上个月，一个做了十年传统零售的朋友找我吃饭。

他说：”虎哥，我花了二十万请了个AI顾问，来公司讲了两天。讲完，我比没听之前更糊涂了。”

我问哪句话最糊涂。

他说：”就是那句——’我们建议采用RAG检索增强，配合MCP协议接入Tool，封装成Agent智能体，实现业务全流程自动化。’”

我听完笑了。不是这话离谱，而是这话太正常了。AI圈现在就是这个样子，每个字你都认识，拼在一起就是天书。

但问题不在术语本身。你被术语吓住了，就放弃了理解。放弃理解，就是放弃参与。

今天这篇文章，我不用任何百度式的定义，只用你每天都会遇到的东西，把这15个最常见的AI术语讲清楚。读完之后，你再听到有人聊AI，不会点头微笑心里发慌，你会知道他在说什么，甚至能判断他说得对不对。

一、AI的”大脑”：LLM

LLM，大语言模型。ChatGPT、Claude、豆包、Kimi，不管名字怎么换，背后驱动它们的都是LLM。你可以把它理解为AI的大脑。但这个大脑不是你以为的那种大脑。

它不会思考。它做的事情极其简单：猜下一个字。

你输入”今天天气很”，它翻遍自己看过的一万亿篇文章，统计发现”很”后面出现最多的字是”好”。于是它输出”好”。你看到的完整回答是”今天天气很好”。

就这么简单。一个玩了二十年文字接龙、从不睡觉的程序。它写情书不是因为爱你，它写代码不是因为懂逻辑，它只是统计概率，输出概率最高的那个字。

知道了这个底牌，你就不会被AI吓到。它不是神，它是一个统计引擎，它就是统计得够精确，够用。

二、AI的”计价单位”：Token

很多AI工具按用量收费。怎么算用量？不是按字，不是按句，是按Token。

Token是AI处理文字的基本单位。有时候一个Token是一个词，有时候是一个字的一部分。大致来说，一个汉字算1到2个Token，四个英文字母算1个Token。

你发给AI一段话，它先切成Token，再处理。你收到AI一段回答，也是按Token算钱。

这就像你去理发店，不是按”剪了一个头”收费，而是按”用了多少剪刀动作”收费。聊得越久，字越多，Token越多，花钱越多。

有个朋友跟我吐槽，说他跟AI聊了一个下午，花了四十块钱。他说四十块钱他可以请一个真人助理聊一整天。我说真人助理不会凌晨三点还秒回你。

三、AI的”记忆力”：Context Window

AI每次能处理的内容有上限。这个上限叫Context Window，上下文窗口。

你可以把它想象成一张桌子。桌子有多大，上面就能放多少文件。128K的窗口，大约能放一本两百页的书。但这张桌子一旦满了，新文件进来，旧文件就被挤掉了。

所以你跟AI聊了很久之后，它突然忘了你们一开始说了什么。不是它故意失忆，是桌子真的放不下了。

这就催生了一个问题：如果你有十本手册想让AI参考，但桌子只放得下一本怎么办？答案在后面。

四、和AI说话的方式：Prompt

Prompt，提示词，就是你跟AI说的话。

同样问AI一个问题，有人得到精准答案，有人得到一堆废话。区别完全在Prompt怎么写。

你去餐厅，说”来点好吃的”，厨师不知道做什么。但你说”来一份少辣、不要香菜、加蛋的番茄炒饭”，厨师能精准执行。

Prompt就是你的菜单。写得清楚，AI做得清楚。写得模糊，AI做得模糊。

现在甚至有人专门做Prompt优化，搞A/B测试，追踪效果，管理版本。这门手艺叫Prompt Engineering。说白了就是研究怎么跟AI说人话。

五、AI最大的毛病：Hallucination

Hallucination，幻觉。这是AI目前最让人头疼的毛病。

你问它一个它不知道的问题，它不会说”我不知道”。它会非常自信地编一个答案，语气坚定，细节丰富，让你以为它说的是真的。

前段时间我们有个项目，需要涉及到若干传感设备，就通过AI出技术方案，选型传感器设备产品，结果其中有不少型号、参数都是AI瞎编的，跟厂家一确认，说没有这些型号或参数的产品。

