生活分享
AI 名詞總索引：從 Loop Engineering 到生成式 AI
想看懂 Loop Engineering、Harness Engineering、Context Engineering、RAG、MCP 與其他 AI 名詞，可以從這份總索引開始。依 2026 年 9 月查證範圍，把這些概念分組整理，每個詞連到白話專文，附依任務安排的閱讀路徑、容易混淆的層次，以及原始論文和官方定義的查核方式。
更新日期: 閱讀時間約 12 分鐘
AI 的名詞常同時描述不同層次的事：有的是模型架構，有的是資料處理方法，有的是代理工作流程，也有的是安全與授權條件。本索引把這些概念分組整理，每個名稱都連到一篇完整的白話專文。你可以先選正在處理的問題，再沿相關連結閱讀，不必背完所有縮寫才開始使用 AI。
這份系列以 2026 年 9 月 14 日為首輪資料整理截止日，面向台灣的一般使用者。收錄範圍是本次查證過、具有獨立概念與具體使用情境的名詞；英文全名、常用縮寫與中文別名合併閱讀。AI 的用語仍在增加，因此這是一份有日期與範圍的導讀，不是宣稱已列盡全世界名詞的封閉字典。2026 年 10 月起補進第二批 14 個詞。同月再補第三批 10 個詞。
每篇專文都會先說明名詞在解決什麼問題，再用假設案例展示輸入、處理過程與預期結果，最後提醒常見誤解和限制。案例中的成效沒有經過實測時，會直接標示為示例；不把原始論文的特定測試，轉寫成任何使用者都能得到的保證。文末來源可以幫你進一步核對定義與條件。
已經熟悉聊天工具的讀者，可以先從 token、上下文視窗與幻覺開始；這幾個詞直接影響貼文件、反覆追問和判斷答案的方式。想讓 AI 幫忙完成多步工作，則先讀代理與工具，再看工程方法。順序不是程度排名，而是為了讓下一個名詞能回答你已經遇到的問題。
從你想解決的問題開始
| 正在遇到的問題 | 建議先讀 |
|---|---|
| 貼長文件、聊久後漏掉條件 | token、上下文視窗、上下文壓縮 |
| 讓 AI 自己接續完成工作 | AI 代理、代理迴圈、Loop Engineering |
| 讓 AI 回答自己的文件 | RAG、文件分塊、語意搜尋 |
| 判斷答案與工具結果能否交付 | 評測、幻覺、人工介入 |
| 看懂生成的影像與聲音 | 多模態、文生圖、語音辨識、語音合成 |
| 下載模型或查內容來源 | 開放權重、開源 AI、內容憑證 |
| AI 一直附和我，或同一題每次答得不同 | 迎合、溫度、思維鏈 |
| 想在自己電腦跑模型，或 API 一直回 429 | 本機推論、KV 快取、速率限制 |
閱讀完整文字說明
從理解聊天工具、安排代理工作、閱讀自己的文件和判斷媒體來源四種問題出發，每列依序提供三個概念組。這是依任務的閱讀建議，並非模型能力的高低排名。
模型與 AI 基礎
這組回答「我正在使用的系統大致是什麼」。人工智慧是較廣的概念，機器學習與深度學習描述其中的重要方法；生成式 AI 關注內容產生，大型語言模型則是其中一類常見模型。Transformer、混合專家與模型參數進一步談組成方式。閱讀時先分清楚分類、架構與規模，避免把參數多、名字新或同一家公司的產品，直接當成所有任務都更好的證據。神經網路與注意力機制說明模型怎麼計算，推論是每次回答都在做的那一段；縮放定律談規模與表現的經驗關係，AGI 則各家定義不同。過擬合說明模型為什麼在沒看過的資料上失準，世界模型則是一個各家用法不同的詞。
人工智慧（Artificial Intelligence）人工智慧（Artificial Intelligence）是什麼人工智慧是涵蓋多種技術與應用的總稱，不等於聊天機器人，也不必一定會產生文字。本文從 OECD 的系統定義出發，以照片分類和社區資源推薦為例，說明輸入、推導、輸出與人的目標如何連結，整理它與機器學習、深度學習和生成式 AI 的關係。讀完能用具體問題判斷一項 AI 功能在做什麼，並分辨能力、自治程度與可信度。閱讀全文
