AI 术语速成手册

最近，我和不少非技术背景的人聊了很多关于 AI 的话题。我反复遇到同一种情况：这些人聪明、好奇，也真心想弄明白正在发生什么，却没有足够的词汇来描述自己不知道的东西。而当你无法说出一个概念的名字时，就无法提出正确的问题，最终只能停留在表面。

洗车测试就是一个绝佳的例子。

几个月前，社交媒体上涌现出大量截图。人们向 ChatGPT、Claude 和 Grok 提出了一个看似简单的问题：洗车店距离我家 40 米，我应该走路去还是开车去？这些聊天机器人回答说：走路。

参与讨论的许多人并不明白，得到错误结果的人并不是在使用一个很差的 AI。他们使用的是能力较弱的 model，很可能是某款产品的免费层级，却并不知道这一点。没有相应的词汇，你甚至无法准确表达这种区别。

实际发生的情况很可能是这样的。“ChatGPT”并不是一个单一的东西。它是一款运行在一系列 model 之上的产品。在 ChatGPT 中，有三个 model：GPT-5 Instant、GPT-5 Thinking 和 GPT-5 Pro，并由一个路由层根据你的问题选择使用哪一个。除此之外，当前的旗舰 model family 大致如下：

可以把 GPT-5.4 想象成一家提供全套服务的餐厅厨房。GPT-5.4 mini 是它的快餐版本：速度更快、成本更低，对大多数日常问题来说也足够好用。GPT-5.4 nano 更加轻量，就像一辆餐车。GPT-5.4 pro 则会花更多时间思考真正困难的问题，就像一位选择慢炖、而不是用微波炉加热的厨师。

关键区别在于：免费用户无法使用完整的厨房。他们会被路由到当时速度最快、成本最低的选项。这个版本可以正确回答洗车问题，但面对任何需要细致判断的内容时，也更容易给出不一致的结果。付费用户则能够稳定地使用更好的 model。

所以，当一个人说“ChatGPT 告诉我 X”，另一个人说“ChatGPT 告诉我 Y”时，他们可能是在与完全不同的 model 对话，却都不知道这一点。这不是什么故意挖坑的问题。只是在你缺少相应词汇、无法描述自己实际使用的东西时，自然会发生这种情况。

这就是词汇如此重要的原因。并不是为了咬文嚼字，而是因为这些词能让你抓住那些真正可以改变的因素。

下面这些术语可以帮助我们弥合这道认知鸿沟。

三个经常被混用的词，其实不该混用

Artificial intelligence（人工智能）是一个宽泛的类别。凡是能够执行通常需要人类推理能力才能完成的任务的系统，都可以归入其中，例如识别图像、检测欺诈，以及推荐接下来该看什么。LLM 是 AI 的一种，而决定你的社交媒体信息流内容的算法则是完全不同的另一种 AI。可以把 AI 想象成“交通运输”这个大类。LLM 就像其中的汽车，而 recommendation algorithm（例如推荐接下来观看哪些节目）则像火车。

Large language model，也就是 LLM，是一种专门使用海量文本训练的 AI。它处理的是文字，包括阅读、预测和生成。GPT-5.4、Claude、Gemini 和 Llama 都是 LLM。

Model 是产品底层经过训练得到的具体产物。当有人问“你正在使用哪个 model”时，他们问的不是哪家公司，而是确切的版本。因为同一个 family 中的不同 model，其行为、成本和知识截止时间都可能不同。这就像询问你开的是 2024 款 Civic，还是 2026 款 Accord。它们可能来自同一家制造商，但能力却大不相同。

这些概念是逐层包含的：AI 包含 LLM，LLM 又有具体的 model。它们不是同义词。

Token。LLM 并不像人类一样按单词阅读文本。它读取的是 token，也就是文本片段。一个 token 可能是完整的单词、单词的一部分、一个标点符号，甚至一个空格。LLM 的容量和定价都以 token 为衡量单位，而不是单词数或字符数。可以把 token 想象成语言中的音节：有时它是一个完整的单词（“cat”），有时则是一个片段（“un-break-able”）。

