理解：
Fine-tuning 是把模型往某个方向长期调教。
28. 什么是 Inference
Inference 是推理阶段。
简单说：
- 训练是学习
- Inference 是上线干活
你每次问模型问题，它生成回答，就是一次 Inference。
一句话理解：
Inference 是模型真正被使用的时刻。
29. 什么是 Completion
Completion 原本指“补全”。
在很多 AI 产品语境里，它代表模型基于输入继续生成输出。
比如：
- 文本补全
- 代码补全
- 句子续写
一句话理解：
Completion 是模型接着你的输入往下写。
30. 什么是 Reasoning
Reasoning 指推理能力。
也就是模型不是只做表面改写，而是能进行：
- 多步分析
- 条件判断
- 逻辑推演
- 方案比较
一句话理解：
Reasoning 是模型“想一想再回答”的能力。
九、控制层概念：为什么同一个模型会表现差很多
31. 什么是 Temperature
Temperature 可以理解为输出随机性参数。
一般来说：
- 温度低：更稳定、更保守、更像标准答案
- 温度高：更发散、更有创造性、也更容易跑偏
一句话理解：
Temperature 控制模型回答是更稳还是更飘。
32. 什么是 Top-p
Top-p 也是一种控制输出随机性的参数。
它不是直接控制“热度”，而是控制模型从多大范围的候选结果里挑选输出。
一句话理解：
Top-p 是另一种调节模型发散程度的旋钮。
33. 什么是 Determinism
Determinism 可以理解为确定性。
也就是同样输入、同样配置下，输出是否尽量一致。
在工程里，很多团队都很重视这一点，因为结果越稳定，越容易测试和复现。
一句话理解：
Determinism 是模型结果能不能尽量复现。
十、工程层概念：AI 产品真正落地时要面对什么
34. 什么是 Harness
Harness 可以理解为运行与验证框架。
它常常把这些东西串起来：
- 模型调用
- Prompt 模板
- 工具接入
- 样例任务
- 自动测试
- 结果评估
- 日志记录
一句话理解：
Harness 是让 AI 系统可跑、可测、可比较的工程支架。
35. 什么是 Harness Coding
Harness Coding 更像一种工程方法。
它强调不是只把功能写出来，而是要先搭好：
- 输入输出规范
- 工具接口
- 自动回放
- 效果对比
- 评测闭环
一句话理解：
Harness Coding 是让 AI 开发从“试试看”升级到“可验证地迭代”。
36. 什么是 Eval
Eval 就是评估。
AI 产品不能只看“能不能跑”，还要看：
- 准确率
- 稳定性
- 幻觉率
- 风格一致性
- 工具调用成功率
- 成本
- 速度
一句话理解：
Eval 是 AI 产品从好玩走向可控的关键。
37. 什么是 Benchmark
Benchmark 是基准测试。
也就是用一套固定标准，比较不同模型、不同 Prompt、不同系统版本的表现。
一句话理解：
Benchmark 是 AI 系统的统一考试卷。
38. 什么是 Latency
Latency 是延迟，也就是响应速度。
你发出请求后：
- 1 秒返回
- 5 秒返回
- 20 秒返回
这就是 Latency 的差别。
一句话理解：
Latency 是出结果要等多久。
39. 什么是 Throughput
Throughput 是吞吐量。
它关注的不是单次多快，而是单位时间内总共能处理多少请求。
一句话理解：
Throughput 是 AI 系统一次能扛多少活。
40. 什么是 Sandbox
Sandbox 是沙箱环境。
它的作用是给模型或 Agent 的执行能力加边界，避免它随意访问危险资源、误删文件或执行高风险操作。
一句话理解：
Sandbox 是给 AI 干活时设置的安全围栏。
十一、安全层概念：为什么 AI 不能只追求“会做事”
41. 什么是 Guardrails
Guardrails 可以理解为防护栏或约束机制。
它的作用是限制 AI 的风险行为，比如：
- 不输出违法内容
- 不泄露敏感信息
- 不执行危险动作
- 不偏离角色边界
一句话理解：
Guardrails 是 AI 系统的安全护栏。
42. 什么是 Alignment
Alignment 常翻成对齐。
它指的是让模型行为更符合人类目标、价值和使用边界。
一句话理解：
