AI 智能体术语表：60 个 AI 词汇大白话解读（2026）

现在随便打开一个 AI 产品页面，读起来都像在考拼写：智能体式、MCP、RAG、上下文窗口、工具调用、护栏机制、编排。这些词背后的概念其实大多很简单，只是没人把它们放在一个地方讲清楚，而这个缺口正是很多人「用了 AI」却从没交给它一件真正任务的原因。

这份AI 术语表就是用来补上这个缺口的。它按主题归类，收录了你在 2026 年阅读AI 智能体、大语言模型和自动化相关内容时会遇到的 60 个术语，每个都用大白话讲清楚并配一个具体例子。收藏它，分享给你的团队，还可以搭配我们的什么是智能体式 AI和AI 子智能体如何运作一起读。如果某个术语跟使用 Jobbit 直接相关，我们也会特别说明。

核心概念：人人都在用的词

• 人工智能（AI）：能完成通常需要人类智力才能做的任务的软件，比如理解语言、识别图像或做决策。到了 2026 年，这个词大多指的是构建在大语言模型之上的系统。

• 机器学习（ML）：用大量示例训练软件、而不是手写明确规则的技术。垃圾邮件过滤器是从几百万封已标注的邮件中学会识别的，不是靠人工把每一条规则都写出来。

• 深度学习：使用多层神经网络的机器学习方法。正是它让现代的图像识别、语音和语言模型成为可能。

• 生成式 AI：根据一句提示词创造新内容（文字、图片、代码、音频或视频）的 AI。ChatGPT、Claude、Gemini 和 Midjourney 都是生成式 AI 产品。

• 大语言模型（LLM）：在海量文本上训练出来的神经网络，它通过预测序列中的下一个词元来学习推理、写作和遵循指令。GPT、Claude、Gemini、Llama、DeepSeek 和 Mistral 都是大语言模型家族。

• 基础模型：在广泛数据上训练、可以适配多种任务的大模型。大语言模型就是语言领域的基础模型，图像和视频领域也有各自的对应版本。

• 多模态模型：能理解并生成不止一种类型内容的模型，通常包括文字、图片、音频，有时还有视频。多模态模型让智能体能读懂一张截图或一份扫描发票。

• 提示词：你给模型的指令。写好提示词是一项技能，参见如何为 AI 智能体写提示词。

• 系统提示词：由产品开发者预设的隐藏指令，决定模型在每一次对话中的表现：它的角色、语气、规则和可用工具。

• 推理（inference）：运行一个已训练好的模型、得出答案的过程。训练只发生一次，而推理在你每次发送消息时都会发生，你付的钱其实付的就是它。

模型如何「思考」：词元、上下文与推理

• 词元（token）：模型读写的基本单位，大致相当于四分之三个英文单词。计费、限额和速度都是按词元计算的。「一百万词元」大约相当于 75 万个英文单词。

• 上下文窗口：模型一次能处理的文本量，包括你们的对话、文档和模型自己的回复。窗口越大，智能体就越能把整个代码库或一份上百页的合同都装在「脑子」里。

• 上下文工程：决定哪些内容该放进上下文窗口的技艺，包括哪些文档、示例、工具结果和记忆，让模型该有的都有、不该有的干扰都没有。在智能体设计中，它已在很大程度上取代「提示词工程」，成为更重要的技能。

