67 个 AI 编程必会知识，1.6w 字一次讲透！
详解 AI 编程全套核心术语，搭配 KoalaAPI 快速上手 AI 开发与实操
一文搞懂 AI 编程的所有核心术语
想要轻松吃透全套 AI 编程知识、流畅实操各类大模型编程工具，推荐大家日常学习与实战中使用KoalaAPI，接口稳定流畅、Koala大模型聚合中转资源齐全，性价比拉满，完美适配 Vibe Coding、智能体开发等主流 AI 编程场景，大幅降低学习与开发门槛。
在学习 Vibe Coding 的过程中，你一定会遇到各种陌生的名词和术语。比如什么是 Token？什么是上下文窗口？什么是 RAG？这些概念听起来很高大上，但其实理解起来并不难。
这篇文章就是你的 AI 编程术语词典，我会用最通俗易懂的语言，把 Vibe Coding 中最常见、最重要的概念讲清楚。墙裂建议收藏，遇到不懂的词就来查一查。
AI 基础概念
人工智能（AI）
人工智能（Artificial Intelligence）是让计算机模拟人类智能的技术。简单来说，就是让机器能像人一样思考、学习和解决问题。
在 Vibe Coding 中，AI 就是你的编程助手。你只管告诉它要做什么，它就会嘎嘎帮你做方案、写代码、修 Bug。就像你有一个 24 小时在线的程序员朋友，随时可以帮你干活。
大语言模型（LLM）
大语言模型（Large Language Model）是一种能够理解和生成人类语言的 AI 系统。ChatGPT、Claude、Gemini、DeepSeek 都是大语言模型。
为什么叫 “大” 模型呢？因为这些模型的参数量非常庞大，动辄几十亿甚至上万亿个参数。参数越多，模型通常越聪明，但也越消耗计算资源。
你可以把大语言模型理解成一个读过海量书籍和代码的超级学霸，它见过无数的编程案例，所以能帮你写代码、解释代码、修复 Bug。
除了文本大语言模型之外，AI 领域还有专门处理图片的视觉模型（比如 Stable Diffusion）、处理语音的音频模型（比如 Whisper）、以及能同时处理文字、图片、音频的多模态模型（如 GPT-4o、Gemini）。在 AI 编程时，我们主要和文本大语言模型打交道。
Token
Token 是 AI 模型处理文本的基本单位。你可以简单理解为词块。
Token 是你必须掌握的核心概念，因为 AI 服务通常按照 Token 收费。你输入的文字和 AI 输出的文字都会消耗 Token。Token 用得越多，花的钱就越多。
在英文中，一个 Token 大约是一个单词或单词的一部分。在中文中，一个汉字通常是 1 ~ 2 个 Token。
举例参考：
- "Hello World" 大约是 2 个 Token
- “你好世界” 大约是 4 ~ 6 个 Token
目前很多 AI 编程工具（比如 Cursor、Claude Code）都自带了 Token 消耗量的实时统计和展示，方便你随时掌握用量和成本。
输入 Token 和输出 Token
AI 服务在计费时，一般会分别计算输入和输出的 Token。
- 输入 Token：你发给 AI 的内容，比如提示词、代码、文件等
- 输出 Token：AI 返回给你的内容，比如回答、生成的代码、工具调用指令等
一般来说，输出 Token 比输入 Token 更贵。以 Claude Sonnet 4 为例，输入价格是 3 美元 / 百万 Token，输出价格是 15 美元 / 百万 Token，贵了 5 倍。这是因为生成内容比理解内容更消耗算力。
最简单的一个省 Token 小技巧是：用心编写简洁清晰的提示词，让 AI 一次就能理解你的需求，减少反复对话。更多省 Token 技巧可以看看鱼皮分享过的视频：AI 编程省钱技巧
模型参数
参数是模型在训练过程中学到的 “知识点”，用数字的形式存储在模型中。
举个好理解的例子，模型在训练时读到了大量 “天空是蓝色的” 这类内容，它就会在参数中记住 “天空” 和 “蓝色” 之间的关联关系。参数越多，模型能记住的知识和关联就越丰富。
参数量直接影响模型的能力和使用成本。参数越多，模型越聪明，但运行时消耗的算力（GPU 计算资源）也越多，所以价格也越贵。
