产品界面基础
AI（Artificial Intelligence）—— 人工智能
全称Artificial Intelligence。科学家发明这个词时，希望机器能像人一样聪明。目前AI已经有了一定的智能，但离"像人一样"还有距离：自动驾驶还不能像老司机一样开车，具身智能机器人还不能像保姆一样照顾小孩，办公场景下也不能完全听懂你的指令自动干活。
Chatbox —— 聊天框
现在大家用的AI助手，大多是以对话形式展开的，这种界面就叫Chatbox。但AI不只有聊天一种形态——Agent能帮你干活、执行操作、控制电脑；具身智能和自动驾驶则能在物理世界里发挥作用。
输入和输出（Input / Output）
你给AI指令就是输入，AI给你的返回就是输出。AI圈有句名言：Garbage in, garbage out（垃圾进，垃圾出）——你给AI的输入质量，直接决定了输出质量。
联网搜索
传统AI只知道训练截止日期之前的信息。想知道最新消息，按一下联网搜索按钮，它就去网上帮你找。现在最前沿的AI已经能自动判断你是否需要实时信息，该搜就搜，不用你手动点。
对话历史
新对话里，AI看不到之前聊过什么，所以不会记得你的上下文。有些AI产品有记忆功能，会把过去有用的信息收集起来，每次新对话时自动加载。
Prompt —— 提示词
你给AI的任务指令就叫Prompt。就像领导交代任务一样，指令越详细、越准确，结果就越好。AI同时在服务全球几十亿人，它不知道你的行业、项目背景——你得自己说清楚。
模型（Model）
AI背后真正干活的那个"大脑"就叫模型。ChatGPT、Gemini、豆包用的是不同的模型，能力、风格、聪明程度都不一样。
模型版本
同一家公司的模型也分新旧，就像iPhone 16、17、18。数字越大越新，能力越强。因为AI更新太快，一年不止迭代一代，所以还会有小数点版本（如4.6、4.7）。
模型基础
模型类型
模型不只分版本，还分类别，就像医生有全科和专科：有的专门处理文字，有的专门看图，有的专门生成视频。一个复杂任务（写脚本→做PPT→数字人录音）可能需要调用多种类型的模型。
AIGC —— AI Generated Content
AI生成的所有内容都叫AIGC——音乐、视频、图片、文章、代码，现在AI都能创作。
AI应用
把AI能力包装成产品给人用，不管是小程序、小插件还是Skill，都叫AI应用。它直接解决你的问题。
上下文（Context）
当前这轮对话里，你和AI聊过的所有内容就是上下文。上下文是有限的——当对话越来越长，AI的"脑子"越来越满，它就会开始变模糊，甚至前后信息相互污染。
记忆（Memory）
默认情况下，AI记不住其他对话窗口的内容。但GPT、Gemini Pro、Claude等产品已经做了跨对话记忆功能，不用每次都重新讲一遍。
知识库（Knowledge Base）
上传给AI的参考资料，让它在你的资料范围内回答问题。比如把周报规范写成知识库，以后写日报时直接丢给AI，省得每次重复说明。
插件（Plugin）
给AI装额外工具。装搜索插件就能联网，装代码插件就能跑代码。
多模态（Multimodal）
能同时理解文字、图片、声音的模型，更像一个真实的人。可以理解为AI里的"全科医生"，但单项能力不一定最强。
LLM —— Large Language Model（大语言模型）
很大、很聪明的语言理解模型。跟你对话、搜索、写作用的就是它。它读过海量文字，学懂了语言规律。参数越多就像读过的书越多，通常越聪明。
开源和闭源（Open Source / Closed Source）
开源是公开分享，谁都能下载改造；闭源只给你用，不给你看内部。模型有开源（如Llama、DeepSeek）和闭源之分，代码和产品也一样。很多人无私地把自己的作品开源到网上，让更多人受益。
AI核心概念
幻觉（Hallucination）
AI有时候会一本正经地胡说八道，它甚至不知道自己错了——这就是幻觉。原因是AI用"预测下一个字"的机制在做数学计算，算着算着就跑偏了。
System Prompt —— 系统提示词
除了你给的指令，开发者还给AI写了一份"角色说明书"——这就是System Prompt，藏在你看不到的地方，但始终影响AI的行为风格。
Temperature —— 温度
控制AI发散程度的参数。发散的AI创意多，听话的AI更守规矩。实用技巧：头脑风暴时用发散一点的，执行落地时用听话的。
Token
AI世界的计费单位，差不多一个字母就是一个Token。它是AI处理文字的最小计量，就像手机流量。好的模型每计算一次都金贵，用一会儿可能就提示"到限制了"。
上下文窗口（Context Window）
AI每次对话能看到的最大信息范围，超出就忘了。窗口越大，能处理的文档越长。用Agent时要注意：窗口满了AI可能不会告诉你，而是开始乱码、开始忘。
Markdown
Word的极简版——一种纯文本格式，只有标题、加粗等基础格式，没有颜色。AI默认用Markdown回复，很多产品会自动渲染好。
提示词工程（Prompt Engineering）
研究怎么问AI才能得到更好答案的学问。AI越强，这门学问的重要性可能会下降，但基本功还是要有的。当AI回复不满意时，很可能是你的指令没下明白。
自动化与Agent
AGI —— 通用人工智能
