AI黑话入门：LLM、Token、Prompt一次讲清

你有没有这种经历：刚弄懂Prompt是什么意思，别人又开始讨论多模态和LLM。每个字母单独看都认识，连在一起却像一套“行业暗号”。

有这种经历和感觉的，不止你一个人。

随着AI迅猛发展，新概念词汇确实很多。但这些术语并不是为了劝退普通人，而是为了提高沟通效率。就像职场人说KPI、程序员说Bug，听起来专业，翻译成人话后并不复杂。

今天我们就来把AI圈最常听到的“黑话”捋一遍，沿着“模型生成→人机交互”这条线，让你对AI怎么“听懂”人话有一个清晰的认识。

第一类：模型与生成——AI的“大脑”是什么？

1、LLM（大语言模型）

ChatGPT、DeepSeek、豆包、Kimi这些对话型AI产品，背后用的核心技术都是LLM。你可以把它理解成一台经过海量文本训练、擅长理解和生成语言的“发动机”。

但需要注意的是，LLM不等于AI产品。LLM只是发动机，把聊天界面、联网搜索、文件读取、工具调用等功能组合起来，才是一辆完整的“车”。

2、Transformer（转换器架构）

这是目前大多数大语言模型采用的基础架构。它的核心机制之一是“注意力机制”——可以判断一段内容中哪些信息彼此相关，从而理解上下文。

简单说，就是让AI读句子的时候能搞明白“谁跟谁是一伙的”。

3、Multimodal（多模态）

多模态指的是AI的一种技术方向，让AI像人一样，不仅能“读懂”文字，还能同时“看懂”图片、“听懂”声音。

你上传一张产品图，AI能识别产品、分析卖点并生成文案；或者上传一段两小时的录音，AI能直接整理出会议纪要——这些都算多模态应用。

4、AIGC（人工智能生成内容）

是指让AI自己“生产”内容——文字、图片、音频、视频，甚至3D模型，凡是你能想到的创作形式，AI都能参与生成。

它是继PGC（专业生产内容）和UGC（用户生产内容）之后的第三种内容生产方式。PGC是专业团队做的，UGC是用户自己发的，而AIGC是AI“写”的、“画”的、“拍”的。

5、MoE（混合专家模型）

在模型内部设置多个擅长不同任务的“专家模块”，处理问题时只选择其中一部分参与工作。它像一家公司接到任务后，把工作分给最合适的部门，而不是让所有人一起上。这样做既节省算力，又能让模型做得更大更强。

第二类：对话与交互——怎么让AI听懂你？

1、Token（词元）

Token是大模型处理信息的基本单位。我们输入的问题和AI生成的答案，都会被拆分成Token来处理。

比如，你问AI“今天天气怎么样”，这句话会被拆成若干个Token喂给模型处理。Token不完全等于汉字数，不同模型的切分方式也不一样。它既影响模型一次能处理多少内容，也常常和API（应用程序编程接口）调用的费用直接相关。

2、Context Window（上下文窗口）

Context Window指AI一次能够放进“工作记忆”的信息量，通常以Token计算。窗口越大，能处理的长文档就越长。

例如，我们上传一份50页的行业报告让AI总结，如果它的上下文窗口够大，就能一次性处理完。如果窗口不够大，就像一个人记性不好，看后面忘前面，总结出来的内容就会丢三落四。但记住：窗口大不代表AI能永久记住，也不意味着塞进去的资料越多回答就一定越好。

3、Prompt（提示词）

Prompt就是我们交给AI的任务说明书。同样是写请假条，我们对AI说“写个请假条”和“帮我写一封语气礼貌、理由是家里有事、发给直属领导的请假邮件”，得到的结果完全不同。目标、背景、要求、限制和输出格式交代得越清楚，AI越不容易跑偏。

4、Few-shot / Zero-shot（少样本/零样本）

Zero-shot就是不给例子，直接让AI干活；Few-shot是先给几个示范，再让AI照着做。

当我们想让AI模仿小红书的文案风格时，Zero-shot的做法是直接说“用小红书风格写一篇种草笔记”。Few-shot的做法是：先给它三篇你喜欢的爆款笔记，然后说“按这个风格写一篇类似的”。效果通常是后者更稳，很多时候，例子比形容词更管用。

5、Hallucination（AI幻觉）

AI幻觉是指AI“一本正经地胡说八道”——生成的内容听起来逻辑通顺、语言流畅，甚至还会引用“权威来源”，但实际上是错误的，甚至是凭空捏造的。

当我们让AI“帮我找几篇关于AI幻觉的学术论文”，它可能会列出一串看起来很专业的论文标题、作者和期刊信息，但你真去搜会发现——这些论文根本不存在。这不是AI故意撒谎，而是它在缺少可靠信息时，仍会按语言规律“脑补”出答案。

所以涉及新闻、政策、数据、医学和法律等内容时，必须核验原始出处。

怎么记？别硬背，顺着逻辑走

理解这些名词最好的方式，不是做成一张词汇表硬背。更好的方式是顺着一条线去看：AI为什么能回答你？为什么能接住前后文？为什么有时候会瞎编？

我们可以把AI比作一个“新员工入职”——LLM是来了个很聪明的新同事，Token是他怎么听你说话，Context Window是他一次能记住多少，Prompt是你怎么交代任务。这样是不是比硬背概念好记多了？

下篇预告：AI怎么从“聊天”变成“干活”

上篇讲了AI怎么“听懂”你的话。下篇我们会接着讲：AI怎么“记住”你的资料（RAG、Embedding、向量数据库、Fine-tuning），怎么从“聊天”变成“干活”（Agent、Skill、Workflow、Tool Calling、MCP），以及企业怎么安全地用AI（Human-in-the-loop、Alignment、Guardrails、私有化部署）。

如果你想知道AI怎么从“回答问题”进化到“完成任务”，关注我，来看下篇。