很多人刚学 AI，第一反应不是“技术太难”，而是“怎么到处都是听不懂的词”。
刚打开工具，你会看到 Prompt、模型、上下文、Token。再刷两篇文章，又会遇到 Agent、RAG、微调、MCP、GPU、数据中心。每个词单独查，好像都能懂一点；放在一起，就像突然进了一个新行业。
这篇不写成论文，也不做硬背词典。你可以把它当成一张 AI 入门地图。
我把 60 个常见术语分成 7 层：从你打开 AI 工具就会遇到的界面词开始，一直讲到模型使用、自动化、工程开发、部署运维、底层原理和硬件基础设施。
不用一次背完。先知道每个词大概站在什么位置，以后再看 AI 教程、工具介绍和产品发布，就不会那么容易迷路。
第一层：刚打开 AI 工具就会遇到的词
这一层离普通用户最近。你不用懂代码，只要用过聊天式 AI，基本都会碰到。
1. AI
AI 是人工智能。简单说，就是让机器完成一部分过去需要人做的事情。
但现在的 AI 还不是“像人一样什么都懂”。它在写作、总结、识图、生成代码、分析资料这些局部任务上很强，但不等于拥有完整的人类思维。
2. 聊天框
聊天框是大众最熟悉的 AI 入口。你输入文字，它返回回答。
它和 Agent 不一样。聊天框主要负责对话，Agent 还能调用工具、运行代码、读取文件，甚至替你完成一整套任务。
3. 输入和输出
你给 AI 的问题、材料、要求，叫输入。AI 返回的文章、图片、代码、表格、方案，叫输出。
AI 很吃输入质量。你只说“帮我写一下”，它只能猜。你说清楚目标、读者、格式、限制和例子，它才更容易交出能用的结果。
4. 联网搜索
模型自己的知识有时间范围。涉及今天的新闻、产品价格、法律政策、软件版本、体育赛程，最好让 AI 联网搜索，或者自己再交叉核验。
5. 对话历史和记忆
同一个对话窗口里，AI 会参考前文，这叫对话历史。
跨窗口能不能记住你，取决于产品有没有长期记忆功能。没有记忆时，你换一个新窗口，它就不知道你之前的背景。
6. Prompt
Prompt 就是你给 AI 的任务指令。
一个好的 Prompt 不只是“帮我写一篇文章”，而是告诉它：写给谁看、解决什么问题、用什么口吻、输出什么格式、不要写什么。
7. 模型
模型可以理解成 AI 的大脑。不同公司、不同系列、不同版本的模型，能力差异很明显。
有的适合写作，有的适合推理，有的适合代码，有的适合图片和视频。
8. 模型版本
模型会不断升级。版本变化通常意味着理解能力、推理能力、速度、价格、上下文长度或多模态能力发生变化。
不要只看名字，也要看它适合什么任务。
9. 模型类型
常见模型类型包括文字模型、图像模型、视频模型、语音模型和多模态模型。
复杂任务不一定靠一个模型完成。比如做一条短视频，可能需要文字模型写脚本，语音模型配音，图像模型出图，视频模型生成画面。
10. AIGC
AIGC 指 AI 生成内容。文章、海报、音频、视频、代码，只要主要由 AI 生成，都可以算 AIGC。
11. AI 应用
AI 应用是把模型能力包装成普通人能用的产品。比如写作工具、聊天助手、浏览器插件、小程序、图片生成器。
模型是发动机，应用是车。等你开始挑具体工具时，可以再看我之前写过的普通人怎么选择 AI 工具更省钱，那篇更偏工具选择和成本判断。
12. 上下文
上下文就是当前对话里 AI 能看到的前后内容。
对话太长、材料太杂时，AI 会更容易混乱。做复杂任务时，阶段性总结、新开对话，反而更稳。
13. 知识库
知识库就是把固定资料上传给 AI，让它按这些资料回答。
它适合处理公司制度、课程资料、客服话术、项目规范。你不用每次都把背景重新说一遍。
14. 插件
插件给 AI 增加额外能力，比如搜索网页、运行代码、读取表格、生成图片。