機器學習（Machine Learning）機器學習（Machine Learning）是什麼機器學習透過資料調整模型，讓它對未見過的輸入做出預測或產生內容。本文用早餐店備料預估的例子，說明特徵、標籤、訓練與測試如何配合，辨別監督學習、非監督學習和強化學習，並解釋資料洩漏、過度擬合與環境改變的影響。讀完能看懂模型為何需要保留測試資料，也能用具體問題判斷一個看似很準的預測是否值得相信。閱讀全文
深度學習（Deep Learning）深度學習（Deep Learning）是什麼深度學習利用多層神經網路，從資料學習不同層次的表示，常用於影像、語音與文字任務。本文以回收物照片分類為例，說明隱藏層、非線性、訓練和推論的角色，解釋模型可能記住背景而非物品，以及資料、算力與可解釋性的取捨。讀完能分辨深度學習和一般機器學習的關係，也能用新的拍攝條件檢查一個模型是否真的學到有用模式。閱讀全文
生成式 AI（Generative AI）生成式 AI（Generative AI）是什麼生成式 AI 從資料學到模式，依輸入條件產生文字、影像、聲音等內容。本文以社區二手市集宣傳素材為例，說明生成與分類、搜尋的差別，介紹語言模型、擴散與對抗生成等不同途徑，並解析內容看起來合理卻可能不忠於事實的原因。讀完能把創意需求、必須保留的資訊與人工驗收分開安排，判斷哪些產物仍只是待確認草稿。閱讀全文
大型語言模型（Large Language Model）大型語言模型（Large Language Model）是什麼大型語言模型從大量資料學習語言與其他模式，依上下文處理文字、生成回答或提出工具請求。本文以失物招領紀錄為例，說明 token、參數、預訓練、提示詞與上下文如何配合，區分模型、聊天產品、搜尋與外部工具，並解釋為何流暢答案仍需查證。讀完能更精確描述任務，知道何時該補檔案、要求工具計算或保留無法確認的答案。閱讀全文
基礎模型（Foundation Model）基礎模型（Foundation Model）是什麼基礎模型指在廣泛資料上訓練、能調適到多種下游任務的模型，重點不只是參數很多，也不等於完整聊天產品。本文從 Stanford CRFM 的用法出發，以社區服務信箱的分類、摘要與搜尋為例，說明共用模型如何成為不同應用的起點，整理它與大型語言模型、生成式 AI 和開放權重的差別。讀完能辨認模型能力、應用調適與實際部署之間的界線。閱讀全文
Transformer 架構（Transformer）Transformer 架構（Transformer）是什麼Transformer 是以注意力機制處理序列關係的神經網路架構，也是許多語言與多模態模型的重要基礎。本文用活動公告中的代名詞與語序例子，說明自注意力、位置資訊、前饋網路和遮罩如何合作，區分原始編碼器解碼器設計與後來變體。讀完能理解模型如何利用上下文，也知道注意力權重不是人類注意力或完整決策解釋，長序列仍有運算與驗證成本。閱讀全文
混合專家模型（Mixture of Experts）混合專家模型（Mixture of Experts）是什麼混合專家模型透過路由器，讓輸入在某些層只使用部分專家網路，以不同方式安排模型容量與運算。本文以檔案分類的小型路由示意，說明總參數、啟用參數、專家與路由的角色，解釋它為何不是多個聊天代理開會，也不能只用啟用參數推算記憶體或品質。讀完能更準確閱讀 MoE 模型規格，理解速度、部署、訓練穩定性與負載分配的取捨。閱讀全文
