AI Agent热门术语通俗解读：告别晦涩黑话

大模型与智能体飞速发展，大量新名词、新概念层出不穷。很多教程里满屏专业缩写，初学者很容易看得一头雾水。本文避开枯燥的表格堆砌，用生活化类比，把Agent领域高频术语梳理清楚，同时梳理AI工程的演进路线，帮你看懂各类文章、开源项目文档。

类比小提示：我们拿经营一家餐馆来类比整套AI系统，方便理解各类概念。
大模型LLM=主厨；Agent智能体=整套后厨工作体系；Harness=厨房整套软硬件与管理制度。

一、底层模型基础术语

这部分是所有大模型、Agent的地基，不管做提示词还是做智能体，都绕不开。

1. Token词元
   模型处理文本的最小碎片单位，英文大约0.75个单词对应1个token，中文一个汉字约等于2个token。token是计费、上下文窗口长度的计量单位。就像厨师处理食材，把大块食材切成小块再加工。
2. Context Window上下文窗口
   模型一次能够读取、记忆的最大token总量。窗口越大，可以同时记住越多的资料、对话历史。但上下文越大，算力消耗越高。相当于厨师操作台，台面越大，可以摆放越多菜谱和食材。
3. Inference推理
   模型接收输入生成回答的过程，和训练(Training)区分。训练是反复学知识；推理是干活出结果。
4. Hallucination幻觉
   模型一本正经编造虚假事实。明明没有真实依据，输出内容看起来逻辑通顺，实际是错的。是LLM与Agent最头疼的问题之一。
5. Temperature温度参数
   控制输出的发散程度。数值越高，AI越爱脑洞大开、发挥创意；数值越低，输出越保守稳定。写代码、严谨数据分析一般调低温度；写文案创作可以调高。
6. Embedding向量嵌入
   把文字、图片转化为一串数字向量，用来计算语义相似度，RAG向量数据库的基础。
7. Multimodal多模态
   模型同时读懂文本、图片、截图、音频。GPT‑4o、Gemini都属于多模态大模型，现代Agent很多都具备多模态感知能力。
8. KV Cache键值缓存
   推理阶段缓存已经计算好的上下文，避免重复计算，大幅提升生成速度，线上服务必备优化手段。

二、提示词工程Prompt Engineering家族

提示词是人和大模型对话的原始入口，在Agent还没有普及之前，大家主要靠写提示词来约束模型行为。

1. System Prompt系统提示词
   相当于给AI设定的底层角色、行为边界，会话最开始生效。例如“你是严谨的数据分析师，禁止编造未证实的数据”。
2. Zero‑shot零样本 / Few‑shot少样本
   零样本：不给例子，直接让模型完成任务。
   少样本：给几条输入输出样例，引导AI模仿格式和逻辑输出。
3. CoT思维链 Chain‑of‑Thought
   引导模型把中间思考过程写出来，提升复杂推理能力。不要直接输出答案，先一步步推演。
4. ReAct推理‑行动
   Agent最经典范式：Thought思考 → Action行动 → Observation观察结果，交替循环，边思考边调用工具干活。
5. ToT思维树 Tree‑of‑Thoughts
   同时探索多条推理路径，对比多条路线择优，适合复杂决策、创意任务。
6. Structured Output结构化输出
   强制模型输出JSON等固定格式，Agent做函数调用必不可少。

三、Agent智能体架构核心术语

Agent的核心是目标导向、循环执行，这一组名词描述智能体内部的运转机制。

1. Agent智能体
   接收一个高层目标，自主感知、规划、调用工具、迭代执行，直到完成任务，不是一问一答的简单聊天机器人。类比：完整的后厨，接到订单之后，自己拆解做菜全流程。

补充口径说明：

• 四大组件版本：LLM大脑 + 规划 + 工具 + 记忆（感知合并进大脑）；
• 五大组件工程视角：感知层 + LLM大脑 + 规划层 + 工具层 + 记忆层，把接收解析输入单独拆成独立模块。两种说法并不冲突，只是划分粒度不同。

2. Multi‑Agent多智能体
   多个Agent分工协作，像一个团队。有的负责调研，有的写代码，有的做审核。MetaGPT、AutoGen、CrewAI就是多Agent框架。
3. Subagent子智能体
   主Agent派生出来的专项小智能体，分配专门的子任务，比如主Agent接到写完整项目，派生子Agent专门负责写接口。
4. Tool Use / Function Calling工具调用 / 函数调用
   大模型输出结构化JSON，告诉外部程序调用哪个工具、传入什么参数。模型本身不会联网、不会写文件，靠工具和真实世界交互。相当于厨师指挥菜刀、烤箱这些厨具干活。
5. Planning规划
   把模糊大目标拆解成一条条可执行的子步骤，遇到失败调整方案。
6. Reflection自我反思
   Agent做完一件事之后，复盘自己的输出，找漏洞错误，迭代修正结果。
7. Memory记忆系统
   分为短期记忆（当前会话上下文）、长期记忆（向量数据库保存历史经验、用户偏好、知识库内容）。
8. Agent Loop智能体循环
   感知输入→思考规划→调用工具→拿到观察反馈，循环往复，直到任务完成或者触发终止条件。这是Agent的灵魂。
9. Environment环境
   Agent所处的外部世界，文件系统、网页、数据库，Agent所有工具操作都发生在环境之中。

