刚接触 AI 时，最劝退人的往往不是工具难用，而是名词太多。
LLM、Token、Context、RAG、Agent、MCP、Skill、API、CLI 混在一段话里，看上去像每个词都必须先学会，才能开始使用。
其实没必要按字母表背诵。把高频术语放回一条真实工作链路里，它们会自然分成几个位置。
第一层：模型怎样处理信息
AI 是一个很大的总称。我们现在经常使用的聊天和写作工具，核心通常是大语言模型，也就是 LLM。
模型不会像人一样直接读取整篇文字。它会把输入拆成 Token，再在有限的 Context Window 中处理。Token 可以理解为模型使用的文字积木，Context 是这一次能够参考的全部资料，Context Window 则是桌面大小。
这组词回答的是：模型正在处理什么，以及一次最多能看到多少。
看到“超长上下文”时，不要只看容量。资料放得多，不等于模型一定能找到最关键的部分；输入里存在冲突，容量越大也可能越难判断。
第二层：怎样把问题说清楚
Prompt 是交给 AI 的输入，不只是一句问题，也可以包含材料、限制和输出格式。System Prompt 规定应用层面的高优先级规则，User Prompt 则是用户当前提出的任务。
提示词工程没有神秘咒语。它更像给同事布置工作：目标是什么，材料在哪里，哪些边界不能越过，最后拿什么验收。
模型生成的内容仍可能出现 Hallucination，也就是把不存在的事实、链接或数据说得很像真的。涉及数字、引用和关键决定时，需要回到原始来源检查。
第三层：让 AI 找到外部资料
当模型需要回答公司文档或个人知识库里的问题时，常会用到 RAG。
RAG 的基本过程是先检索，再生成。系统从知识库中找到相关片段，把它们交给模型组织答案。关键词搜索擅长匹配编号和固定说法，语义搜索擅长寻找意思接近的内容，混合搜索则把两者结合。
RAG 可以减少凭空回答，但不能自动保证正确。检索可能找错文件，知识库也可能已经过期，所以引用仍然需要核对。
第四层：从回答问题到执行任务
定义可以随时查，先记住每个概念在链路里的位置。
Chatbot 主要是一问一答。AI Assistant 或 Copilot 会在人的主导下辅助工作。AI Agent 更进一步，它可以围绕目标决定下一步、调用工具、查看结果并继续执行。
Tool 是搜索、数据库、日历、终端等外部能力。Tool Calling 是模型选择工具并填写参数的机制。MCP 可以帮助 AI 应用用较统一的方式连接外部工具和数据。
Workflow 通常是预先写好的固定步骤，Agent 则可以根据中间结果调整路径。自主性越高，越需要明确权限、停止条件和人工确认点。
第五层：把一次成功变成可重复能力
Skill 是教 Agent 稳定完成某类任务的一组说明、脚本和资源。它保存的不是一句万能提示词，而是流程、边界、检查方法和必要材料。
例如，“帮我发布文章”只是目标。一个可复用 Skill 还需要说明正文从哪里读取、图片怎样处理、哪些平台不能带外链、发布成功用什么证据确认、验证码出现时如何暂停。
这组词回答的是：AI 怎样从“这次会做”走向“下次仍然按正确方式做”。
学术语最省力的方法
下次再遇到一个新词，先不要查它属于哪个热点。问四个问题：
- 它描述的是模型、输入、资料、执行还是复用？
- 它解决了哪一步的问题？
- 它依赖哪些前提？
- 它出错时由谁发现和纠正？
只要能把术语放回工作链路，就已经具备使用它的基础。定义可以随时查询，位置感更重要。
AI 世界的词还会继续增加。没有人需要一次背完 66 个名词。先看懂模型、上下文、检索、工具、Agent 和 Skill 之间的关系，后面的新词就有地方可放。
