温故而知新。
除非专业AI工程师以外，搞懂下面这 6 个词，你就已经超过 90% 的人了（夸张地）。不是死记硬背那种懂，是真的理解它们在干什么。
1. Token：AI 其实不识字
很多人以为 AI 在读单词、认字母。错了。
AI 读的是 token——你可以理解成"文本碎片"。有时候是一个完整的词比如 "cat"，有时候是半个词比如 "un" 或 "tion"，有时候就是个标点符号。
举个例子："I love pizza" 这句话，AI 看到的可能是 3 个 token："I"、" love"、" pizza"。
这玩意儿为什么重要？
因为你用的 ChatGPT、Claude、Gemini，背后都在数 token。你发的消息越长（token 越多），模型算得越累；它回得越长，成本越高。
还有那个"上下文窗口"——说的就是模型能记住多少 token。老模型可能只能记 4000 个，新的能记 100 多万个。
知道为啥 AI 聊着聊着就"失忆"了吗？因为 token 满了，前面的被挤掉了，跟电脑内存满了卡顿一个道理。
搞懂 token，你就明白为啥有些提示词效果好，有些不行；为啥长对话 AI 会忘；以及 API 为啥按 token 收费。
2. Context Window：AI 的"金鱼记忆"
想象你跟一个人聊天，但他有个毛病——只能记住最近 X 分钟的内容。再早的？全忘了。
这就是上下文窗口。
它指的是 AI 一次能"看到"多少 token。包括你的问题、对话历史、你上传的文档、还有它自己的回复。
就像一块白板。写满了就得擦掉旧的才能写新的。
这里有个坑
小窗口（比如 4K token）意味着 AI 一次只能看几页纸。你扔给它一本长篇报告，它其实只能啃一小口。
大窗口（比如 200K token）就爽了，整本书扔进去都能读。Claude 当时宣布 20 万 token 窗口的时候，圈内人都疯了。Gemini 后来搞到 100 万，直接改变游戏规则。
实战建议：如果你要处理长文档，或者聊了很久发现 AI 开始胡言乱语，别怪它——白板满了而已。
3. Harness：模型是次要的，框架才是核心
我加了这个章节，这个词最近特别火，而且我觉得它点破了 AI 行业的一个真相。
Harness 是什么？
简单说，就是套在 AI 模型外面的那层"工程框架"甚至更流行的说是agent的os。模型只是大脑，Harness 是身体——没有它，AI 只能聊天，干不了实事。
Harness 里都有啥？
| 组件 | 干嘛的 | 为什么重要 | | --- | --- | --- | | VM 隔离 | 安全执行环境 | AI 要跑代码，但不能让它搞坏你的系统 | | 代码库理解 | 自动读懂项目结构 | AI 得知道代码在哪、怎么组织的 | | 并行编排 | 同时干多个活 | 提高效率，别让 AI 傻等着 | | 视频捕获 | 录下操作过程 | 证明 AI 真的测了功能，不是瞎说 | | 多模型路由 | 不同任务用不同模型 | 简单活用小模型，省钱；难活用大模型，效果好 |
为什么 Harness 比模型更重要？
Cursor、Claude Code、OpenAI Codex，用的都是 GPT-4、Claude 这些顶级模型，但体验完全不同。
•Cursor 能自动跑测试、录视频、提交 PR•Claude Code 擅长终端操作和文件系统•Codex 跟 OpenAI 生态绑得深
差别不在模型，在 Harness 的工程化程度。
Cursor 35% 的 PR 现在是 AI 自动提交的，不是因为用了更好的模型，而是因为 Harness 够完整——从代码理解到测试到提交，一条龙。
给我的启示
模型已经是商品了，各家差距越来越小。真正的护城河是 Harness——怎么安全地执行 AI 生成的代码？怎么让 AI 快速理解大型项目？怎么验证 AI 的工作成果？
如果你在做 AI 产品，别只盯着模型，多想想 Harness 怎么设计。
4. Temperature：AI 的"胆量"设置
这个我特别喜欢讲，因为听完基本不会忘。
Temperature 控制 AI 输出的"随机性"。
•低温（接近 0）：AI 特别怂，每次选最保险、最常见的词。输出稳定、准确，但无聊。就像那个永远用同一套邮件模板的人。
•高温（接近 1 或更高）：AI 开始放飞自我，选一些出人意料的词，想法跳跃。有时候很精彩，有时候很离谱。
举个例子：让 AI 续写 "The cat sat on the..."