目前主流大模型中，明确公开参数量的有：
- DeepSeek-V3：6710 亿参数（采用 MoE 混合专家架构，实际激活 370 亿）
- Qwen3-235B：2350 亿参数（通义千问系列，激活 220 亿）
- Llama 4 Scout：1090 亿参数（Meta 开源模型，激活 170 亿）
值得一提的是，即使是同一系列的大模型，厂商也会提供不同参数量的版本供你选择。
模型训练和推理
- 训练（Training） ：是让 AI 模型从大量数据中学习知识的过程。这个过程需要海量的计算资源和时间，一般由 AI 公司完成。绝大多数情况下，你不需要自己训练模型，直接用训练好的成品就行。
- 推理（Inference） ：是模型训练完成、具备了知识之后，用学到的知识来回答问题、生成内容的过程。我们日常使用 AI 工具，比如和 ChatGPT 对话、让 Cursor 写代码，本质上都是 AI 模型在进行推理。
打个比方，训练就像学生上学读书，推理就像学生参加考试答题。
模型微调（Fine-tuning）
微调是在已有模型的基础上，用特定领域的数据继续训练，让模型在某个领域表现更好。
比如，你可以用大量的医学资料微调一个模型，让它成为医学专家。或者用你公司的代码库微调，让它更了解你的项目风格。
对于普通用户来说，微调成本较高，一般不需要自己做，直接使用现成的模型就够了。不过，很多大模型应用开发平台（比如阿里云百炼、火山引擎等）都提供了模型微调的能力，降低了微调的门槛。
上下文窗口
上下文窗口（Context Window）是指 AI 模型一次能 “记住” 的最大内容量，用 Token 来衡量。
不同模型的上下文窗口大小不同：
- GPT-4o：128K Token（约 10 万中文字）
- Claude Opus 4.6：标准 200K Token，支持扩展到 1M Token（约 75 万中文字）
- Gemini 3.1 Pro：1M Token（约 75 万中文字），且支持同时处理文字、图片、音频、视频
上下文窗口越大，AI 能处理的代码量就越多，能记住的对话历史就越长。如果你的项目代码很多，或者你不确定 AI 能否在一次对话中完成任务，选择上下文窗口大的模型会更合适。
但要注意，上下文窗口越大，每次请求消耗的 Token 也越多，成本也会更高。比如在 Cursor 中使用 Claude Sonnet 模型时，单次请求超过 20 万 Token，输入价格就会翻倍。
提示词相关
提示词（Prompt）
提示词是你给 AI 的指令或问题。在 AI 编程中，提示词就是你用自然语言描述的需求。
提示词的质量直接决定了 AI 输出的质量。一个好的提示词应该：
- 具体明确
- 包含必要的背景信息
- 说明期望的输出格式
比如，“做一个网站” 是一个模糊的提示词，而 “用 React 做一个记账网站，包含添加支出、查看列表、统计总额三个功能，界面用蓝色调” 就是一个更好的提示词。
在 AI 对话中，消息一般分为 3 种角色：
- 系统提示词（System） ：设置 AI 的角色和行为规则，对用户不可见
- 用户提示词（User） ：你发送给 AI 的消息
- 助手提示词（Assistant） ：AI 回复给你的消息
理解这 3 种角色有助于你更好地使用 AI。比如很多 AI 编程工具允许你设置系统提示词来定义 AI 的行为规则，而你在对话框中发送的内容就是用户提示词。
系统提示词
系统提示词（System Prompt）是在对话开始前给 AI 设置的指令，用来定义 AI 的角色、行为和限制。
比如，你可以设置系统提示词：“你是一位资深的 Java 后端开发专家，请用简洁清晰的代码风格回答问题。”
系统提示词在整个对话过程中都会生效，是定制 AI 行为的重要方式。
还记得前几年 AI 刚流行的时候，市面上冒出了一大堆 AI 助手网站么？其实很多就是 “套壳”，底层调用的是同一个大模型，只不过给不同的 AI 助手设定了不同的系统提示词，比如 “你是一个翻译专家”、“你是一个法律顾问” 等。
提示词工程
提示词工程（Prompt Engineering）是设计和优化提示词的技术，目的是让 AI 更好地理解你的意图，生成更符合预期的结果。