四、Harness 驾驭框架：Agent的运行外壳

很多人误以为Agent = 大模型，实际上LLM只是发动机，Harness就是整套车身、刹车、仪表盘、安全防护系统。同样的大模型，套不同Harness，表现天差地别。

1. Harness（线束/驾驭框架）
   承载Agent完整运行的外围软件系统：包含工具编排、状态保存、错误重试、权限管控、日志观测、终止条件。大模型只负责推理，循环调度、安全约束全部交给Harness完成。
2. MCP Model Context Protocol模型上下文协议
   类比USB‑C通用接口标准。统一规定Agent怎么连接工具、传参、返回结果。不用每一个模型和工具单独写对接代码，工具可以做到即插即用。
3. Skill技能
   Agent封装好的专项能力模块，比如读取PDF、发送邮件。
4. Tool Registry工具注册中心
   工具管理仓库，统一登记所有可用工具，Agent需要的时候按需选用。
5. RAG检索增强生成
   检索私有知识库，把相关文档片段送入上下文，降低幻觉，给Agent补充私有领域知识。
6. Session会话
   一次完整任务的生命周期，包含全部对话、工具调用记录。
7. Checkpoint检查点
   保存当前任务执行快照。任务中断之后，可以从检查点恢复继续干活，不用从头跑一遍。
8. Human‑in‑the‑Loop人在回路
   关键步骤强制交给人类确认审核。高危操作不允许Agent直接自主执行，人工介入把关，生产环境安全必备。
9. Sandbox沙箱
   隔离安全运行环境。代码执行、文件操作放在沙箱，防止Agent误操作破坏真实系统。
10. Guardrail安全护栏
    硬性规则约束，限制Agent不能做的事情，拦截危险指令，防范提示词注入攻击。

五、四大AI工程范式演进：从写提示词到自主系统

行业把AI应用开发划分为四代演进，代表人类把工作交给AI的程度越来越高。

1. Prompt Engineering提示词工程（第一代）
   核心：怎么提问。人精心写提示词，单次交互，AI给出回答。
   局限：复杂任务不稳定，依赖人的话术水平，缺少自主执行能力。类比：你写菜谱，厨师照着菜谱做菜。
2. Context Engineering上下文工程（第二代）
   核心：给AI什么信息。不再只纠结话术，重点管理送入模型的资料、记忆、检索结果，把合适的上下文组织好再交给模型。RAG属于这一代。类比：备齐全部食材、调料，整理好菜谱，交给厨师。
3. Harness Engineering驾驭工程（第三代）
   核心：怎么组织整套能力。搭建运行框架，编排工具、重试逻辑、安全护栏、状态管理。任务依旧需要人触发启动。类比：搭建完整厨房、管理制度，厨师在完备环境干活，人下订单。
4. Loop Engineering循环工程（第四代，最新）
   核心：设计持续闭环系统。设置目标、自动触发、自动执行、自动验收结果，系统可以持续迭代运行，不需要人每一步手动启动。类比：完整自营餐厅，设定营业目标，整套系统自主运转。

注意：四代不是互相替代，而是层层叠加，Prompt、Context依旧是Harness、Loop的底层基础。

六、编程相关热门概念

现在Agent大量用于代码开发，出现一批编程领域专有名词：

1. Vibe Coding氛围编程
   用自然语言描述需求，AI生成代码，人主要靠对话反馈调整。快速出原型，但大型项目容易维护困难。适合做Demo。
2. Agentic Coding智能体编程
   让Agent完整负责软件开发全流程：需求分析、写代码、运行测试、排错、迭代修复，自主闭环完成工程任务。代表产品Devin、Cline/Roo Code。
3. AI‑Native Development AI原生开发
   从设计之初就把AI Agent作为系统一部分，而不是事后外挂一个AI功能。

七、评估、安全相关术语

1. Eval评测
   用一套标准化测试数据集，量化测试Agent/模型能力，不能只靠人的主观感受判断好坏。
2. Alignment对齐
   调整模型、Agent行为，让输出符合人类价值观、业务目标。RLHF是实现对齐的经典手段。
3. Red Teaming红队测试
   主动构造各种恶意、边界案例去试探AI，挖掘漏洞、越界行为。
4. Prompt Injection提示词注入
   恶意输入，试图劫持Agent原本的指令，诱导做危险操作。
5. Context Poisoning上下文污染
   往知识库、上下文混入错误或者恶意内容，误导Agent做出错误判断。

写在最后

很多AI新概念看着眼花缭乱，拆解之后并不神秘：

• LLM大模型是大脑发动机；
• Prompt、Context是给大脑的输入信息；
• Agent是具备感知‑思考‑行动‑观察循环的行为实体；
• Harness是保护、调度Agent的整套运行外壳；
• Loop Engineering代表向着持续自治系统演进。

不要盲目追逐名词。做项目优先看业务需求：简单任务用好提示词 + RAG 就足够；需要自主多步骤任务，再引入 Agent；涉及高危操作，一定要做好沙箱、护栏、人在回路。