如果说模型负责思考，插件就像给它配工具箱。
15. 多模态
多模态指模型可以同时处理文字、图片、语音、视频等信息。
它很像通才，能看图、听音频、读文字。但在某些单项任务上，专用模型仍然可能更强。
第二层：开始稳定使用 AI 后必须懂的词
这一层决定你能不能把 AI 用稳，而不是每次都靠运气。
16. LLM
LLM 是大语言模型。它擅长文字理解、写作、总结、对话和逻辑分析。
你平时用的聊天式 AI，大多属于这一类。
17. 开源模型和闭源模型
开源模型可以下载、修改和本地部署。闭源模型不公开核心代码，通常通过官方产品或 API 使用。
开源更灵活，闭源往往上手更省事。
18. AI 幻觉
AI 幻觉就是模型把没有依据的内容说得像真的一样。
它不会主动提醒你“我刚才可能编了”。所以重要内容一定要核验，尤其是法律、医疗、金融、论文引用、政策和价格。
19. System Prompt
System Prompt 是系统提示词。它通常由开发者预先写好，用来规定 AI 的身份、边界和行为规则。
它的优先级一般高于普通用户指令。
20. Temperature
Temperature 叫温度值，用来控制回答的发散程度。
温度高，答案更有创意，但也更不稳定。温度低，答案更保守，更适合正式文档和严谨任务。
21. Token
Token 是模型处理和计费的基本单位。
你输入的文字、图片、音频，最后都会被转成模型能处理的单位。上下文越长、模型越强，成本通常也越高。
22. 上下文窗口
上下文窗口决定 AI 一次最多能读多少内容。
窗口不够时，模型会丢掉一部分前文。长对话突然答非所问，很多时候就是上下文出了问题。
23. Markdown
Markdown 是一种轻量文本格式。
它没有 Word 那么复杂的排版，但很适合 AI 读取、改写和保存结构化内容。写提纲、脚本、教程、项目说明，都很好用。
24. 提示词工程
提示词工程研究怎样把任务讲清楚，让 AI 输出更稳定。
模型越来越强以后，提示词不会消失，只是会从“背模板”变成“清楚表达需求”。
25. RAG
RAG 是检索增强生成。
它的逻辑是：先从外部资料里找相关内容，再让模型基于这些资料回答。企业知识库、客服机器人、内部文档问答，经常会用到 RAG。
26. Embedding
Embedding 可以理解成把文字变成一串数字坐标。
这样电脑就能判断两段话在意思上是不是接近，而不是只看有没有相同的字。
27. 向量数据库
向量数据库用来存储和检索 Embedding。
你问一个问题，它能找出语义最接近的资料，再交给模型生成回答。很多知识库背后都有这一层。
第三层：从聊天走向自动化
这一层开始，你不只是让 AI 回答问题，而是让它替你完成任务。
28. AGI
AGI 是通用人工智能。它指的是在大多数领域都能达到或接近人类水平的智能系统。
这是行业长期目标，但还不是普通人今天能直接使用的产品形态。
29. 涌现
涌现指模型规模、数据和训练方式达到某个阶段后，突然表现出原本没有专门训练过的能力。
很多人关注大模型，就是因为它会出现这种能力跃迁。
30. 深度思考
深度思考一般指模型花更长时间处理复杂问题。
它通常更慢，但更适合数学、规划、代码分析、复杂决策这类任务。
31. 推理
推理是模型一步步分析问题的能力。
数学题、逻辑题、代码排错、方案判断，都依赖推理。推理能力弱的模型，容易给出看似流畅但站不住的结论。
32. To C 和 To B
To C 面向个人用户，比如聊天工具、写作工具、图片生成工具。
To B 面向企业客户，比如客服系统、知识库、销售自动化、内部办公系统。AI 行业里，企业市场通常更稳定，也更重视交付结果。
33. AI Native