这是 Vibe Coding 的核心技能之一。好的提示词工程师能用更少的对话轮次、更低的 Token 成本，让 AI 生成更高质量的代码。
想学习编写提示词的实战技巧，可以看看鱼皮的免费《AI 编程教程》：提示词编写技巧
零样本提示（Zero-shot）
零样本提示是指在给 AI 下达任务时，不提供任何示例，直接描述你的需求让 AI 去完成。
示例：“请把这段英文翻译成中文。”
AI 会根据自己的训练知识来完成任务。对于简单任务，零样本提示一般就够用了，不需要提供额外的示例内容，还能节约一些 Token 成本。
少样本提示（Few-shot）
少样本提示是指在给 AI 下达任务时，额外提供几个输入输出的示例，让 AI 通过这些示例学习你想要的格式或风格，从而更准确地完成任务。
示例：
plaintext
请按以下格式翻译：
英文：Hello → 中文：你好
英文：Thank you → 中文：谢谢
英文：Good morning → 中文：
通过提供示例，AI 能更准确地理解你的需求，输出更一致的结果。
思维链提示（Chain-of-Thought）
思维链提示（Chain-of-Thought，简称 CoT）是一种引导 AI 展示推理过程、一步一步思考问题的提示技术，而不是让 AI 直接给出答案。这对于复杂的推理任务特别有效，比如多步骤的数学计算、代码逻辑分析、系统架构设计等。
触发思维链提示的方法很简单。很多推理模型（比如 DeepSeek-R1）和 AI 编程工具天然内置了思维链能力，会自动展示推理过程。你也可以在提示词中手动加上 “请一步一步思考”，AI 就会展示它的推理过程，一般能得到更准确的答案。
在 AI 编程中，涉及复杂业务逻辑、多模块交互、或者需要权衡多种技术方案的项目，特别适合利用推理模型和思维链提示能力，让 AI 想清楚再动手。
Markdown 语言
Markdown 是一种轻量级的文本标记语言，用简单的符号来表示格式。比如用 # 表示标题，用文字表示加粗，用 - 表示列表。
在 AI 编程中，Markdown 非常重要，原因如下：
- AI 生成的回答大多数都是 Markdown 格式
- 项目文档（如 README）采用 Markdown 编写
- 定义 AI 智能体的规则文件也是 Markdown 格式
学会 Markdown 能让你更好地跟 AI 交流，也能写出更规范的项目文档。更重要的是，结构化的内容（标题层级、列表、代码块等）有助于 AI 更准确地理解你的意图，同时也能培养你自己的结构化思维能力，这对写好提示词非常有帮助。
AI 编程模式
Vibe Coding 氛围编程
Vibe Coding 是由计算机科学家 Andrej Karpathy 在 2025 年 2 月提出的概念。它描述了一种全新的编程方式：通过自然语言和 AI 对话，让 AI 帮你写代码，你只需要描述需求、测试结果、指导方向。
你不需要精通编程语法，只需要能清楚表达你的想法，AI 负责把你的想法变成可运行的代码。
所以说，Vibe Coding 的重点不是写代码，而是明确需求并清晰表达。你描述得越清楚，AI 给你的结果就越靠谱。
这就像点外卖一样，你告诉外卖平台你想吃什么，餐厅帮你做好送到手上。你不需要会做饭，但要知道自己想吃什么。
Agentic Engineering 智能体工程
Agentic Engineering（智能体工程）是 2026 年 2 月由 Andrej Karpathy（也就是提出 Vibe Coding 的那位大佬）提出的新概念，可以理解为 Vibe Coding 的规范版。
- Vibe Coding：跟着感觉写代码，一句话出代码，小工具开发效率高，大型项目易出错
- Agentic Engineering：提前规划方案、拆分任务，交由 AI 执行并验收，适配企业级正式项目
打个比方，Vibe Coding 的时候你是个 DJ，放什么歌全凭感觉；Agentic Engineering 里你是包工头，流程、质量、验收都得你说了算。一个跟着感觉走，一个按流程来。
二者适用于不同的场景，做小工具时可以用 Vibe Coding，做企业级项目就需要 Agentic Engineering 的思维。