Context window。它指的是 model 在同一时间能够放入工作记忆中的文本总量，以 token 计算。你的 prompt、对话历史、传入的所有文档，以及正在生成的回答，全部都会占用 context window。当窗口被填满时，较早的内容就会被丢弃。这就是为什么长时间对话有时会让人觉得 AI 忘记了前面说过的内容。它并不是忘记了，只是没有空间了。想象一块白板：能写的内容有限，为了在底部腾出空间，你最终不得不从顶部开始擦除。

Hallucination。当 model 生成的文本语气自信、表达流畅，内容却是错误的，这就是 hallucination。它不是在撒谎，因为它既没有真假的概念，也没有欺骗的意图。它只是在进行模式匹配，寻找一个看起来合理的回答，而这个过程有时会把它带到错误的方向。Hallucination 的范围很广，小到事实细节错误，大到完全捏造引用来源。理解这个术语之后，你就不会再把所有不信任的内容都称为“hallucination”，而会开始区分“model 的推理过程有问题”和“model 极其自信地陈述了错误事实”。这就像你信心十足地告诉别人怎么去一家三年前就已经关门的餐厅。你没有恶意，只是依据了过时的信息。

Prompt。你向 model 发出的指令，也就是它开始生成内容之前收到的一切信息。Prompt 的质量是任何 AI 系统中杠杆效应最高的变量之一。模糊的 prompt 不仅会产生模糊的输出，还会产生不可预测的输出。

Agent。Agent 是一种能够采取行动、而不只是生成文本的 AI 系统。它可以使用工具、搜索、电子邮件、数据库和 API，并自行决定使用哪些工具以及使用顺序。Agent 的决定性特征，是它能够影响对话之外的现实世界。如果说 LLM 像是一位提供建议的顾问，那么 Agent 就像是一位能够真正替你预订航班、发送电子邮件和更新电子表格的助理。

Harness。Harness 是围绕 LLM 搭建的一整套脚手架，用来让它在特定场景中真正发挥作用。System prompt、检索逻辑、错误处理和工具连接，所有这些组合在一起就是 harness。Model 是引擎，harness 则是让它驶向你期望方向的一切。可以想象一辆 Formula 1 赛车：引擎固然强大，但如果没有方向盘、刹车、悬挂系统和底盘来帮助你真正控制它，引擎本身毫无用处。

使用 AI 进行开发时需要了解的进阶术语

API（Application Programming Interface，应用程序编程接口）。它是两个软件之间的正式连接点，并不是 AI 特有的概念。从天气应用到支付处理系统，所有现代软件都通过 API 相互连接。但它仍然是 AI 领域必不可少的词汇，因为你使用的几乎每一种 AI 工具，要么会调用 API 来获取 model 的回答，要么会提供 API，让其他工具能够接入。当工具声称它们可以“集成”时，几乎总是在表示它们共享某种 API 连接。可以把 API 想象成墙上的电源插座：它是一种标准化接口，让不同的电器可以插上插头获取电力，而不需要每次都重新铺设家里的电线。

MCP（Model Context Protocol）。它是一种让 AI 访问你的文件、日历和电子邮件等内容的方式。MCP 试图让这些连接变得更容易，但它目前仍处于早期阶段，每家公司采用的方式也还有一些差异。你可能会看到一些工具宣传自己支持 MCP。你只需要知道，这意味着该工具正在努力与 AI 友好协作，哪怕目前的设置过程还不总是那么顺畅。

洗车测试带来的真正启示

围绕这项测试的讨论，真正的问题并不是 AI 能否通过推理回答一个简单问题，而是人们在评价一个自己甚至无法准确说出其名称的东西。

如果你知道 model 和 model family 之间的区别，就会问“他们使用的是哪个版本”，而不是问“AI 到底聪明还是愚蠢”。如果你理解 context window，就不会在长对话中 AI 忘记前文时一味责怪它。如果你知道 hallucination 的真正含义，就不会把它当成一个万能标签，用来指代所有你不信任的输出。

这就是词汇的作用。它能把模糊的挫败感，转化成明确且可以解决的问题。