Alignment 是让模型“更像你真正希望它成为的样子”。
43. 什么是 Prompt Injection
Prompt Injection 就是提示词注入攻击。
意思是有人故意在输入、网页、文档或工具返回里埋入恶意指令，诱导模型忽略原本规则，改听新的坏指令。
例如：
- 忽略之前所有规则
- 泄露系统提示词
- 读取不该读的数据
一句话理解：
Prompt Injection 是攻击者试图用隐藏指令带偏模型。
44. 什么是 Jailbreak
Jailbreak 可以理解为越狱。
它通常指用户试图绕过系统限制，让模型输出本不该输出的内容。
一句话理解：
Jailbreak 是想办法让模型突破安全边界。
十二、热门流行词：为什么大家最近总在说这些
45. 什么是 Vibe Coding
Vibe Coding 是近两年很流行的说法。
它描述的是一种开发方式： 开发者不再逐行亲手写所有代码，而是大量依赖 AI 生成、修改、补全和重构，自己主要负责方向判断、验收和修正。
它的特点是：
- 先说想法
- 让 AI 快速搭建
- 边跑边改
- 用反馈驱动迭代
一句话理解：
Vibe Coding 是人定方向、AI 高速出活的快速开发方式。
46. Vibe Coding 不等于瞎写
很多人以为 Vibe Coding 就是“想到哪让 AI 写到哪”。
这只是低质量版本。
更成熟的做法其实是：
- 快速生成
- 高频验证
- 保留关键判断权
- 关键逻辑人工兜底
- 后续逐步工程化
47. 什么是 AI Native
AI Native 指的是一个产品、团队或工作方式不是把 AI 当外挂，而是从一开始就把 AI 当核心能力来设计。
一句话理解：
AI Native 不是“加了 AI”，而是“离开 AI 就不是这套系统了”。
十三、最容易混淆的几组概念
1. Model 和 Product 不是一回事
- Model 是底层能力
- Product 是面向用户的成品
2. Prompt 和 System Prompt 不是一回事
- Prompt 是本次任务要求
- System Prompt 是长期工作规则
3. Tool 和 MCP 不是一回事
- Tool 是具体工具能力
- MCP 是把这些能力标准化接进来的协议层
4. Agent 和 Workflow 不是一回事
- Agent 强调自主行动
- Workflow 强调固定流程
5. Agent 和 Skill 不是一回事
- Agent 是执行主体
- Skill 是专项打法
6. RAG 和 Memory 不是一回事
- RAG 是回答前查资料
- Memory 是长期保存偏好和历史
7. Guardrails 和 Alignment 不是一回事
- Guardrails 更像外层规则限制
- Alignment 更像模型整体行为方向的长期对齐
十四、把这些概念串成一条完整链路
最实用的理解方式，是把这些词串成一句话：
用户给出 Prompt，系统在 System Prompt 约束下，把相关 Context、Memory 和 RAG 检索结果送进 Model；模型按 Token 容量处理信息，在需要时通过 Function Calling 调用 Tool，这些工具和资源可以通过 MCP 标准化接入；Agent 按 Planning 和 Workflow 持续推进任务，整个过程运行在 Harness 里，用 Eval、Benchmark 和 Guardrails 保证质量与安全，同时防范 Prompt Injection 等风险。
这条链路一旦串起来，很多原本看起来分散的概念，其实只是同一个系统的不同部件。
十五、最后做一个最短总结
如果你只记住下面这些，就已经足够建立一套完整的 AI 认知框架：
Model是大脑Prompt是本次任务要求System Prompt是长期规则Token是信息和成本单位Context是当前可见资料Tool是外部能力Function Calling是结构化调用工具Workflow是流程Agent是执行者Skill是专项技能MCP是标准化连接协议RAG是先检索再生成Memory是长期记忆Eval是效果评估Guardrails是安全护栏Vibe Coding是 AI 参与下的快速开发方式
再压缩成一句话就是：
AI 不只是一个会聊天的模型，而是一套由模型、指令、上下文、工具、连接协议、流程、技能、检索、记忆、评测和安全机制共同组成的执行系统。