Agentic Coding 智能体编程
Agentic Coding 智能体编程是指让 AI 像一个自主的 “智能体”（Agent）一样工作，能够自己规划任务、执行操作、验证结果，而不只是被动地回答问题。
它和 Agentic Engineering 的区别：
- Agentic Coding：侧重 AI 自主执行能力
- Agentic Engineering：侧重人类管理 AI 的工作方法论
如今，几乎所有主流 AI 编程工具都提供了智能体编程的能力。比如在 Cursor 的 Agent 模式中，AI 可以自动读取分析文件、规划方案、修改代码、运行测试、自主排错，远超传统问答式 AI。
多智能体协作
多智能体协作（Multi-Agent）是指多个 AI 智能体分工合作，共同完成复杂任务。
例如架构设计智能体、前端开发智能体、后端开发智能体、代码审核智能体协同办公，模拟真实开发团队工作模式。
这两年，多智能体系统正在成为 AI 编程的重要趋势。它的优势不仅仅是能处理更复杂的项目，还能通过并行工作大幅提升效率，让原本需要几小时的任务在几分钟内完成。
智能体编排
编排（Orchestration）是协调和管理多个 AI 智能体或 AI 任务的过程，确定任务执行顺序、信息流转方式、结果汇总逻辑，是多智能体系统的指挥中枢。
就像乐队指挥一样，编排器决定哪个智能体在什么时候做什么事情、如何传递信息、如何汇总结果。
Subagents 子代理
Subagents（子代理）是主 AI 智能体拆分分发任务，交由独立子智能体并行处理的机制。
优势：
- 并行处理任务，大幅提升开发效率
- 隔离子任务信息，保持主代理上下文整洁
- 细分工作内容，输出结果精准度更高
在 Claude Code 中，AI 会通过内置的 Task 工具自动生成子代理来处理子任务，你不需要做额外配置。
弊端：子代理上下文相互独立无法互通，不适用于强关联任务，同时多子代理运行会增加 Token 消耗。
Agent Teams 智能体团队
Agent Teams（智能体团队）是 2026 年兴起的多智能体编程新模式，由 Claude Code 率先推出。它让 3 ~ 5 个独立的 AI 智能体组成团队，在同一个项目上并行工作。
团队内设队长拆解统筹任务，队员独立执行并互通协作，多人同步开发，效率成倍提升。Anthropic 团队曾依靠 16 个智能体协作，短时间完成 10 万行 Rust 代码开发。
Background Agent 后台智能体
后台 Agent 支持 AI 在云端离线自主完成任务，用户下达需求后可离线处理其他事务，任务完成后自动推送结果通知。
日常可用来后台批量修复 BUG、代码审查、开发功能模块，Cursor、Claude Code 均已全面适配该功能。
Agent Loop 智能体循环
Agent Loop（智能体循环）是 AI 智能体核心工作逻辑，循环流程：感知信息→思考规划→执行操作→核验结果，循环往复直至任务完成。
实操中需控制循环次数，无限制循环会大量消耗 Token，造成成本浪费。
ReAct 推理与行动
ReAct（Reasoning and Acting）是 AI 智能体先推理规划、再落地执行、复盘调整策略的核心技术，解决传统 AI 只会思考不会实操、只会行动不会统筹的问题，是主流 AI 编程工具核心底层逻辑。
深度思考
深度思考（Deep Thinking）是模型内置的自主推理能力，无需额外提示词引导，AI 内部自动梳理思路、比对方案后再输出内容。
适配场景：系统架构设计、疑难 BUG 排查、算法优化等高难度编程工作，缺点是响应速度慢、Token 消耗更高。
自适应思考
自适应思考是深度思考的升级形态，AI 自动判别任务难度，简单任务快速响应，复杂任务自动开启深度推理，兼顾使用效率与输出质量。
Anthropic 在 Claude Opus 4.6 中率先引入该能力，可自定义思考强度平衡成本与效果。
工具调用
工具调用（Tool Use / Function Calling）让 AI 突破文本限制，实现读写文件、运行命令、调用接口、操作数据库等实操能力。
