AI 圈黑话大全：24 个核心词汇图解（2026 最新版）

1
┌─────────────────────────────────────────┐
2
│           Transformer 架构               │
3
├─────────────────────────────────────────┤
4
│                                         │
5
│  输入文本 → Token 化 → Embedding 层     │
6
│                    ↓                    │
7
│              编码器 (Encoder)            │
8
│              (理解语义)                  │
9
│                    ↓                    │
10
│              解码器 (Decoder)            │
11
│              (生成文本)                  │
12
│                    ↓                    │
13
│              输出文本                   │
14
│                                         │
15
│  ⭐ 核心创新：自注意力机制 (Self-Attention) │
16
│  让模型能同时"关注"句子中的所有词         │
17
└─────────────────────────────────────────┘

1
上下文窗口 = AI 的"工作记忆"
2

3
┌─────────────────────────────────────────────────┐
4
│              Context Window (200K Tokens)        │
5
├─────────────────────────────────────────────────┤
6
│                                                 │
7
│  [系统提示词]  你是一位资深前端工程师...          │  ← 固定占用
8
│  [对话历史]    用户：怎么写 React...             │  ← 逐渐增长
9
│              AI：你可以使用 useState...          │
10
│              用户：那 Vue 呢...                  │
11
│              AI：Vue 的响应式...                 │
12
│  [当前输入]    帮我优化这段代码...               │  ← 本次请求
13
│  [可用空间]    ████████░░░░░░ 60% 已使用         │
14
│                                                 │
15
│  ⚠️ 超过窗口上限 → 旧内容被截断 → AI"失忆"       │
16
└─────────────────────────────────────────────────┘

1
传统 AI vs AI Agent
2

3
┌─────────────┐          ┌─────────────────────────┐
4
│  传统 AI    │          │       AI Agent          │
5
├─────────────┤          ├─────────────────────────┤
6
│             │          │                         │
7
│  你：问题    │          │  你：目标                │
8
│  AI：回答    │          │  Agent：规划 → 执行      │
9
│             │          │    ↓ 使用工具            │
10
│  一次问答    │          │    ↓ 检查结果            │
11
│             │          │    ↓ 调整策略            │
12
│             │          │    ↓ 完成任务            │
13
│             │          │                         │
14
│  被动回答    │          │  自主行动                │
15
└─────────────┘          └─────────────────────────┘

1
多 Agent 协作模式：
2

3
                    ┌─────────────┐
4
                    │  协调者 Agent │
5
                    │  (规划/分发)  │
6
                    └──────┬──────┘
7
                           │
8
              ┌────────────┼────────────┐
9
              ↓            ↓            ↓
10
        ┌──────────┐ ┌──────────┐ ┌──────────┐
11
        │ 研究员    │ │ 开发工程师│ │ 审查员    │
12
        │ Agent    │ │ Agent    │ │ Agent    │
13
        └────┬─────┘ └────┬─────┘ └────┬─────┘
14
             │            │            │
15
             └────────────┼────────────┘
16
                          ↓
17
                    ┌─────────────┐
18
                    │  汇总结果    │
19
                    └─────────────┘
20

21
类比：
22
单个 Agent = 一个全能员工
23
多 Agent  = 一个完整团队（产品经理 + 开发 + 测试）

1
Agent Skill = 给 AI 安装的"专业插件"
2

3
没有 Skill 的 AI：
4
  "我能聊天、写代码、翻译"
5

6
装了 Skills 的 AI：
7
  "我能：
8
   🔍 监控微博/抖音热搜
9
   💰 分析市场情绪
10
   📝 自动生成日报
11
   🔒 扫描代码漏洞
12
   🚀 检查部署状态
13
   📊 管理飞书文档"
14

15
每个 Skill 包含：
16
┌─────────────────────────────┐
17
│  SKILL.md                   │
18
├─────────────────────────────┤
19
│  name: hot-topic-monitor    │
20
│  triggers: 热搜、热点、趋势  │
21
│  function: 五源热榜聚合      │
22
│  workflow: 采集→去重→分类    │
23
│  references: 数据源配置      │
24
└─────────────────────────────┘

1
MCP = AI 模型的"USB 接口"
2

3
没有 MCP：
4
  AI ────❌──── 浏览器
5
  AI ────❌──── 数据库
6
  AI ────❌──── 文件系统
7

8
有 MCP：
9
  AI ────🔌──── Chrome DevTools (浏览器调试)
10
  AI ────🔌──── PostgreSQL (数据库查询)
11
  AI ────🔌──── File System (文件操作)
12
  AI ────🔌──── GitHub (代码管理)
13
  AI ────🔌──── Context7 (文档检索)
14