这个毛病不是偶然的。因为LLM本质上就是猜字游戏，它不知道什么叫”事实”，它只知道什么叫”概率高”。当你问它一个它训练数据里没有的问题，它就按照概率猜，猜出来的东西看起来很像答案，但其实是编的。

理解了幻觉，你就理解了后面那些技术为什么要存在：RAG、MCP、Agent，本质上都在解决一个问题，让AI别瞎编。

六、给AI开卷考试：RAG

RAG，检索增强生成。三个英文单词，一个中文意思：开卷考试。

普通AI回答问题，是闭卷考试。只能靠训练（大模型厂家干的事，成本极高）时记住的东西答题，记不住的就瞎编。RAG的做法是：回答之前先去知识库里搜，搜到相关内容，塞进AI的脑子里，然后让它基于这些内容用大模型组织语言回答。

你问”2026年消费税改革方案是什么”，AI如果闭卷回答，大概率编一个看起来很专业的假方案。但用了RAG，系统先去你上传的财税政策库里搜，找到真正的政策文件，把那几段原文发给AI，AI再基于原文总结回答。

这就是为什么现在几乎所有企业级AI产品都号称”我们有知识库”。因为没有知识库的AI，对企业来说是灾难而不是工具。

七、让AI能”动手”：Tool

大模型只有嘴，没有手。它能说”北京今天25度”，但它没法真的去查天气。它能说”帮你发一封邮件”，但它没法真的打开邮箱。

Tool就是给AI装手。

你问”今天北京几度”，AI分析出来”这需要查天气”，生成一个调用指令。系统收到指令，调用天气API，拿到真实数据”25度，晴”，喂回给AI。AI看到数据，输出”北京今天25度，天气晴朗”。

模型只负责”决定要做什么”，Tool负责”真正去做什么”。老板动嘴，员工跑腿。只不过这个老板是AI，员工是一堆API。

八、AI世界的”USB接口”：MCP

以前每家AI公司接入工具的方式都不一样。OpenAI一套标准，Claude一套标准，Google一套标准。开发人员想给三个平台都接上同一个工具，要写三套代码。

这就像出门带三根充电线：苹果Lightning、安卓USB-C、老设备Micro-USB。包里缠成一团。

MCP，模型上下文协议，就是AI世界的USB-C。它制定了一套统一标准：工具长什么样、怎么跟模型对话、参数怎么写、结果怎么传回来。只要你的工具遵守MCP标准，任何支持MCP的模型都能直接调用。

一根线，走天下。开发人员终于不用”解线团”了，例如你开发了一个标准协议的调用MySQL的MCP，那各个大模型都可以通过这个MCP来访问MySQL数据库，读取其中的数据。

九、把能力打包成”技能包”：Skill

Skill，技能。就是把一整套业务流程打包封装，让AI可以直接调用。

打个比方。Function Calling是让AI学会”用筷子夹菜”这一个动作。Skill是让AI学会”做一顿完整的晚餐”——买菜、洗菜、切菜、炒菜、端上桌、收拾厨房，全套流程。

一个”报销审核Skill”可能包含：读取发票图片、识别金额和日期、核对公司报销规则、判断是否合规、生成审批意见。这不是一个动作，是一整套业务。

Skill的出现意味着AI能力可以复用、共享、上架。就像App Store里的应用，你不需要自己开发，下载就能用。

十、会自己干活的终极员工：Agent

这是现在最火的AI概念。Agent是融合了上边讲的各种概念和能力的综合性产品。

普通AI是你问一句它回一句，像个复读机。Agent是你给它一个目标，它自己拆解步骤、自己调用工具、自己执行、自己检查结果。

你说”帮我安排周末去杭州的旅行”。普通AI回”好的，你想去哪里？”然后等着你继续说。Agent直接开始干活：查天气看杭州周末几度、查机票看哪个时间段便宜、查酒店看离西湖近的、综合比较后给你一份完整方案。

整个过程你只说了一句话。

Agent和普通AI的区别，就是助理和客服的区别。客服只能回答你的问题。助理能帮你解决问题。

当然，Agent也有出问题的时候。它可能帮你订了酒店，但订到了一个离景点二十公里的地方，因为它”觉得”便宜更重要。这就回到了一个核心问题：你给Agent的指令够不够清晰，你给它选的工具够不够靠谱。