完整流程：识别需求→匹配工具→执行调用→整合结果依靠工具调用，AI 可自主完成改代码、调试项目、部署程序等全流程开发工作。
MCP 模型上下文协议
MCP（Model Context Protocol）是通用开源连接标准，等同于 AI 领域通用接口，统一对接各类外部工具、数据源，无需单独开发适配接口。
目前主流 AI 编程工具均支持 MCP 协议，可对接设计稿、代码仓库、数据库等各类资源，极大拓展 AI 编程能力边界。
Agent Skills 智能体技能
Agent Skills 是 AI 专属领域技能包，内置专业提示词、脚本、行业规范，一键赋予 AI 专项开发能力，按需加载不占用多余上下文，节省 Token 资源。
Hooks 钩子
Hooks 是 AI 编程自动化触发器，设定指定动作触发条件后，自动执行代码格式化、自动化测试、规范校验等操作，简化人工重复操作。
斜杠命令
斜杠命令（Slash Commands）是以 / 触发的快捷操作指令，属于 AI 编程工具专属快捷键，可自定义封装常用工作流，一键执行批量操作。
A2A（Agent-to-Agent）
A2A 是智能体之间互通协作的通信协议，实现不同 AI 智能体信息交互、任务分配，和 MCP 协议形成互补，MCP 对接外部工具，A2A 实现智能体内部协同。
BMAD 敏捷 AI 开发方法
BMAD 是系统化 AI 智能体开发框架，通过角色划分智能体（分析师、产品、架构师等），搭建标准化 AI 开发流程，让 AI 编程流程规范化、可复用化。
Browser Use 浏览器使用
该能力支持 AI 自主操控浏览器，完成信息检索、数据采集、表单填写、网页功能测试等自动化操作，无需对接官方 API 也可实现网页端自动化办公开发。
Computer Use 计算机使用
Computer Use 是全桌面级 AI 操控能力，AI 可模拟人操作电脑桌面各类软件、键鼠操作、命令行运行等，覆盖全场景电脑办公与开发操作，一般在虚拟机环境使用保障安全。
上下文管理
上下文（Context）
上下文是 AI 作答时可参考的全部信息，包含对话历史、项目代码、配置文件、参考资料等，信息匹配度越高，AI 开发输出效果越贴合需求。
上下文工程
上下文工程是精准筛选、精简、优化 AI 参考信息的技术，把控信息体量，既避免信息不足开发出错，也杜绝信息冗余拉高使用成本，是当下 AI 领域热门研究方向。
上下文压缩
上下文压缩可自动精简整合冗长对话内容，提炼核心关键信息，释放上下文空间，解决长周期开发任务中 AI “失忆” 问题，保障长期项目开发连贯性。
规则文件
规则文件是项目专属配置文件，提前定义项目技术栈、代码风格、开发规范，AI 读取后自动贴合项目标准生成代码，省去反复叮嘱的麻烦。
- Cursor：.cursor/rules/*.mdc
- Claude Code：CLAUDE.md
- GitHub Copilot：.github/copilot-instructions.md
AGENTS.md
AGENTS.md 是跨平台通用 AI 项目指令文件，专门面向 AI 智能体编写，记录项目启动命令、测试方式、命名规范等开发核心信息，主流 AI 编程工具可自动识别读取。
SDD 规范驱动开发
SDD（Spec-Driven Development）规范驱动开发，秉持先定规范、后写代码的开发思路，提前敲定需求文档、设计标准，让 AI 严格依照规范开发，从根源减少代码错误。
核心技术名词
RAG 检索增强生成
RAG（Retrieval-Augmented Generation 检索增强生成）让 AI 优先检索本地知识库、项目文档、行业资料，依托真实有效信息生成内容，解决大模型知识滞后、内容不实的问题，是 AI 编程降低幻觉的核心方案。
向量数据库
专门存储文本、代码语义向量的数据库，依托语义匹配实现智能检索，精准调取相似代码、开发资料，是 RAG 技术落地的核心载体。
嵌入 Embedding
嵌入是将文字、代码转化为数字语义向量的技术，是语义检索、向量数据库运行的底层基础。
AI 输出相关
AI 幻觉
