本页整理自 maigc.work 学习中心「AI 工具与资源知识库」的术语速查表。它不是给工程师看的，而是给每天要用 AI 干活的外贸人看的——每条都尽量给出"这对你的生意意味着什么"。
来源：maigc.work · 层级 L2 第三方整理
| 术语 | 含义 | 对你的意义 |
|---|---|---|
| LLM（大语言模型） | ChatGPT、Claude 等背后的技术 | 你用的所有 AI 都建立在它之上；模型≠产品 |
| Model（模型） | AI 的"大脑"，由大量参数组成 | 换模型会明显改变输出风格与成本 |
| Prompt（提示词） | 你给 AI 的指令 | 写得好坏直接决定结果质量 |
| Token（词元） | AI 处理文本的最小单位，约 1 个中文字 ≈ 1.5 token | 计费与长度限制都按 token 算 |
| Context Window（上下文窗口） | AI 一次能处理的最大文本量 | 超长文档需要分段处理 |
| Inference（推理） | AI 根据输入生成输出的过程 | 每一次对话都是一次推理，消耗算力 |
| Temperature（温度） | 控制输出的随机性 | 低=稳定（报价、合同）；高=创意（文案） |
| Streaming（流式输出） | AI 逐字输出，不用等全部生成完 | 长报告体验更好 |
| 术语 | 含义 | 怎么用 |
|---|---|---|
| Few-shot（少样本学习） | 给 AI 几个例子让它学会模式 | 在指令里附 1–2 个理想输出样例，效果立竿见影 |
| Chain-of-Thought（思维链） | 让 AI 逐步推理 | 复杂分析类任务加一句"请一步步思考" |
| Role Playing（角色扮演） | 让 AI 扮演特定角色 | "你是资深外贸业务员"比"帮我写邮件"好得多 |
| RLHF（人类反馈强化学习） | 通过人类评价优化 AI 输出 | 这是模型"懂人话"的来源 |
| Fine-tuning（微调） | 在特定数据上再训练模型 | 成本高；多数外贸场景用知识库就够 |
| Evaluation（评估） | 衡量 AI 输出质量的过程 | 建立自己的验收标准，而不是"看着还行" |
| 术语 | 含义 | 对你的意义 |
|---|---|---|
| RAG（检索增强生成） | 让 AI 先查资料再回答 | 解决"AI 不懂我的产品"的最实用方案——上传文档即可 |
| Embedding（向量嵌入） | 把文本变成数字向量，用于搜索匹配 | RAG 的底层机制，决定检索准不准 |
| Vector Database（向量数据库） | 存储和搜索向量嵌入的数据库 | 知识库规模变大时的基础设施 |
| Knowledge Base（知识库） | 存储专业知识，让 AI 更懂特定领域 | 外贸团队第一件事就是建产品与报价知识库 |
| Hallucination（幻觉） | AI 编造不存在的信息 | 重要信息必须人工核实，尤其是报价与规格 |
| 术语 | 含义 | 对你的意义 |
|---|---|---|
| Agent（智能体） | 能自主使用工具、完成复杂任务的 AI | 和聊天机器人的本质区别：它有"手" |
| Multi-modal（多模态） | 能处理文字+图片+音频的 AI | 可以直接看图选品、读合同扫描件 |
| Plugin（插件） | 给 AI 添加额外能力的扩展模块 | 相当于给 AI 装 App |
| Workflow（工作流） | 多个 AI 任务串联执行的流程 | 单点工具价值有限，串成链才见效益 |
| Automation（自动化） | 让 AI 自动执行预设任务 | 从"工具"变成"制度"的关键一步 |
| Chatbot（聊天机器人） | 基于 AI 的对话系统 | 只回答不做事，是最基础的形态 |
| API（应用程序接口） | 让其他软件调用 AI 能力的接口 | 企业系统对接的通道 |
| API Key（API 密钥） | 调用 AI 服务的身份凭证 | 敏感信息，绝不能外泄 |
| Rate Limit（速率限制） | API 调用频率上限 | 高并发场景需要考虑 |
| Token Limit（Token 上限） | 单次请求的最大 token 数 | 长文档要分批 |
| MCP（模型上下文协议） | 标准化调用外部工具的开放协议 | 类似 USB 接口，让 AI 即插即用地接入你的系统 |
选 AI 工具不要看宣传，按五个维度打分（1–5 星）再决策：
| 维度 | 要问的问题 |
|---|---|
| 1. 功能匹配度 | 是否解决你的核心问题？ |
| 2. 成本效益 | 免费额度够用吗？付费值不值？ |
| 3. 易用性 | 上手难度如何？有中文界面吗？ |
| 4. 数据安全 | 数据存储在哪？是否合规？ |
| 5. 生态集成 | 能和你现有工具链打通吗？ |
评估框架最有价值的不是打分，而是强制你把"需求"写在前面。多数团队买错工具，不是被销售忽悠，而是自己没想清楚要解决什么问题。
最佳实践：敏感数据用私有化/本地部署方案；AI 生成的合同、报价必须人工复核；建立团队 AI 使用规范；定期检查 AI 输出准确性。