15
就像 USB 接口：
16
插上什么设备，就能干什么活

1
传统 AI 回答：
2
  问题 → AI 凭记忆回答 → 可能胡说八道 ❌
3

4
RAG 回答：
5
  问题 → 先查资料库 → 找到相关信息 → 结合信息回答 → 准确可靠 ✅
6

7
┌────────────────────────────────────────────────────┐
8
│                    RAG 工作流程                     │
9
├────────────────────────────────────────────────────┤
10
│                                                    │
11
│  用户问题                                           │
12
│     ↓                                              │
13
│  ┌─────────────┐                                   │
14
│  │ Embedding   │  把问题转成向量                    │
15
│  └──────┬──────┘                                   │
16
│         ↓                                          │
17
│  ┌─────────────┐                                   │
18
│  │ 向量数据库   │  在知识库中找最相似的文档           │
19
│  └──────┬──────┘                                   │
20
│         ↓                                          │
21
│  ┌─────────────┐                                   │
22
│  │ 相关文档    │  Top 3-5 个最相关的文档片段         │
23
│  └──────┬──────┘                                   │
24
│         ↓                                          │
25
│  ┌─────────────┐                                   │
26
│  │    LLM      │  "根据以下资料回答问题：..."        │
27
│  └─────────────┘                                   │
28
│         ↓                                          │
29
│     准确回答 ✅                                     │
30
│                                                    │
31
└────────────────────────────────────────────────────┘

1
训练 AI 的"三阶段"：
2

3
阶段1：预训练（Pre-training）
4
  "读遍全网文本" → 学会说话，但可能说错话
5

6
阶段2：监督微调（SFT）
7
  "老师教标准答案" → 学会正确格式
8

9
阶段3：RLHF（基于人类反馈的强化学习）⭐
10
  "人类老师打分" → 学会符合人类偏好
11

12
  AI 回答 A → 人类打分：8/10  ✅
13
  AI 回答 B → 人类打分：3/10  ❌
14
  AI 回答 C → 人类打分：6/10  😐
15

16
  通过大量打分，AI 学会"人类喜欢什么样的回答"

1
提示词质量对比：
2

3
❌ 差的提示词：
4
"帮我写代码"
5

6
✅ 好的提示词：
7
"你是一位资深前端工程师，使用 Vue3 + TypeScript。
8
请实现一个用户登录组件，要求：
9
1. 表单验证（邮箱格式 + 密码≥8位）
10
2. 错误提示用 Element Plus 的 ElMessage
11
3. 登录成功跳转到 /dashboard
12
4. 加载中状态用 loading 属性
13
请给出完整代码，含注释。"
14

15
效果差异：
16
差的提示词 → 可能返回 jQuery / React / 不完整代码
17
好的提示词 → 精准返回你要的 Vue3 + TS 完整组件

1
普通回答 vs 思维链回答：
2

3
问题：小明有 5 个苹果，吃了 2 个，又买了 3 个，现在有几个？
4

5
❌ 普通回答：
6
"8 个"  ← 错了！
7

8
✅ 思维链回答（Chain of Thought）：
9
"让我们一步步思考：
10
1. 小明一开始有 5 个苹果
11
2. 吃了 2 个 → 5 - 2 = 3 个
12
3. 又买了 3 个 → 3 + 3 = 6 个
13
所以答案是 6 个"  ← 对了！
14

15
为什么有效？
16
让 AI 展示推理过程，就像让人"打草稿"再给答案

1
Context Engineering = 管理 AI 的"整个工作环境"
2

3
┌─────────────────────────────────────────────────┐
4
│              Context Engineering                │
5
├─────────────────────────────────────────────────┤
6
│                                                 │
7
│  1. 系统提示词 → "你是一位资深前端工程师"         │
8
│                                                 │
9
│  2. 项目上下文 → 当前项目的代码结构/技术栈        │
10
│                                                 │
11
│  3. 对话历史   → 之前的问答记录                 │
12
│                                                 │
13
│  4. 知识库     → 项目文档/最佳实践              │
14
│                                                 │
15
│  5. 工具状态   → 已调用过哪些工具/返回了什么     │
16
│                                                 │
17
│  6. 记忆系统   → 跨会话的长期记忆               │
18
│                                                 │
19
│  目标：让 AI 始终在"最佳上下文"中工作             │
20
│                                                 │
21
└─────────────────────────────────────────────────┘