• 推理模型：经过训练、会在回答前先「思考」的模型，它会先产出中间步骤，从而提升数学、代码和规划任务上的准确率。推理模式会消耗更多词元，但能让智能体可靠得多。

• 思维链：模型在得出答案的路上，一步步写出来的推理过程。推理模型天生就会这样做；较旧的模型则需要靠提示词引导。

• 温度（temperature）：控制随机性的一个参数。温度低，输出更一致、更可预测；温度高，输出更多样、更有创意。

• 幻觉：模型一本正经说出的错误陈述，比如编造的引用来源或根本不存在的产品功能。智能体通过核对信源、测试结果来减少幻觉，而不是只信一次回答。

• 事实锚定（grounding）：把模型的回答跟真实数据、文档、搜索结果或工具输出绑定在一起，让它汇报的是真实存在的内容，而不是听起来靠谱的猜测。

• 微调：用你自己的示例进一步训练模型，让它学会某种风格、格式或专业知识。对范围狭窄的任务很有用；但对智能体来说通常没必要，因为它们的知识来自工具和上下文。

• 检索增强生成（RAG）：在提问时实时取出相关文档、放进上下文窗口，让模型根据你的数据来作答。「跟你的文档聊天」这类产品就是这么实现的。

• 嵌入向量（embeddings）：捕捉文本含义的数字化表示，含义相近的段落在向量空间里也会彼此靠近。语义搜索和 RAG 都是靠它驱动的。

• 向量数据库：专门为存储和搜索嵌入向量而优化的数据库。常见选择有 Pinecone、Weaviate、pgvector 和 Chroma。

• 知识截止日期：模型训练数据覆盖不到的那个日期之后的信息。智能体靠搜索网络、阅读最新信源来绕开这个限制。

智能体：自主性的词汇表

• AI 智能体：用模型加工具来自主完成任务的软件：它会规划、行动、观察结果并调整。这份术语表大部分内容都围绕它展开。

• 智能体式 AI（agentic AI）：构建由目标驱动、会使用工具的 AI 系统这一更宏观的思路，往往由多个智能体协同工作。完整讲解见什么是智能体式 AI？

• AI 助手／Copilot：保持在你直接掌控之下的类智能体式帮手，负责建议而不是行动。编辑器里的 GitHub Copilot 就是经典例子；当 Copilot 开启「智能体模式」，它就变成了智能体。

• 自主性：智能体在不请示的情况下能做多少事。好用的系统会让自主程度跟行动的可逆性挂钩：起草可以自由发挥，花钱则必须经过批准。

• 工具调用／函数调用：模型调用软件的机制：搜网页、跑代码、查数据库、发邮件。正是工具把一个聊天机器人变成了智能体。

• 模型上下文协议（MCP）：由 Anthropic 提出的一套开放标准，用一致的方式把模型和工具、数据源连接起来。可以把它想象成智能体的通用插头；2025 年到 2026 年间，各大 AI 平台陆续都支持了它。

• 智能体间协议（A2A）：由 Google 提出的一套标准，让不同厂商的智能体能互相发现并对话。它和 MCP 一起，指向的是智能体跨公司协作的方向。

• 编排（orchestration）：把多个步骤、工具或智能体协调成一条工作流：决定跑什么、按什么顺序跑，以及失败时该怎么办。

• 多智能体系统：多个各司其职的智能体共同为一个目标工作，通常是一个负责规划和分派的主智能体，加上负责调研、构建或检查的专家智能体。

• 子智能体：由另一个智能体派生出来、并行处理任务中某一部分的智能体。Jobbit 用子智能体同时调研多个信源，或同时构建和测试多个功能；参见AI 子智能体详解。

• 规划器（planner）：智能体中负责把目标拆解成步骤、并随着结果不断修正计划的那部分。

• 记忆：智能体在单条消息之外还保留下来的东西。短期记忆是当前的上下文；长期记忆则保存偏好、过去的决定和关于你的种种事实，让智能体随时间不断变得更懂你。

• 智能体循环：规划、行动、观察、调整不断重复的循环，一直运行到目标达成，或智能体需要你来做决定为止。

• 人工介入（human in the loop）：由真人审核或批准某些步骤的设计，比如发送客户邮件或完成一笔付款。

• 电脑操作／浏览器智能体：通过看屏幕、像人一样点击和打字来操作软件的智能体，因此能处理那些没有 API 的工具。详见电脑操作型 AI 智能体。

• 深度调研（deep research）：智能体阅读几十份信源、交叉核对各方说法、产出附引用报告的一种智能体式工作流。参见如何用 AI 做深度调研。

• 工作流自动化：跨应用、按预设规则执行的一连串动作，Zapier、Make 和 n8n 都属于这个领域。智能体为工作流加上了判断力；两者的对比见Zapier 对比 Make、n8n 与 AI 智能体。

• 多用途 AI 智能体：一个智能体在单一对话里就能处理多种工作（调研、写作、构建软件、设计、自动化），而不需要为每一种都配一个单独的工具。Jobbit 正是这样设计的。

用 AI 构建软件

• 氛围编程（vibe coding）：用自然语言描述你想要什么，让 AI 智能体去写代码、跑代码、修代码，你通过应用的实际表现来判断结果，而不是逐行读代码。完整指南：什么是氛围编程？。

• AI 应用构建工具：把一段描述变成一个能用的应用的产品，往往连托管都包好。Lovable、Bolt、v0、Replit 和 Jobbit 都是例子；对比见最佳氛围编程工具。

• 编程智能体：在代码库内部工作的智能体：读文件、写代码、跑测试、修复失败。Claude Code、OpenAI Codex、Cursor 的智能体模式和 Devin 都是编程智能体。

• 无代码／低代码：几乎不需要（或只需要很少）编程就能构建软件的可视化工具，比如 Bubble、Webflow、Airtable 和 Retool。它们和氛围编程的对比见氛围编程对比无代码与低代码。

