📖 AI Agent 中英对照术语表¶
新手必备！看文档不再懵。每个术语都有通俗解释，就像跟朋友聊天一样。
一、核心概念（Core Concepts）¶
| 英文术语 | 中文 | 通俗解释 | 例句/说明 |
|---|---|---|---|
| Agent | 智能体 | 能自己思考、自己动手干活的 AI | 就像你的"数字员工" |
| LLM (Large Language Model) | 大语言模型 | Agent 的"大脑"，负责理解和生成文字 | GPT、Claude、DeepSeek 都是 |
| Tool | 工具 | Agent 的"手"，让它可以查天气、算数、搜网页 | 相当于给 Agent 装插件 |
| Memory | 记忆 | Agent 的"记事本"，记住你说过的话 | 分短期记忆和长期记忆 |
| Prompt | 提示词 | 你给 AI 的"指令"，告诉它该干嘛 | 写提示词叫 Prompt Engineering |
| Context | 上下文 | Agent "眼前"能看到的所有信息 | 就像对话的"聊天记录" |
| Token | 令牌 | AI 计费/计数的基本单位 | 1 个汉字 ≈ 1-2 个 token |
| Inference | 推理 | AI 根据输入"思考"出结果的过程 | 每调用一次 API 就是一次推理 |
二、Agent 工作方式（Agent Patterns）¶
| 英文术语 | 中文 | 通俗解释 | 例句/说明 |
|---|---|---|---|
| ReAct | 推理+行动 | "想一步→做一步→看结果→再想"的循环 | Reasoning + Acting |
| Tool Calling | 工具调用 | 模型说"我要用某工具"，然后真的去调用 | OpenAI Function Calling 的核心 |
| Function Calling | 函数调用 | 让模型按格式输出"要调哪个函数+参数" | 工具调用的另一种叫法 |
| Chain-of-Thought (CoT) | 思维链 | 让 AI "一步一步想"再回答，更准确 | "Let's think step by step" |
| RAG (Retrieval-Augmented Generation) | 检索增强生成 | 先查资料库，再回答 | 让 AI 用你自己的文档回答问题 |
| Fine-tuning | 微调 | 用额外数据"再培训"模型，让它更懂某领域 | 一般新手用不上 |
| Multi-Agent | 多智能体 | 多个 Agent 分工协作 | 一个调研、一个分析、一个写报告 |
| Orchestration | 编排 | 安排多个 Agent 谁先干、谁后干 | 像导演安排演员 |
| Workflow | 工作流 | 把任务拆成固定步骤依次执行 | 类似工厂流水线 |
| Human-in-the-Loop | 人在回路 | 关键时刻让人来确认，不放心 AI 自动做 | 安全场景必备 |
三、框架与工具（Frameworks & Tools）¶
| 英文术语 | 中文 | 通俗解释 | 例句/说明 |
|---|---|---|---|
| LangGraph | - | 用"图"来编排 Agent 流程的框架 | LangChain 家的，适合复杂流程 |
| CrewAI | - | 让多个 Agent 扮演不同"角色"组队干活 | 像组建一支团队 |
| AutoGen | - | 微软的，让多个 Agent "互相聊天"解决问题 | Microsoft 出品 |
| MAF (Microsoft Agent Framework) | 微软 Agent 框架 | AutoGen 的下一代版本 | 2025 年发布 |
| LlamaIndex | - | 专做"知识库问答"（RAG）的框架 | 让 AI 读你的文档 |
| Dify | - | 拖拽式可视化平台，不用写代码 | 像搭积木一样做 AI 应用 |
| Ollama | - | 在本地电脑运行大模型的工具 | 免费、隐私、离线 |
| MCP (Model Context Protocol) | 模型上下文协议 | 统一"工具连接"标准，一个工具到处用 | Anthropic 提出，各大厂支持 |
| SDK | 软件开发工具包 | 官方给的"现成代码库"，直接调 | Software Development Kit |
| API | 应用程序接口 | 别人给你提供的"远程服务入口" | 付费用大模型的通道 |
| Agent SDK | 智能体开发工具包 | OpenAI/Claude 官方的 Agent 开发库 | 快速开发 Agent 的捷径 |
| LangSmith | - | 调试、监控 Agent 的"仪表盘" | 看每次调用花了多少钱、多久 |
四、数据与存储（Data & Storage）¶
| 英文术语 | 中文 | 通俗解释 | 例句/说明 |
|---|---|---|---|
| Embedding | 向量化/嵌入 | 把文字变成"数字坐标"，让电脑能算相似度 | "苹果"和"水果"的向量很近 |
| Vector Database | 向量数据库 | 专门存"数字坐标"的数据库 | ChromaDB、FAISS、Pinecone |
