关注 霍格沃兹测试学院公众号，回复「资料」, 领取人工智能测试开发技术合集
导读
现在的技术讨论里，有一个很明显的变化：
你不懂AI，不是因为不会用工具，而是听不懂“术语”。
RAG、Token、LoRA、SFT、Agent…… 这些词，已经从“研究论文”走进了“日常工作”。
很多人卡在第一步： 不是不会用AI，而是根本不知道这些概念在说什么。
这篇文章，把AI里最核心的24个概念，全部拆开讲清楚。
不讲空话，只讲你能真正用上的认知框架。
一、基础认知层：AI到底是什么
大模型
本质是一个“被海量数据训练过的预测系统”。
它不是在“理解世界”， 而是在预测：下一个最合理的词是什么。
但因为数据足够多，看起来就像“会思考”。
Token
AI处理文本的最小单位。
可以理解为： AI不是按“句子”理解，而是按“碎片”处理。
- 中文：1个字 ≈ 1 Token
- Token决定：
-
- 能处理多长内容
- 成本多少
- 响应速度
上下文窗口
AI一次“能记住多少内容”。
窗口越大：
- 能读更长文档
- 能做多轮对话
- 能处理复杂任务
预训练
大模型的“基础教育阶段”。
通过海量数据，让模型学会：
- 语言规律
- 常识知识
- 基础推理能力
基座模型
只做了预训练，还没有“被教做人”的模型。
特点：
- 能力强
- 但不听话
- 不稳定
对齐
让模型“变得像人”。
核心目标：
- 不输出危险内容
- 符合人类价值观
- 更稳定、更可控
二、使用与交互层：怎么用AI
Prompt
你给AI的“指令”。
本质不是聊天，而是：
用自然语言写程序
提示词越清晰：
- 输出越稳定
- 结果越可控
提示词工程
系统化设计Prompt的方法：
- 固定结构
- 补充上下文
- 示例驱动
本质是在做：
AI的“输入优化工程”
上下文学习
方法：
- 给几个示例
- AI自动模仿
这也是很多AI“看起来很聪明”的原因。
思维链
让AI“分步骤思考”。
从：
直接给答案
变成：
一步一步推理
效果：
- 复杂问题准确率明显提升
- 尤其适用于测试、分析、推理任务
AI幻觉
AI最典型的问题：
一本正经地胡说八道
常见表现：
- 编造数据
- 虚构引用
- 错误但自信
结论很简单：
AI输出必须可验证
三、工程与架构层：AI是怎么做出来的
Transformer
所有大模型的底层架构。
核心能力：
- 关注上下文关系
- 处理长文本
可以理解为：
AI能“理解语境”的关键技术
Embedding
把文字变成“向量”。
作用：
- 相似度计算
- 语义搜索
- 知识检索
是RAG体系的核心基础。
RAG
AI不是直接回答，而是：
- 先查资料
- 再生成答案
作用：
- 降低幻觉
- 提升专业性
- 接入企业知识库
微调
在大模型基础上，再训练一轮。
目的：
- 让模型更懂某个行业
- 更符合特定风格
例如：
- 医疗AI
- 法律AI
- 客服AI
指令微调
让模型学会：
按人类指令做事
这是模型从“能用”到“好用”的关键一步。
LoRA
一种轻量级微调方案。
特点：
- 不改全部参数
- 只调整一小部分
- 成本低、速度快
适合：
个人或中小团队定制AI
MoE
把一个大模型拆成多个“小专家”。
不同问题调用不同专家。
优势：
- 更省算力
- 更快响应
- 更高性能
模型量化
对模型进行压缩。
结果：
- 模型更小
- 推理更快
- 可以在普通设备运行
端侧部署
把模型直接跑在本地设备。
特点：
- 不依赖云
- 隐私更安全
- 响应更快
开源大模型
可自由使用、修改、部署的模型。
代表：
- LLaMA
- Qwen
- Mistral
意义：
AI能力不再被大厂垄断
四、进阶能力层：AI为什么越来越强
多模态
AI不仅处理文本，还能：
- 看图
- 听声音
- 生成视频
本质是：
不同数据形式的统一理解能力
AI Agent
AI不再只是回答问题，而是：
- 自主思考
- 制定计划
- 调用工具
- 执行任务
可以理解为：
会“干活”的AI系统
插件
让AI连接外部世界。
比如：
- 调接口
- 查数据
- 操作系统
本质：
给AI增加“手和脚”
最后总结
如果把AI系统拆开看，本质就三件事：
- 模型能力
- 数据与知识
- 控制与执行
你看到的所有新概念，基本都在这三层里变化。
AI不是一个工具，而是一套完整的工程体系。
谁理解这套体系，谁才能真正用好AI。
关于我们
霍格沃兹测试开发学社，隶属于 测吧（北京）科技有限公司，是一个面向软件测试爱好者的技术交流社区。
学社围绕现代软件测试工程体系展开，内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试，以及人工智能测试与 AI 在测试工程中的应用实践。
我们关注测试工程能力的系统化建设，包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设，同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法，沉淀可复用、可落地的测试开发工程经验。
在技术社区与工程实践之外，学社还参与测试工程人才培养体系建设，面向高校提供测试实训平台与实践支持，组织开展 “火焰杯” 软件测试相关技术赛事，并探索以能力为导向的人才培养模式，包括高校学员先学习、就业后付款的实践路径。
同时，学社结合真实行业需求，为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务，用于个性化能力提升与工程实践指导。
