第 25 章 · 查漏补缺
术语表：听到这些词不用慌
用大白话解释，括号里是英文，方便你在别处对照。输入关键词可以筛选。
共 33 条术语
- 大语言模型 LLM, Large Language Model
- 读海量文字训练出来的 AI，本职工作是"预测下一段最可能出现的文字"。ChatGPT、GPT-5 这类都属于它。
- 词元 Token
- 模型眼里文字的最小单位。中文大约一个字一个词元上下，英文大约四个字符一个。计费和长度限制都按它算。
- 上下文窗口 Context Window
- 模型一次能"看见"多少内容，相当于它的工作记忆。超出了，最早的内容就会被挤掉——这就是它"忘事"的原因。
- 提示词 Prompt
- 你发给 AI 的那段话。在 Codex 里，它也包含你给的文件、项目说明和之前说过的要求。
- 系统提示 System Prompt
- 产品方预设的一段"底层指令"，规定了它的身份和行为底线。你看不到全文，也通常改不了。
- 幻觉 Hallucination
- 它用非常确定的语气说出错误或根本不存在的内容。原因是它的本职是"说得像"，不是"说得对"。
- 温度 Temperature
- 控制随机性的旋钮。调低更稳定保守，调高更发散有创意。也解释了你为什么问两次答案不一样。
- 推理 / 思维链 Reasoning / Chain of Thought
- 让模型先在"草稿纸"上推导，再给最终答案。数学、逻辑、复杂代码全靠它，代价是更慢更贵。
- 智能体 Agent
- 给大模型配上工具（读写文件、上网、运行程序）和自主决策能力之后的样子。Codex 就是一个智能体。
- 工具调用 Tool Use / Function Calling
- 模型自己判断"这一步该用哪个工具"，然后调用它。比如"读文件""搜网页""跑一段代码"。
- 检索增强生成 RAG
- 回答问题前先去资料库里找相关材料，再基于材料作答。相当于开卷考试，减少瞎编和过时。
- 嵌入 / 向量 Embedding / Vector
- 把文字变成一串数字。意思相近的文字，数字也相近。RAG 能"找到相关内容"靠的就是它。
- 微调 Fine-tuning
- 用你自己的数据再训练模型一轮，让它学会特定风格或专长。成本高，大多数场景用不着，先试提示词和 RAG。
- 多模态 Multimodal
- 除了文字，还能处理图片、声音、视频。对普通人最有用的是——可以直接截图求助。
- 沙盒 Sandbox
- 给它划定的活动范围：能读哪些文件、能改哪些地方。就像给实习生开了一间只有他能进的办公室。
- 审批 / 权限确认 Approval
- 它动手前是否要问你。可以设成每次都问、只在敏感操作时问、或直接执行。新手建议从严开始。
- 工作区 Workspace
- 你交给它的那个文件夹。默认它只能在这个范围内活动。
- 线程 / 会话 Thread / Session
- 一次持续对话。可以理解成一张工作台，上面放着你说过的话和改过的东西。换任务就换一张干净的桌子。
- 上下文压缩 Compaction
- 长对话快塞满时，把历史浓缩成要点，腾出空间继续聊。有些工具会自动做，也可以手动触发。
- 项目说明书 AGENTS.md
- 放在文件夹里的一份说明，写着这个项目的规矩和偏好。它会自动读到并遵守，相当于贴在门上的家规。
- 技能 Skill
- 一份可复用的"操作说明书"，把重复的流程固化下来。放在技能目录里，需要时自动或手动调用。
- 自动化 Automation
- 定时或按条件触发的任务，比如每天检查某网站有没有更新。重点在"无人值守"，所以权限要收得更紧。
- 钩子 Hook
- 在特定时刻自动执行的硬性规则，比如"每次改完文件必须跑一遍检查"。它不靠 AI 自觉，靠机制保证。
- 插件 Plugin
- 把技能、命令、外部连接、规则打包成一整套，可以一键安装。适合把团队的工作方式分发给所有人。
- 模型上下文协议 MCP
- 一套统一接口，让 AI 能接上各种外部服务（笔记、代码仓库、数据库……）。类比电脑上的 USB 口。
- 连接器 Connector
- 经过官方授权、让 AI 直接访问你的云文档、日历、消息等服务的通道。连上之后它就能看到那些内容。
- 子智能体 / 子任务 Subagent
- 让主任务当"项目经理"，把活派给几个并行的执行者，各自干完再汇总。适合能拆开的独立任务。
- 提示注入 Prompt Injection
- 把恶意指令藏在它要读的内容里（比如一个网页），诱导它照做。所以让它自动读外网内容时要有防备。
- 对齐 Alignment
- 训练模型的后期阶段，让它"说人话、守规矩、不越界"。同时也是一个更大的研究话题：怎么让 AI 的目标和人类一致。
- 训练 / 推理 Training / Inference
- 训练是"学习"阶段，一次性、成本极高；推理是"答题"阶段，也就是你使用它的每一刻，按量计费。
- 参数 Parameters
- 模型内部的"旋钮数量"，粗略类比脑容量。大通常上限高，但实际水平更取决于数据质量和后期打磨。
- 版本控制 Git / Version Control
- 给文件建立"时光机"：每次改动都留档，随时回退和对比。让 AI 改你的重要文件之前，有这个最安心。
- 接口 API
- 让程序之间互相说话的通道。你想把 AI 接进自己的系统时，用的就是它——这也是"按量付费"那条路。
提示：用键盘 ← → 可以翻到上一章 / 下一章