AI 名词大白话
把常见 AI 术语用大白话和生活比喻讲清楚，支持搜索与分类浏览，零基础也能看懂，纯内容不联网
不懂 AI 在说什么？这里把常见术语用大白话和生活比喻讲清楚。纯内容、不联网，随便看。
大模型 (LLM)
基础概念一个在海量文本上训练、能理解和生成人类语言的 AI 程序。它不"懂"世界，而是根据学过的概率"接着往下说"。
智能体 (Agent)
基础概念能自己拆解目标、决定下一步、调用工具（查网页、跑代码）去完成任务的 AI，而不只是问答。
Token
基础概念AI 计量文本的"字/词"单位。你发的每句话、它回的每个字都会折算成 token，按量计费或算额度。
上下文窗口
基础概念AI 在一次对话里能"同时记住"的最大文本量。超出部分会从记忆里被挤掉。
提示词 (Prompt)
基础概念你给 AI 的指令或问题。说清楚要什么、什么格式，它才给得准。
多模态
基础概念能同时处理文字、图片、声音、视频等多种输入的 AI 能力。
训练 / 微调
基础概念训练=从大量数据里学通用本事；微调=在通用能力之上，针对某个领域再专门练一轮。
推理 (Inference)
基础概念AI 收到输入后，计算得出回答的过程。日常说的"让 AI 跑一下"就是推理。
参数
基础概念模型内部决定它怎么"理解"语言的海量数学旋钮。参数越多通常越强，但也更吃算力。
开源 / 闭源
基础概念开源=模型代码公开，可自己部署；闭源=厂商托管，你通过接口调用。普通用户大多用闭源接口。
幻觉
能力边界AI 一本正经地编出看似合理、实则错误的内容。它不是故意骗你，而是"不知道自己不知道"。
知识截止
能力边界模型只学到训练数据截止日之前的事，之后的新闻、人物、政策它并不知道。
RAG（检索增强）
能力边界让 AI 先去查资料、再把资料带进回答，从而减少对训练记忆的依赖、少瞎编。
长对话遗忘
能力边界对话太长时，最早的内容会被挤出上下文窗口，AI 可能"忘了"前面说过什么。
不能替代专业判断
能力边界医疗、法律、投资、签字等高风险场景，AI 只作参考，最终要由人来负责和决策。
误区：AI 什么都会
常见误区它擅长"生成像样的文本"，不等于"事实正确"或"能替你做决定"。复杂、高风险的事仍需人把关。
误区：提示词越长越好
常见误区关键在说清楚，不在字数。又长又乱的指令反而让 AI 抓不住重点。
误区：同一问题答案总一样
常见误区很多 AI 回答带随机性，同一问题问两遍可能得到不同表述甚至不同结论。
写作 / 文案
能用来干啥帮你起草、润色、改风格、续写，从朋友圈到报告都能搭把手。
编程助手
能用来干啥写代码、查 bug、解释报错、生成测试用例，尤其适合重复和样板工作。
翻译
能用来干啥多语言互译，速度快；注意人名、术语等专有名词最好自己核对一遍。
总结提炼
能用来干啥把长篇文档、会议记录压成要点清单，省去自己啃全文。
头脑风暴
能用来干啥给方向就能帮你发散点子、列方案、找角度，适合卡壳时破局。
常见问题
这些解释是 AI 现场生成的吗？
不是。所有术语的解释和比喻都是内置的固定内容，纯前端渲染、不联网、不消耗额度，随便看、秒开。好处是稳定可离线，缺点是词条数量是固定的（约二十多个高频术语），没覆盖到的词暂无法查询。
搜不到我想了解的术语怎么办？
先用分类标签（如「模型与训练」「应用场景」「风险与安全」）浏览有没有同类词；仍没有的话，可换更通俗的同义词试试（如搜「幻觉」而非「模型产生错误内容」）。本工具是入门科普，不是术语大百科，深度概念建议再去官方文档核实。
解释里的「生活比喻」有什么用？
把抽象概念落到日常经验上，方便零基础建立直觉。比如用「实习生 vs 老员工」类比模型参数量对经验的影响。比喻只是为了帮助理解，不一定严谨，严谨定义仍以行业通用解释为准。
这些内容会被记录或上传吗？
不会。搜索、筛选全程在本地完成，不调后端、不保存任何记录，关掉页面什么都不留。
适合谁看？
主要给还没系统接触过 AI 的小白：刷到「大模型」「智能体」「Token」这类词看不懂，又不想啃论文的人。看完能跟得上大多数科普内容、能正常向 AI 提需求即可，不追求成为专家。
只有管理员能看到，不公开