小型語言模型（Small Language Model）小型語言模型（Small Language Model）是什麼小型語言模型以相對較小的模型規模提供語言能力，常用於資源有限或任務範圍明確的環境，但沒有一致的參數分界。本文以離線整理個人維修筆記為例，說明小模型、量化、裝置端部署與任務調適的關係，解釋為何小不等於弱、離線也不自動等於完整隱私保障。讀完能從任務品質、記憶體、速度和資料流評估需求，而不是只看模型大小。閱讀全文
模型參數（Model Parameters）模型參數（Model Parameters）是什麼模型參數是訓練時調整、用來把輸入轉成輸出的數值，例如權重與偏差。本文用簡單算式示例說明參數如何影響預測，區分模型參數、訓練超參數、提示詞與生成設定，並解釋參數量、數值精度和啟用參數為何是不同指標。讀完能更準確閱讀模型規格，理解參數增加不等於知識逐條增加，也不代表每次聊天都在重新訓練模型。閱讀全文
神經網路（Neural Network）神經網路（Neural Network）是什麼：由層與權重組成、能從資料學習的函數神經網路是由多層簡單單元組成的函數：單元做加權加總，多半再經非線性轉換，權重由資料調整。用雙開關走廊燈的手算示例，說明前向計算、損失、反向傳播與梯度下降，區分訓練與推論，並釐清參數數量、神經元數量與能力的差別，以及它與深度學習、Transformer 的關係。閱讀全文
注意力機制（Attention）注意力機制（Attention）是什麼：模型怎麼決定要參考哪些 token注意力機制讓序列中的每個位置，依 query 與 key 的比對算出權重，再把各位置的 value 加權平均成新的表示。內容從 2014 年的翻譯對齊講到 2017 年的 Transformer，用示例說明 Q、K、V、自注意力、交叉注意力與多頭注意力，也討論標準做法的計算量隨長度平方成長，以及注意力權重不能直接當成模型的理由。閱讀全文
推論（Inference）推論（Inference）是什麼：模型訓練完之後，每次回答都在做的計算推論是用已訓練好的模型處理新輸入、產生輸出的過程，權重在這個階段固定不變。內容拆開語言模型推論的兩段：讀入提示（prefill）與逐個產生（decode），說明首個 token 時間、完整回答時間與吞吐量的差別，分清推論（inference）與推理（reasoning）、雲端與本機，並看懂批次、量化與快取各自省在哪裡。閱讀全文
縮放定律（Scaling Laws）縮放定律（Scaling Laws）是什麼：規模變大，損失與能力怎麼變縮放定律是從訓練實驗擬合出的經驗規律：在特定設定下，語言模型的損失隨參數量、資料量與訓練計算量近似冪律下降。內容說明 Kaplan 與 Chinchilla 對預算分配的不同結論與成因、損失與任務表現的落差、湧現能力的兩種說法、推論時計算的縮放，以及如何閱讀「縮放撞牆」的新聞。閱讀全文
通用人工智慧（AGI）通用人工智慧（AGI）是什麼：各家定義為什麼不一樣AGI 沒有公認定義：OpenAI 章程看經濟價值工作，Google DeepMind 的 Levels of AGI 用表現與通用程度分級並把自主性分開談，學術界則量目標達成與技能習得效率。內容並列這些定義，說明基準測試分數為何不能直接宣告 AGI，並附讀新聞的檢查清單。閱讀全文
過度擬合（過擬合，Overfitting）過度擬合（過擬合，Overfitting）是什麼：考古題全對、新題卻答錯過度擬合是模型連訓練資料裡的雜訊與特例都學進去：訓練時幾乎全對，遇到沒看過的資料就失準。用示例誤差曲線說明訓練集、驗證集、測試集的分工，對照低度擬合，整理更多資料、正則化、dropout、提早停止等對策，並解讀深度網路能背下隨機標籤的研究，以及基準測試題目外洩造成的「看起來會」。閱讀全文