AI Native 指从一开始就围绕 AI 能力设计的产品。
它不是在老软件旁边加一个聊天框，而是把 AI 当成产品流程的一部分。
34. Agent
Agent 是智能体。它能拆任务、调用工具、读取文件、运行代码、联网搜索，有时还能操作电脑界面。
聊天框像咨询顾问，Agent 更像会动手的助理。
35. 工作流
工作流是把多步任务串成固定流程。
比如：收集资料，生成初稿，检查事实，改成公众号格式，输出封面提示词。重复工作一旦流程化，就更容易自动化。
36. Vibe Coding
Vibe Coding 是用自然语言和 AI 协作写代码、做网页、做插件或小工具。
它降低了普通人做产品的门槛，但不代表完全不用检查。AI 写出来的东西，仍然需要测试、调试和修正。如果你想把这条路走得更实一点，可以接着看Codex 新手教程。
37. API 和 API Key
API 是不同软件之间互相调用能力的接口。
API Key 是访问密钥，作用接近账号密码。不要截图外发，不要写进公开代码，也不要随便交给不可信工具。
38. 报错和 Debug
报错是系统告诉你哪里出了问题。
Debug 是根据报错、日志和现象一步步排查原因。对普通人来说，把完整报错复制给 AI，往往是最省事的第一步。
39. 工具调用
工具调用也叫 Function Calling。
意思是模型不只回答你，还能决定什么时候调用外部工具，比如查数据库、读网页、发邮件、执行脚本。
40. 模型评测
模型评测用来比较不同模型在写作、推理、代码、多模态等任务上的表现。
评测榜单有参考价值，但不能完全替代你的真实场景。你要写文章，就看写作质量；你要写代码，就看能不能跑通。
第四层：进入 AI 工程开发会遇到的词
如果你只是日常使用 AI，这一层可以慢慢看。如果你想做工具、做自动化、做产品，它们迟早会出现。
41. GitHub
GitHub 是代码托管和协作平台。
很多开源 AI 工具、项目模板、教程和插件都能在上面找到。它像程序员世界的资料库和协作空间。
42. 前端和后端
前端是用户看得见的部分：页面、按钮、输入框、动画、视觉样式。
后端是用户看不见的部分：数据存储、账号系统、接口、业务逻辑、安全校验。
43. Skill 和 MCP
Skill 可以理解成封装好的专用能力包，比如专门做 PPT、处理表格、分析代码、生成文章。
MCP 是让 AI 接入外部工具和数据源的一套协议或工具生态。它的目标是让 AI 不只会说，还能连上真实系统。想看插件、工具包怎么选，可以参考Codex 插件高效使用指南。
44. 微调
微调是在已有模型基础上，用特定行业或任务的数据继续训练。
比如法律、医疗、客服、金融风控，都可能需要更贴近业务场景的模型。
45. 训练
训练是把大量数据交给模型，让它学习语言、图像、音频或行为规律。
完整训练一个大模型成本很高，普通团队更多会选择调用现成模型、微调小模型或搭建 RAG 系统。
第五层：部署和运维相关词
这一层听起来偏程序员，但普通人做 AI 工具时也会越来越常见。
46. Terminal
Terminal 是终端，也就是用命令和电脑对话的窗口。
很多开发工具、部署工具、自动化脚本，都需要从终端运行。
47. 命令
命令就是输入终端、让电脑执行某个动作的语句。
比如安装依赖、启动服务、查看文件、打包项目。
48. 路径
路径是文件或文件夹在电脑里的地址。
路径写错，工具就找不到文件。很多新手报错，其实不是代码坏了，而是路径没写对。
49. 环境变量
环境变量常用来保存 API Key、数据库地址、运行配置。
它的好处是不用把密钥直接写进代码，减少泄露风险。
50. 服务器和部署
服务器是远程运行程序的电脑。