AI 幻觉指大模型凭空编造不存在的接口、函数、技术文档等不实内容，是大模型固有特性。规避方法：依托 RAG 检索真实资料、核对官方文档、更换模型、使用 MCP 拓展实时资源库。
温度
温度（Temperature）控制 AI 输出随机性，取值 0~2：
- 低温度（0.1 左右）：输出严谨稳定，适配代码编写
- 高温度（1.0 左右）：创意性更强，适配文案创作、思路构思
流式输出
流式输出即 AI 边生成内容边实时展示，可随时中断错误输出，避免无效 Token 消耗，主流 AI 工具均基于 SSE 技术实现该功能。
开发工具概念
IDE 集成开发环境
集成开发环境集成代码编辑、调试、终端、插件拓展等全功能开发工具，VS Code 是当下最主流轻量 IDE，Cursor、Windsurf 等 AI 编程编辑器均基于其二次开发。
代码编辑器
轻量化代码编辑工具，主打快速编辑，功能精简启动快，适合零散代码修改，区别于全功能 IDE。
零代码 / 低代码平台
无需编写代码，依靠自然语言、可视化拖拽即可快速搭建应用，适合新手快速制作产品原型，缺点是深度定制难度大，大型项目适配性差。
代码补全
AI 智能代码联想补全，依托上下文预判编写内容，大幅提升日常编码速度，如今已从简单行补全升级为整功能自动开发。
代码审查
借助 AI 自动排查代码 BUG、安全漏洞、性能隐患、格式问题，高效把控代码质量，仅作为辅助审核，核心业务代码仍需人工复核。
Linter 代码检查器
自动化代码规范检测工具，统一代码编写格式，排查基础语法错误，可直接集成到 AI 开发流程中自动校验。
Debug 调试
程序报错后定位问题、修复漏洞的流程，AI 编程可直接粘贴报错日志，交由 AI 自主分析故障原因并完成修复。
项目管理概念
MVP 最小可行产品
优先开发核心功能，搭建可正常运行的最简产品版本，快速验证项目可行性，后续再迭代新增功能，是 AI 快速开发项目的核心思路。
迭代开发
将大型项目拆分多个小开发周期，分阶段完成功能开发、测试、上线、优化，契合 AI 编程高效灵活的开发节奏。
重构
在不修改程序运行功能的前提下，优化代码结构、精简冗余内容、提升代码可读性与维护性，适合长期维护的正式项目。
技术债
为快速完成开发使用的临时简易代码，短期提升效率，长期堆积会导致项目难以维护，定期代码重构是偿还技术债的主要方式。
版本控制
记录代码修改历史，支持版本回退、内容比对，Git 是最主流版本控制工具，搭配代码托管平台可有效规避 AI 开发误改代码的风险。
部署
将开发完成的项目上线至服务器，实现公开访问，依托各类自动化平台与 MCP 工具，可实现 AI 一键打包部署。
前后端基础概念
前端
面向用户可视化交互界面，包含页面布局、样式、交互逻辑，是 AI 最擅长开发的板块，主流技术栈：HTML、CSS、JS、React、Vue 等。
后端
隐藏式服务端程序，负责数据处理、业务逻辑、账号权限、数据库交互等，开发难度更高，AI 生成后端代码需严格复核校验。
全栈
同时涵盖前端界面与后端服务的完整项目，主流 AI 编程工具可一站式生成全栈项目代码。
API
程序之间数据交互通信接口，前后端联动、第三方功能接入均依靠 API 实现，是软件开发互联互通的核心载体。
数据库
存储项目用户数据、业务数据的载体，分为关系型数据库、文档数据库、键值数据库等多种类型。
BaaS 后端即服务
一站式云端后端服务，自带数据库、登录认证、文件存储等现成功能，无需自主搭建后端服务，极大缩短 AI 项目开发周期。
写在最后
这篇文章涵盖了 Vibe Coding 中最常见的概念和术语。当然，AI 和编程领域的新概念还在不断涌现，这份词典也会持续更新。
你不需要一次记住所有概念，遇到不懂的词，回来查一查、或者问一问 AI 就好。随着你不断地实践 Vibe Coding，这些概念会自然而然地变得熟悉。
想要把这些 AI 编程知识落地实操，高效调用各类大模型完成代码编写、项目开发、智能体调试，首选KoalaAPI！国内最为推荐的API中转渠道，接口稳定兼容全品类 AI 编程工具，资费实惠、调用速度快，不管是新手入门学习练手，还是资深开发者做商业项目开发，都能完美适配，轻松玩转全品类 AI 编程玩法，一站式搞定各类大模型使用需求。