科学家希望AI在所有人类能做的事情上都有同等智能——这是AGI的目标，也是全世界科学家的努力方向。
涌现（Emergence）
当模型大到一个临界点，突然学会了没人教过的能力——这就是涌现。AI能力不是线性增长的，而是突然爆发，聪明程度一下子上一个台阶。
深度思考（Deep Think / Pro）
很多AI工具里的"深度思考"或"Pro"按钮，就是让AI多花时间、展示推理过程，把问题想得更深。就像让人类干活，是简单调研还是深度研究。
推理（Reasoning）
AI做逻辑分析、数学推导的能力。推理能力强的模型，面对复杂问题不容易翻车。
ToB 和 ToC
AI产品卖给谁？ToC卖给普通消费者（免费+广告或付费升级），ToB卖给企业（客单价高、采购量大）。
AI Native
AI时代的新物种。不是给旧软件打个AI补丁，而是用AI的逻辑从头构建。就像00后相比中年人，整个思维框架都是全新的。
Agent —— 智能体
聊天机器人只有嘴，只会写字说话。Agent有手有脚——能调用工具、搜索、控制电脑、写代码。它能自主拆解任务、调用资源把事情做完。
Workflow —— 工作流
复杂且需要重复执行的工作，把步骤记录下来串成流水线——A做完交给B，B做完交给C，每个步骤都有验收标准。有了工作流，手动操作就变成了自动运行。
Vibe Coding —— 氛围式编程
以前只有程序员能写代码。现在有了"傻瓜式编程"——不需要懂代码，靠跟AI聊天就能做出产品、插件或页面。关键不是会编程，而是会表达。
API —— 应用程序接口
虚拟世界的接口。买了大模型服务，通过API Key（密码）对接。把密码输入Agent，Agent就去后台调用大模型的能力。
Error 和报错（Debug）
用Agent时偶尔报错——别害怕。报错就是出了点小问题，AI不知道该怎么继续了。把报错信息丢给另一个AI来修，永远是让AI修AI最高效。
开发工程系统
GitHub
程序员存放和协作代码的平台，可以理解成程序员的"小红书"。想做东西时先去GitHub搜搜——很可能别人已经做出来了。Star数就是收藏数，越多越好。
HTML
网页的格式。如果Word是文档格式，网页就是HTML格式。
前端和后端（Frontend / Backend）
用户能看到的页面、按钮、动画是前端，AI最擅长写前端。背后的登录逻辑、数据处理、推荐算法是后端，决定产品能不能用、快不快。
Debug —— 调试
找出程序里的Bug并修复。让AI每次检查测试一下，能大大减少返工时间。
MCP 和 Skill
当你需要某个工具或能力时，很可能有现成的Skill。市面上有做网页PPT的、做分析的、做产品修改的各种Skill。MCP和Skill通常是一种统称，代表别人设计好的工具和工作流。
微调（Fine-tuning）
在开源大模型的基础上，用你的专业数据去训练，改出一个小模型——这个过程就是微调。
训练（Training）
让模型从海量数据中学习。训练非常烧钱——做一个GPT-5的研发经费，可能相当于一家大公司一年的投入。训练原理：一开始人类告诉AI看什么特征，后来喂给它海量数据，它自己就学会了规律。
部署与运维
Terminal —— 终端
电脑里的原生对话窗口，就像一块小黑板，你在这里跟电脑交流。不用理解成编程工具，它就是一个对话窗口。
命令（Command）
你给AI或电脑输入的指令都叫命令。具体命令不用背，知道这个词就行。
路径（Path）
告诉AI文件在哪里的地址——像 C盘→a文件夹→b文件 这样的就是路径。在终端里直接把文件拖进去就能看到路径。
环境变量（Environment Variable）
API Key这种敏感信息存在隐藏的 .env 文件里，就是环境变量。具体不用深究，知道配置 .env 能保护你的密钥就行。
服务器部署（Server Deployment）
服务器就是远程电脑。你想让做的软件不仅自己能用，还能让很多人同时访问，就需要放到服务器上——这个过程叫部署。
模型原理与硬件
神经网络（Neural Network）
AI模仿人类大脑神经元设计的算法。现代AI的底层骨架就是一个巨大的神经网络，类似于大脑节点的运算方式。
参数（Parameter）
参数就像大脑里的神经元。参数越多，模型越大，通常也越聪明，当然也更贵。这就是为什么好模型限制使用，差模型免费让你随便用——运算成本不一样。
AI三要素：算法、数据、算力
做出好AI需要三样东西，缺一不可：算法（怎么算）、数据（用什么训练）、算力（用什么计算）。芯片就是算力，没有芯片AI一个字也写不出来。
预训练和后训练（Pre-training / Post-training）
AI上岗前要先上"九年义务教育"——学习海量文字，这就是预训练，烧钱最多、时间最长。然后还要学怎么好好服务用户——这是后训练。
蒸馏（Distillation）
不是所有AI都从零训练。让大模型输出知识来教小模型，就是蒸馏。
CPU 和 GPU
芯片分CPU和GPU。GPU能并行计算，本来是为游戏设计的，没想到特别适合做AI——英伟达的股价因此一路狂奔。谁有更多GPU，谁就能训练更强的模型。
数据中心 / 算力集群
现在买芯片都是几千张、几万张地买。放满芯片的巨型机房就是数据中心。AI公司烧的钱够造航母——全花在这些机器上了。
能源和电力
芯片极其耗电。一个算力中心可能需要几个城市的电力。这就是为什么电力基建也是AI竞赛中的一张重要底牌。