部署就是把本地做好的工具放到服务器上，让别人也能通过网页或接口访问。
51. 私有化部署
私有化部署指把模型或 AI 系统放在自己的服务器、公司内网或本地环境里。
它常见于对数据安全、权限管理和合规要求更高的场景。
52. 推理成本
推理就是模型实际回答问题的过程。
每次回答都会消耗算力和 Token。模型越大、上下文越长、请求越多，成本通常越高。做 AI 产品时，推理成本是必须算清楚的一笔账。
第六层：底层模型原理
这一层不用一开始就精通。但你知道一点原理，就不容易被夸张宣传带着走。
53. 神经网络
神经网络是一类算法结构，灵感来自人脑神经元连接方式。
大模型不是简单的规则库，而是建立在复杂神经网络之上的统计学习系统。
54. 参数
参数是模型内部可调整的数值。
参数越多，模型容量通常越大，但训练和运行成本也越高。参数多不自动等于更适合你的任务。
55. AI 三要素
AI 三要素是算法、数据、算力。
算法决定怎么学，数据决定学什么，算力决定能不能学得动。三者少一个，能力都会受限制。
56. 预训练和后训练
预训练是模型上线前的大规模通识学习，通常最烧钱。
后训练是让模型更符合人类偏好、产品规则和具体任务，比如更会对话、更少胡说、更懂安全边界。
57. 模型蒸馏
模型蒸馏是用大模型的输出训练小模型。
目标是让小模型用更低成本完成一部分任务。它不一定保留大模型全部能力，但在特定场景里很实用。
第七层：硬件和基础设施
最后一层离普通用户最远，但它决定了 AI 为什么贵，为什么大公司都在抢芯片和建数据中心。
58. CPU 和 GPU
CPU 像通用指挥官，什么都能处理一点。
GPU 更擅长并行计算，适合训练和运行大模型。现在 AI 算力竞争里，GPU 是最核心的硬件之一。
59. 算力集群和数据中心
大量 GPU 集中在机房里，组成算力集群。
大模型训练需要海量计算资源，所以背后往往是巨型数据中心、网络、散热、电力和运维系统。
60. 电力能耗
AI 数据中心耗电很高。
芯片只是第一层，电力、散热、机房选址和基础设施，都会影响 AI 产业能扩张到什么程度。
新手该怎么学
如果你刚入门，不建议从神经网络和 GPU 开始死磕。
更现实的顺序是：
先学会用。把 Prompt、上下文、知识库、联网搜索用熟。
再学会判断。知道什么是幻觉、Token、上下文窗口和模型版本，别把 AI 的回答直接当事实。
然后学自动化。Agent、工作流、API、工具调用，会把 AI 从“回答问题”变成“替你做事”。
最后再补工程和底层。GitHub、前后端、终端、部署、神经网络、参数、GPU，这些词会帮你理解 AI 工具背后的真实成本和能力边界。
学 AI 不需要一口气吃完。先搭一张地图，再把每个词放回地图里。这样你再看到新工具、新模型、新概念时，就不会只剩下焦虑。
常见问题
AI 新手要先学 Prompt 还是先学模型原理？
先学 Prompt。普通人最先需要解决的是“怎么把需求说清楚”，不是一上来研究神经网络。等你能稳定完成写作、总结、搜索和资料整理，再回头补模型原理会轻松很多。
RAG、Embedding、向量数据库必须马上学吗？
不必马上深学，但要知道它们大概解决什么问题。简单说，它们常用于“让 AI 先找资料，再基于资料回答”，适合企业知识库、内部文档问答和客服系统。
Agent 和普通聊天框最大的区别是什么？
聊天框主要回答问题。Agent 会把问题拆成任务，然后调用工具去执行，比如读文件、查资料、写代码、运行命令和整理结果。
学 AI 一定要会代码吗？
日常使用不一定需要。写 Prompt、建知识库、用插件和搭工作流，都可以先不写代码。但如果你想做自己的工具、网站或自动化系统，迟早要懂一点前端、后端、API、终端和部署。