| Vector Store | 向量存储 | 存向量数据的仓库 | 和向量数据库一回事 |
| Semantic Search | 语义搜索 | 按"意思"搜索，不只是按关键词 | 搜"今天冷"能匹配"气温下降" |
| Chunking | 切块/分块 | 把长文档切成小段再存储 | RAG 前的必备步骤 |
| Index | 索引 | 建好的"目录"，方便快速查找 | 向量索引、倒排索引 |
| Checkpoint | 检查点 | 保存 Agent 运行到一半的状态 | 崩溃了可以从这里恢复 |
| Persistent Memory | 持久化记忆 | 关机重启还记得 | 存数据库/向量库里 |
| Short-term Memory | 短期记忆 | 一次对话内记得，关了就忘 | 就是上下文窗口 |
五、模型与部署（Models & Deployment）¶
| 英文术语 | 中文 | 通俗解释 | 例句/说明 |
|---|---|---|---|
| Model | 模型 | 训练好的"大脑"本体 | GPT-4o、Claude 3.5 等 |
| Base Model | 基础模型 | 通用大模型，没经过特殊调教 | 和 Fine-tuned 相对 |
| Multimodal | 多模态 | 能同时处理文字、图片、声音、视频 | GPT-4o、Gemini 都是 |
| Token Limit | 令牌上限 | 一次能处理的最多文字量 | 上下文窗口大小 |
| Context Window | 上下文窗口 | 模型一次"能看见"多长的内容 | 128K 窗口 ≈ 10 万字 |
| Latency | 延迟 | 从发出请求到收到回复的时间 | 越快体验越好 |
| Throughput | 吞吐量 | 单位时间能处理的请求数 | 服务器性能指标 |
| Fine-tune | 微调 | 在基础模型上继续训练 | 让模型变"专家" |
| Deployment | 部署 | 把代码/模型放到服务器上运行 | 上线提供服务 |
| On-premise | 本地部署 | 在自己的服务器/电脑上跑 | 数据不出门，最安全 |
六、质量与优化（Quality & Optimization）¶
| 英文术语 | 中文 | 通俗解释 | 例句/说明 |
|---|---|---|---|
| Hallucination | 幻觉 | AI 一本正经地胡说八道 | 编造不存在的事实 |
| Accuracy | 准确率 | 回答正确的比例 | 越高越好 |
| Precision | 精确率 | 答对的里面有多少是真的对 | 宁缺毋滥 |
| Recall | 召回率 | 该找到的有没有全找到 | 宁滥毋缺 |
| Evaluation (Eval) | 评估 | 给 AI 回答打分/测试 | 用测试集衡量质量 |
| Observability | 可观测性 | 能看到系统内部发生了什么 | 日志、监控、追踪 |
| Tracing | 追踪 | 记录一次请求的完整链路 | 哪里慢了一目了然 |
| Logging | 日志 | 记录运行过程的信息 | 排查问题的依据 |
| Cost Optimization | 成本优化 | 想办法少花钱 | 换小模型、做缓存 |
| Prompt Engineering | 提示词工程 | 优化提示词提升效果 | 新手最先学的技能 |
| Guardrails | 护栏 | 防止 AI 输出违规/危险内容 | 内容安全过滤 |
| Streaming | 流式输出 | 一个字一个字地蹦出来 | ChatGPT 打字机效果 |
七、2026 年前沿术语（Emerging 2026）¶
2026 年 Agent 领域爆发的新概念，掌握这些词才算跟上节奏。
| 英文术语 | 中文 | 通俗解释 | 例句/说明 |
|---|---|---|---|
| SKILL.md | 技能描述文件 | 把 Agent 能力打包成可复用"技能包"的标准格式 | 2026 年 Agent 领域最重要的标准之一 |
| Agent Skills | 智能体技能 | 一种标准化的 Agent 能力封装方式，包含描述、脚本、参考资料 | 类似"插件"，但语义更丰富 |
| Context Engineering | 上下文工程 | 系统性地优化 Agent 能"看到"的信息，而不是优化模型本身 | 比 Prompt Engineering 高一个维度 |
| Context Rot | 上下文腐化 | 对话越长，历史信息越杂乱，Agent 表现越差的现象 | 长对话的头号杀手 |
| Compaction | 上下文压缩 | 把长对话/历史信息提炼成结构化笔记，节省 token | 压缩比可达 8:1，信息保留率 > 95% |
| A2A (Agent-to-Agent) | 智能体互联 | Agent 之间互相通信、委派任务、交换结果的协议 | Google 牵头，v1.0 2026 年 GA |
| Agent Card | 智能体名片 | 描述一个 Agent 能力、接口、权限的标准化元数据 | A2A 协议的核心概念 |
| Harness Engineering | 驾驭工程 | 围绕任务边界、上下文管理、状态持久化等的 Agent 工程体系 | 2026 年 Agent 竞争的核心赛道 |