•低温：大概率说 "mat" 或 "floor"，安全但无趣•高温：可能说 "philosophical dilemma" 或 "crumbling empire of Tuesday"，有创意但可能没用
怎么用？
•写代码、总结文档、提取信息 → 低温，要准不要花•写小说、头脑风暴、营销文案 → 高温，要的就是意想不到
ChatGPT 这种消费级产品不让你调这个，它们设了个中间值。但用 API 或开发者工具的时候，你就能看到 temperature 参数了。现在你知道该调多少了吧？
5. Hallucination：AI 的"一本正经胡说八道"
这个词现在很火，但很多人没搞懂本质。
Hallucination（幻觉）就是 AI 自信满满地给你错误答案。不是"我不太确定"，而是"事实就是这样"——虽然完全是编的。
我见过最离谱的例子：有人问 AI 一本书，AI 给了书名、作者、出版年份、情节摘要，头头是道。问题是——这本书根本不存在。
为什么会这样？
关键认知：AI 不是数据库，它不会"查资料"。它是根据训练时学到的模式，预测下一个最可能出现的 token。本质是超大规模的自动补全。
所以当 AI 不知道的时候，它不会说"我不知道"。它会编一个听起来像答案的东西——因为这正是它被训练要做的。
最危险的是什么？
AI 说错话的时候，语气和说对的时候一模一样自信。你不会感觉到"这次可能不靠谱"。
我的建议：涉及事实、数据、医疗、法律这些"错了会出事"的场景，永远把 AI 当起点，不是终点。用它找思路，然后自己验证。
懂幻觉的人不会不用 AI，而是会用得更聪明。
6. RAG：AI 怎么"突然"懂你的文档
这五个概念里最容易被误解的。搞懂了它，你看很多 AI 产品的眼光都会变。
RAG = Retrieval-Augmented Generation（检索增强生成）。名字吓人，其实特简单。
它解决什么问题？
普通 AI 只学过训练数据，截止到什么日期就是什么日期。它不懂你们公司的内部文档，不知道上周的新闻，没看过你刚上传的 PDF。
但那些"和 PDF 聊天"、"问文档问题"的产品是怎么做到的？
RAG 的流程：
1.你把文档上传2.系统把文档切成小碎片，存进一个叫"向量数据库"的地方（这玩意儿懂意思，不只是匹配关键词）3.你问问题时，系统先去数据库里搜最相关的碎片4.把这些碎片和你的问题一起扔给 AI："这是相关背景，基于这个回答"5.AI 生成答案
就三步：搜相关内容 → 喂给 AI → 生成答案。
为什么这很重要？
过去两年几乎所有实用的 AI 产品都是这么干的：客服机器人查公司政策、法律助手读合同、论文总结工具……全是 RAG。
而且搞懂 RAG 后你会明白：当 AI"知道"你的文档时，它其实没"学"任何东西。只是做了一次聪明的搜索，然后把结果塞给模型。模型还是原来那个模型，变的是上下文。
7. Agent：AI 的下一个进化形态
我加了这个章节，如果说前面五个是理解 AI 的基石，Agent 就是未来。
Agent 是什么？
简单说：能自己干活的 AI。
现在的 AI 是你问它答。Agent 是你吩咐它做。
举个例子：你说"帮我订明天去北京的机票，上午的，经济舱"。普通 AI 会告诉你怎么订、有哪些航班。Agent 会直接帮你订好。
Agent 的五个特征：
•自主性：不用人盯着，自己能跑•反应性：感知环境变化，做出反应•主动性：不只是被动回答，会主动推进任务•社交性：能和其他 Agent 或人协作•学习能力：从经验中学习，越用越聪明
Agent 的三个阶段：
| 阶段 | 啥样 | 例子 | | --- | --- | --- | | 工作流型 | 按死规则执行 | 客服机器人按脚本回答问题 | | 半自主 | 自己能做点决定，但大事要人确认 | AI 写代码后等你审查，推荐酒店后等你确认预订 | | 全自主 | 全程自己搞定，人不用管 | 从需求分析到代码部署全自动，自动管理投资组合 |
我们现在在哪？大部分还在第一阶段，正在往第二阶段爬。全自主是终极目标，但路还长。
Agent 能干嘛？
•个人助理：管日程、回邮件、订旅行•教育：个性化辅导、陪练口语•医疗：健康咨询、提醒吃药•商业：客服、数据分析、写报告•创意：辅助写作、设计、音乐创作
但别急着兴奋，Agent 问题也不少：
•可靠性：出错了怎么办？•隐私：它要访问你多少数据？•透明度：它为啥做这个决定？•控制：你能随时接管吗？•责任：全自主 Agent 搞砸了，算谁的？
搞懂这些有啥用？
AI 不会消失，而且懂不懂这些的差距会越来越明显。
你不用会写代码，但：
•懂 token → 写提示词更准•懂上下文窗口 → 知道 AI 为啥突然"失忆"•懂 temperature → 知道什么时候该调参数•懂幻觉 → 不会盲目信 AI•懂 RAG → 明白那些"懂文档"的 AI 背后怎么回事•懂 Harness → 看透 AI 产品的真正竞争力•懂 Agent → 抓住下一个机会
七个词，真搞懂了，你就已经超过大多数只会用不会想的人了。
欢迎来到前 10%。
原文链接：towardsai.net/p/l/5-ai-te…
References
[1]: towardsai.net/p/l/5-ai-te…
