刚开始学 AI，最容易制造挫败感的，不一定是技术，而是同一段话里突然出现 LLM、Token、RAG、Agent、Skill、MCP。
Adrian Punk 整理了 66 个高频词，用人话解释“它是什么、会在哪里遇到、怎样记”。这份词典很适合查漏补缺。但在真实工作里，看懂定义还不够，你还要判断：这个词会不会改变我现在做事的方式？
入行365把这份外部词典进一步改造成一条行动路径：不要求背完 66 个词，先把陌生词放进正确的抽屉，再决定现在学、以后学，还是直接跳过。
如果你要直接查词或按入行层级由浅入深浏览，可以进入 AI 术语百科。这里的文章负责讲学习方法，术语百科才是可搜索、可复用的原子能力入口。
先把陌生词放进 6 个抽屉
| 抽屉 | 它回答的问题 | 常见词 | 什么时候值得学 | | --- | --- | --- | --- | | 模型 | AI 这次能处理什么，容量和能力边界在哪里？ | LLM、SLM、Token、Context、VLM、MoE | 你在选模型、处理长材料或加入图片和音频时 | | 沟通 | 你怎样把目标、材料、限制和输出交代清楚？ | Prompt、Instruction、System Prompt、Markdown、JSON、Conversation History | AI 经常答非所问，或结果要交给文档和程序继续处理时 | | 资料 | AI 的回答从哪里找依据？ | RAG、Knowledge Base、Retrieval、Keyword Search、Semantic Search | 同一批资料会反复使用，而且答案必须能回到来源时 | | 行动 | AI 只是回答，还是可以连续做事？ | Workflow、Agent、Tool、Skill、MCP、Memory、Human in the Loop | 你准备让 AI 读文件、调用工具、写回结果或执行多步任务时 | | 连接 | AI 怎样接入代码、服务和工作现场？ | API、API Key、SDK、CLI、Terminal、Repo、Git、GitHub | 教程开始要求安装、配置或连接外部系统时 | | 运行环境 | 模型在哪里运行，需要多少硬件和费用？ | Local Deployment、Cloud API、Open Source、Open Weights、GPU、VRAM、B | 你真的要比较隐私、延迟、成本或本地部署时 |
这张地图的作用不是分类考试，而是帮你缩小问题。比如你只是想让 AI 总结一份文件，暂时不用先学 GPU 和显存；你准备让 Agent 发送邮件，就必须理解 Tool、权限和人在回路。
先记住这 10 个词，但每个词都要带一个动作
| 词 | 一句人话 | 你要做的动作 | | --- | --- | --- | | LLM | 负责理解和生成语言的模型 | 按任务选择，不只看排行榜和参数大小 | | Token | 模型处理文字时使用的计量小块 | 长材料先确认容量、费用和是否需要分段 | | Context | AI 这一次真正能参考的全部信息 | 把目标、材料和限制放进当前任务现场 | | Prompt | 你交给 AI 的任务说明和材料 | 写清目标、依据、边界和交付格式 | | Hallucination | AI 把不确定或错误内容说得很像真的 | 日期、数据、引用和重要结论回到原始来源核验 | | RAG | 先从指定资料中找依据，再组织回答 | 只有资料会反复使用且需要引用时再考虑搭建 | | Agent | 能围绕目标选择下一步并调用工具的系统 | 先限定范围、权限、完成标准和人工确认点 | | Tool | AI 能调用的一项外部能力 | 先看它是只读还是会写入、发送、删除或付款 | | Skill | 某个平台中让重复任务更稳定的一套可复用做法 | 任务稳定重复以后再沉淀，不把一次 Prompt 包装成 Skill | | MCP | AI 应用连接外部资料和工具的一种开放协议 | 先确认真实连接需求；接上 MCP 不等于已经授权，也不等于任务完成 |
这里最重要的变化是：每个词后面都有一个决定。你不是为了能复述定义而学习，而是为了少走一步弯路，或者避免一次错误操作。
10 分钟实战：完成一张术语行动卡
从最近的一篇教程、产品页或聊天记录里，挑一个真的卡住你的词。不要一次选十个。