1
单模态 vs 多模态
2

3
┌─────────────┐          ┌─────────────────────────┐
4
│  单模态 AI  │          │       多模态 AI          │
5
├─────────────┤          ├─────────────────────────┤
6
│             │          │                         │
7
│  只能处理    │          │  能同时处理：             │
8
│  文字       │          │  📝 文字                │
9
│             │          │  🖼️ 图片                │
10
│             │          │  🎵 音频                │
11
│             │          │  🎬 视频                │
12
│             │          │  💻 代码                │
13
│             │          │                         │
14
│  就像盲人    │          │  就像五感健全的人         │
15
└─────────────┘          └─────────────────────────┘

1
工作流程：
2

3
"一只戴着墨镜的猫坐在沙滩上喝椰汁，卡通风格"
4
  ↓
5
  文本编码器 → 理解语义
6
  ↓
7
  扩散模型 (Diffusion) → 从噪点逐步生成图片
8
  ↓
9
  输出一张 1024x1024 的图片
10

11
┌─────────────────────────────────────────┐
12
│          扩散模型生成过程                 │
13
│                                         │
14
│  Step 1: ████████  纯噪点               │
15
│  Step 10: ████▓▓░░  有模糊轮廓          │
16
│  Step 20: ██▓▓░░░░  出现猫的形状        │
17
│  Step 30: ▓▓░░░░░░  细节逐渐清晰        │
18
│  Step 50: ░░░░░░░░  完成！              │
19
└─────────────────────────────────────────┘

1
Vibe Coding = "凭感觉写代码"
2

3
传统编程：
4
  需求 → 设计 → 编码 → 测试 → 部署
5
  ↑ 需要专业编程技能
6

7
Vibe Coding：
8
  想法 → 告诉 AI → AI 写代码 → 你审核 → 部署
9
  ↑ 只需要"描述需求"的能力
10

11
就像：
12
以前做饭：学切菜 → 学炒菜 → 掌火候
13
现在做饭：告诉厨师你要吃什么 → 等上菜
14

15
2026 年趋势：Vibe Coding 正在被 Agentic Engineering 取代

1
Agentic Engineering = 用 AI Agent 系统化开发
2

3
Vibe Coding（1.0）：
4
  你："帮我写个登录页面"
5
  AI：生成代码
6
  你："改一下颜色"
7
  AI：修改
8
  ... 来回对话
9

10
Agentic Engineering（2.0）：
11
  你："实现完整的用户认证系统"
12
  Agent：
13
    1. 分析需求 → 输出技术方案
14
    2. 创建项目结构
15
    3. 编写后端 API（调用 Codex）
16
    4. 编写前端页面（调用 Claude）
17
    5. 代码审查（调用 Gemini）
18
    6. 运行测试
19
    7. 输出部署报告
20
  你：审核 → 一键部署

1
AI 安全的三大关注点：
2

3
┌─────────────────────────────────────────────────┐
4
│                AI Safety                        │
5
├─────────────────────────────────────────────────┤
6
│                                                 │
7
│  1. 内容安全                                     │
8
│     "AI 不生成有害/违法/歧视性内容"               │
9
│     → 内容过滤、安全提示词                       │
10
│                                                 │
11
│  2. 行为安全                                     │
12
│     "AI 不执行危险操作（删库、泄露数据）"         │
13
│     → 工具权限控制、操作审计                     │
14
│                                                 │
15
│  3. 系统安全                                     │
16
│     "AI 系统不被黑客攻击/注入恶意提示词"          │
17
│     → Prompt 注入防护、模型加固                  │
18
│                                                 │
19
└─────────────────────────────────────────────────┘

1
知识图谱 = 把知识变成"关系网"
2

3
实体：     关系：
4
  苹果 ──(生产)──→ iPhone
5
  iPhone ──(属于)──→ 苹果
6
  乔布斯 ──(创立)──→ 苹果
7
  iPhone ──(竞争对手)──→ 华为手机
8
  华为手机 ──(生产)──→ 华为
9

10
查询：
11
"苹果的所有产品和创始人"
12
→ 遍历关系网 → iPhone + 乔布斯
13

14
类比：
15
传统数据库 = Excel 表格（一行行数据）
16
知识图谱   = 社交关系图（点和连线）