• 沙盒（sandbox）：一个隔离环境，智能体能在里面安全地运行代码，不会碰到你的真实系统。对任何要执行代码的智能体来说都不可或缺。

• 部署：把软件放到服务器上线，让人们能实际使用。能替你部署、连托管都包好的智能体，去掉了大多数非开发者最容易卡住的那一步。

• API（应用程序编程接口）：一套软件之间用来对话的结构化方式。智能体靠 API 读取和修改其他系统里的数据。

• Webhook：一个系统在某件事发生时（比如「有新订单」）发给另一个系统的消息，常用来触发自动化。

• MVP（最小可行产品）：能让真实用户上手试用的、最精简版本的产品。智能体已经把 MVP 的开发周期从几个月压缩到了几天；参见如何用 AI 构建 SaaS。

• 技术债：代码里的各种走捷径，会让以后的修改变得更慢、风险更高。如果没人审查结构，AI 生成的代码会很快积累技术债，这也是氛围编程的常见错误与安全隐患中提到的风险之一。

安全、质量与信任

• 护栏机制（guardrails）：限制智能体能做什么、能说什么的规则和检查：禁止某些操作、设置花费上限、内容过滤、强制审批。

• 提示词注入：智能体读到的文字（网页、邮件、文档）中被藏入意图劫持它的指令，是一种攻击手段。健壮的智能体会把读到的一切都当成数据，绝不当成指令。

• 对齐（alignment）：让模型的行为符合人类意图和价值观的整体努力，小到忠实地遵循指令，大到拒绝有害请求。

• 评测（evals）：在一组固定任务上系统性测试模型或智能体质量的方法。认真的团队会先跑评测，再决定要不要把一条工作流交给智能体。

• 基准测试（benchmark）：用来对比不同模型的公开评测，比如面向软件工程任务的 SWE-bench。它们是有用的参考信号，但模型在你实际任务上的表现更重要。

• 可观测性：记录智能体做了什么、调用了哪些工具、为什么这么做，让你能审计结果、排查失败原因。

• 红队测试（red teaming）：主动攻击一个模型或智能体，抢在别人之前先找出它的弱点。

• 数据驻留与隐私：你的数据存在哪里、谁能看到。上传任何敏感内容之前，先确认 AI 服务商会不会用你的输入来训练模型，以及它的服务器在哪里。

商业与定价术语

• 额度（credits）：许多智能体平台用来出售的计费单位，代替直接卖词元，一份额度可能对应一条消息、一个构建步骤或一次调研任务。换算方式要仔细看，我们在AI 智能体到底要花多少钱？里做了详细拆解。

• 速率限制：在一段时间内你能使用的请求数或词元数上限。任务跑到一半撞上速率限制，是智能体运行卡住最常见的原因。

• 延迟：得到回应需要多长时间。智能体是用延迟换彻底：花两分钟做一次调研，胜过两秒钟给出的猜测。

• 按席位定价 vs 按用量定价：按每用户每月付费，还是按实际消耗付费。智能体类产品越来越多地把两者混合使用。

• 自动化投资回报率（ROI）：一项自动化带来的回报，通常用省下的工时、更快的响应速度或带动的营收来衡量，再对比工具本身的成本和搭建所花的时间。

• 数字员工／AI 员工：用来营销第 4 级智能体的说法，指它承担的是一个角色而不只是一项任务。对待这个说法，不妨像审视一份简历那样带点怀疑。

常见问题

AI 智能体和大语言模型有什么区别？

大语言模型是负责读写文字的那个模型。AI 智能体则是围绕模型构建的一整套系统，加上了规划、工具、记忆和反馈循环，让它能完成任务而不只是回答问题。大语言模型是引擎，智能体是那辆车。

AI 领域里的 MCP 是什么意思？

MCP 是「模型上下文协议」的缩写，一套用一致的方式把 AI 模型和工具、数据源连接起来的开放标准。有了它，工具只需要暴露一个 MCP 服务端，任何兼容的智能体都能使用，不必再让每个产品各自开发定制集成。

什么是上下文窗口？为什么它很重要？

上下文窗口指的是模型一次能处理多少文本，以词元为单位计算。它之所以重要，是因为智能体对当前这项任务的一切了解，你的指令、文档、工具结果，都必须装得进这个窗口。窗口越大，智能体能处理的代码库和文档就越大越长。

RAG 和微调有什么区别？

RAG 在提问时实时取出相关文档交给模型，让它能根据最新数据作答，而不需要重新训练。微调则是用示例重新训练模型本身，适合固定的风格或格式。对大多数企业来说，RAG 加上好用的工具就已经够用了，而智能体因为可以直接读取信源，让这两者都变得没那么必要。

用一句话说清楚，氛围编程是什么？

氛围编程，就是描述你想要什么，然后让 AI 智能体去写代码、跑代码、修代码，你通过应用的实际表现来判断结果好不好，而不是逐行读代码。

现在这些词汇都讲通了，是时候让它们派上用场了：到 Jobbit 免费开始，交给智能体一件值得做的事。