| Harness | 驾驭层/套索 | Agent 的"操作系统层"，负责调度、状态、安全、成本控制 | 模型之上、应用之下 |
| Mods | 模组/扩展包 | Claude Code 等 Agent IDE 的扩展机制，类似 VSCode 插件 | 与 Skills 概念相近但生态不同 |
| Guardrail | 护栏/安全围栏 | 防止 Agent 输出违规内容、执行危险操作的机制 | 输入过滤 + 输出校验 + 权限控制 |
| Evals | 评测体系 | 系统衡量 Agent 能力/质量的方法与数据集 | 从"答案对不对"到"过程合不合理" |
| LLM-as-Judge | 大模型裁判 | 用 LLM 来给另一个 LLM 的回答打分 | 评测的主流方法之一 |
| GAIA | — | 端到端通用 AI 助手评测基准，Level 3 被认为是实用门槛 | 长任务评测的黄金标准 |
| METR | — | 长任务评测框架，关注真实世界复杂任务的完成率 | 轨迹级评测代表 |
| Trajectory Evaluation | 轨迹级评测 | 不只看最终答案，还要看 Agent 的中间步骤是否合理 | 更接近真实使用场景 |
| AG-UI | Agent 图形界面协议 | Agent 与前端界面交互的流式事件协议 | 协议分层中的"表现层" |
| AP2 | Agent 支付协议 | Agent 自主完成支付/授权的协议标准 | Agentic Commerce 的基础设施 |
| Computer Use | 计算机操作 | 让模型直接操作 GUI 界面（点击、输入、截图理解） | browser-use、UI-TARS 是代表 |
| SWE-bench | 软件工程基准 | 衡量 AI 写代码能力的标准评测集，从真实 GitHub issue 来 | DeepSeek Harness 常年霸榜 |
| Prompt Injection | 提示注入 | 通过构造特殊输入让 Agent 忽略系统提示、执行恶意指令 | Agent 安全的头号威胁 |
| Tool Convergence | 工具收敛 | 减少 Agent 可用工具数量（如从 46 → 15），反而提升效果 | 工具不是越多越好 |
| JIT Retrieval | 即时检索 | 需要时才去查资料，而不是把所有资料都塞进上下文 | 上下文工程的核心策略之一 |
| Sub-agent Isolation | 子 Agent 隔离 | 把子任务交给独立的子 Agent 完成，主 Agent 只拿结果 | 研究类任务评测 +90.2% |
| Structured Notes | 结构化笔记 | 用固定格式记录关键信息，而非保存原始对话全文 | Compaction 的主要产出形式 |
| Agentic Commerce | 智能体商务 | Agent 自主完成购物、支付、签约等商业行为 | AP2 协议是其基础设施 |
| Superpowers | — | 知名 Agent Skills 框架，295K⭐，定义了 Skills 的工程范式 | Skills 生态的标杆项目 |
| Freshness | 新鲜度 | 技术文档/教程与最新版本的同步程度 | Agent 领域内容半衰期约 3 个月 |
| Radar | 雷达/周刊 | 定期追踪行业动态的栏目形式 | 本手册的每周更新栏目 |
| Codespaces | 云端开发环境 | GitHub 提供的一键云端开发环境，零配置启动项目 | .devcontainer/ 目录定义 |
| Progressive Disclosure | 渐进式披露 | Skills 的四阶段加载：先只暴露元信息 → 命中后加载正文 → 需要时读资源 → 按需跑脚本 | 让 20 个 skill 常驻只需约 2,000 token |
| Advertise Stage | 广告阶段 | 渐进式披露第一阶段：所有 skill 的 name + description 常驻系统提示 | 每个 skill 约 100 token 的固定成本 |
| allowed-tools | 预授权工具 | SKILL.md frontmatter 字段，声明该技能可免询问直接使用的工具 | 实验性字段，各客户端支持程度不一 |
| Token Budget | 令牌预算 | 给 skill 正文或上下文划定的 token 消耗上限，超出就该拆分 | SKILL.md 正文建议 < 5,000 token |
| Attention Budget | 注意力预算 | 模型能有效处理的信息总量上限，是上下文工程的根本约束 | Transformer 的 n² 注意力决定了它稀缺 |
| Token Composition | 令牌构成 | 一次 Agent 轮次中各部分 token 的占比结构 | 用户真正的问题往往只占 3% |
| Agentic IDE | AI 原生 IDE | 以 Agent 为核心（而非以编辑区为核心）的集成开发环境 | Trae、Windsurf 是代表形态 |
| Persistent Agent Memory | 跨会话持久记忆 | 让 Agent 在一次会话中学到的东西能被下次会话复用的机制 | claude-mem（96K⭐）是该方向的现象级项目 |