十一、AI员工”组队打怪”：Multi-Agent

一个Agent搞不定的复杂任务，就组几个Agent一起干。

写代码？一个Agent负责写，一个负责测，一个负责写文档。做市场调研？一个Agent负责搜集数据，一个负责分析趋势，一个负责写报告。

这叫Multi-Agent，多智能体协作。就像公司里不同岗位的人配合完成一个项目。每个Agent有自己的专长，组合在一起能处理比单个Agent复杂得多的事情。

当然，这些事情一个Agent也可以干。但是单个Agent再厉害也有天花板，但几个Agent组合起来，天花板可以翻好几倍。

十二、给AI做岗前培训：Fine-tuning

大模型是通才。它什么都知道一点，但不精通任何一行。

Fine-tuning，微调，就是拿着你们行业的专业数据，让AI重新学一遍。把它从”什么都知道一点的通才”变成”只精通你这一行的专才”。

你是一家律师事务所，你需要AI能写诉状、审合同、查法规。通用模型写出来的诉状像作文，审合同漏掉关键条款。但拿几万份真实诉状和合同喂给它微调之后，它输出的东西就真的像律师写的了。

微调很贵，这个事情的本质还是在现有大模型的基础上再训练，记住，在人工智能领域，但凡涉及说“训练”，那就是意味着动辄几十几百万的投入。不过最近出现了个LoRA——一种低成本微调技术。就像给AI贴一个”外挂知识包”，不动大模型本身，花很少的钱就能让它学会新技能。效果不如全量微调，但性价比高很多。

十三、AI的”知识保质期”：Knowledge Cutoff

AI的知识停在它出厂的那一天。

如果一个模型训练截止到2025年1月，那它所总结的信息范围，就只到这个时间点，之后世界上发生的事情、产生的知识信息，它可以调用搜索引擎查出来给你，但这不是它的知识积累，无法应用在它的推理思考中。

这就是Knowledge Cutoff，知识截止日期。它解释了为什么AI总是跟不上最新信息。这也解释了为什么RAG这么重要，因为RAG可以给AI补充最新资料，绕过截止日期的限制。

十四、AI内部的”外包团队”：MoE

MoE，混合专家模型。

听起来很高端，原理很简单：AI的大脑里分了好几个”专家小组”。遇到数学题，就叫醒数学专家处理。遇到翻译，就叫醒翻译专家处理。不用每次都动用整个大脑。

好处是省算力。就像公司里不用每个项目都让全部员工一起加班，哪个项目需要谁就叫谁。

GPT-4、DeepSeek-V3这些模型都用MoE架构。它们的参数量看起来巨大，但实际每次只激活一小部分，所以推理成本比想象中低。

十五、AI的终极目标：AGI

AGI，通用人工智能。就是AI变得和人类一样，什么活都能干，遇到陌生问题也能自己学会解决。

目前AGI还没实现。现在所有AI都是专用AI，擅长特定领域，但跨领域就笨了。一个能写代码的AI未必能做设计，一个能做翻译的AI未必能做数学。

但AGI是整个AI行业的长期目标。所有你在新闻里看到的算力竞赛、模型升级、协议标准化，都是在向AGI这个方向努力。

至于AGI什么时候能实现，没人能给出确切答案。有人说五年，有人说五十年。这是个渐进的过程。今天的Agent比去年的聊天机器人更像”通用智能”，明天的Multi-Agent又会比今天的Agent更像。终点还远，但方向没错。

总结：一张速查表

看完这张表，你再回头看我那个朋友听到的那句话：

“我们建议采用RAG检索增强，配合MCP协议接入Tool，封装成Agent智能体，实现业务全流程自动化。”

翻译一下就是：给AI配上知识库让它不瞎编，用统一接口接上各种工具让它能动手，把这些打包成一个能自己规划、自己执行的系统，让业务流程跑起来。

就这么回事。一套有逻辑可循的技术架构，你搞懂了，就能参与讨论，就能判断别人说得对不对。

而搞懂这些术语的门槛，其实远比你想象的低，只要你，学起来。