| Guardian Agent | 守护智能体 | 独立于主 Agent 之外、专门盯着主 Agent 行为并拦截风险的 Agent | 不做业务，只做审查，是 Prompt Injection 的结构性防线 |
| Escalation | 升级/上报 | Agent 遇到无法自主推进的情况时，把控制权交还给人类的机制 | Harness 失败分级的最终兜底（对应第 25 章 L4） |
| Sandbox | 沙箱 | 隔离的执行环境，Agent 的破坏性操作只能作用于沙箱内 | Container / VM / gVisor 是常见实现形态 |
| Circuit Breaker | 熔断器 | 连续失败达到阈值后直接断开调用，避免持续烧钱或拖垮下游 | 借鉴微服务治理，Agent 场景同样适用 |
| Idempotency | 幂等性 | 同一操作重复执行多次，结果与执行一次一致 | Agent 重试机制的必要前提，否则重试会造成重复扣款 |
| Idempotency Key | 幂等键 | 标记一次请求的唯一标识，服务端据此识别重复请求 | 支付类 Agent 工具的标配参数 |
| Task Decomposition | 任务分解 | 把一个大目标拆成若干可独立验证的子任务 | 是 Todo List / Planner 类 Agent 的核心能力 |
| Reflection | 反思 | 让 Agent 回头审视自己上一轮的输出并给出改进意见 | Reflexion 论文提出的机制，与 Self-Critique 同源 |
| Loop Detection | 循环检测 | 识别 Agent 是否在重复执行相同的动作并强行打断 | 步数上限之外的第二道防"转圈"措施 |
| Autonomy Level | 自主度分级 | 把 Agent 的自主程度分成若干档（建议 → 半自动 → 全自动） | 同一套能力，不同场景开不同档位 |
| Egress Filter | 出网过滤 | 限制 Agent 能访问哪些外部域名/接口，防止数据外泄 | 阻断"把内部数据发到攻击者服务器"的最后一道闸 |
| Allowlist / Denylist | 白名单/黑名单 | 显式列出允许或禁止的对象（工具、域名、路径） | 权限最小化的落地形式 |
| Rollback | 回滚 | 把系统状态恢复到某个历史检查点 | Git 是最常见的低成本回滚手段 |
| Dry Run | 预演/空跑 | 只打印将要执行的操作而不真正执行 | 高危 Agent 上线前的必做检查 |
| Budget Guard | 预算守卫 | 在每一步前检查步数/token/时间预算，超限立刻停机 | 第 25 章 MiniHarness 里的 _check_budget() |
| Session Replay | 会话回放 | 把一次 Agent 运行的完整轨迹重放出来做调试或评测 | 等价于生产环境的"行车记录仪" |
| Tool Router | 工具路由 | 工具过多时先用一个小模型/检索器挑出候选工具，再交给主模型 | 与 Progressive Disclosure 配合解决工具膨胀 |
| Context Caching | 上下文缓存 | 把重复的上下文前缀缓存起来复用，降低首 token 延迟与成本 | Anthropic / DeepSeek 均支持，命中可省 90% 费用 |
八、常见缩写速查¶
| 缩写 | 全称 | 中文 |
|---|---|---|
| AI | Artificial Intelligence | 人工智能 |
| LLM | Large Language Model | 大语言模型 |
| NLP | Natural Language Processing | 自然语言处理 |
| RAG | Retrieval-Augmented Generation | 检索增强生成 |
| MCP | Model Context Protocol | 模型上下文协议 |
| API | Application Programming Interface | 应用程序接口 |
| SDK | Software Development Kit | 软件开发工具包 |
| CoT | Chain-of-Thought | 思维链 |
| HITL | Human-in-the-Loop | 人在回路 |
| ML | Machine Learning | 机器学习 |
| DL | Deep Learning | 深度学习 |
| UI/UX | User Interface / User Experience | 用户界面/体验 |
| QA | Question Answering | 问答 |
| DB | Database | 数据库 |
| JSON | JavaScript Object Notation | 轻量数据格式 |
| AGI | Artificial General Intelligence | 通用人工智能 |
九、一句话总结¶
新手记住这三句话就够了： 1. Agent（智能体） = 会思考 + 会动手 + 会记事儿 2. Tool（工具） = 给 Agent 装的"技能插件" 3. Prompt（提示词） = 你指挥 Agent 的"遥控器"
遇到不懂的术语，随时回来查这张表！
英文版术语表：English Glossary