世界模型（World Model）世界模型（World Model）是什麼：讓 AI 預測「接下來會怎樣」世界模型指 AI 內部用來預測「這樣做之後會怎樣」的模型，但這個詞至少有三種用法：強化學習代理在想像中練習用的環境模型、LeCun 主張預測抽象表示的架構路線，以及能隨操作即時生成畫面的互動環境。內容用示例說明怎麼在想像中規劃，並列出大型語言模型有沒有世界模型的正反研究，附讀新聞時的檢查問題。閱讀全文
提示、token 與上下文
這組把注意力放在模型這一次看得到什麼。token 是內容計量與表示的單位，上下文視窗是容量；系統提示詞、範例和外部資料則決定輸入內容。少樣本提示與上下文學習彼此相關，但不是把模型永久重新訓練。壓縮與記憶可能幫助長任務，也會帶來細節遺失或舊資訊重用的問題。先確認資料是否送進去，再檢查它是否真的被正確使用。溫度影響回答的變化程度，知識截止日說明模型知道到哪裡，結構化輸出讓回答照固定欄位交出。
token（Token）token（Token）是什麼：AI 如何計算文字長度token 是語言模型處理內容的基本單位，可能是一段單字、標點或中文字的一部分，不能直接當成字數。本文用整理社團公告的情境，說明輸入、輸出與上下文如何計數，為什麼同一段中文換模型後用量可能不同，以及查看分詞器和實際用量時該注意什麼。你會學會估算任務空間、保留必要資訊，並分清楚 token 與登入用的存取權杖。閱讀全文
分詞（Tokenization）分詞（Tokenization）是什麼：文字進入模型前的切分分詞是把原始文字轉成 token 與編號的處理步驟，不等於替中文句子找出文法上的詞。本文從早餐店品項整理的例子，解釋詞彙表、子詞、空白與正規化如何影響結果，分清 BPE、Unigram 與分詞工具的角色，並提供檢查繁體中文、混合語言及罕見符號的方法。讀完能判斷問題出在文字切分、模型理解，還是檔案讀取階段。閱讀全文
上下文視窗（Context Window）上下文視窗（Context Window）是什麼：容量與理解的差別上下文視窗是模型單次能處理資訊的容量，通常以 token 計算；聊天畫面留著訊息，不代表這次請求把全部內容交給模型。本文用社區會議紀錄的例子，說明輸入與輸出如何共用資源、視窗與長期記憶的差別，以及超限、摘要漏失和長文理解失誤如何分辨。附資料整理步驟與檢查表，幫你保留關鍵決議，不再只靠換大視窗解決問題。閱讀全文
系統提示詞（System Prompt）系統提示詞（System Prompt）是什麼：設定助理的工作規則系統提示詞是應用程式用來設定模型角色、工作範圍與回覆要求的一層指示，不是能保證模型服從的魔法文字。本文用社團活動客服的情境，說明固定規則、當次問題與參考文件怎麼分開，如何處理資訊缺漏與衝突，以及為什麼權限控制仍須由程式執行。附規則改寫與測試方法，幫你判斷自訂助理是否真的符合預期。閱讀全文
少樣本提示（Few-shot Prompting）少樣本提示（Few-shot Prompting）是什麼：用例子教清楚格式少樣本提示是在同一次輸入裡放入少量示範，讓模型依照範例處理新資料；它不等於替模型重新訓練。本文用失物招領分類的情境，教你挑選一般案例、邊界案例與資料不足案例，避免模型只模仿表面用詞。附測試方法、比較表與原創圖解，說明何時應增加例子、何時先改分類規則，以及為什麼示範資料必須和驗證資料分開。閱讀全文
零樣本提示（Zero-shot Prompting）零樣本提示（Zero-shot Prompting）是什麼：先把任務說清楚零樣本提示是沒有提供已解答示範，直接用規則與新資料請模型完成工作；零樣本不表示模型從未訓練，也不表示提示詞不能附資料。本文用整理家用電器說明的例子，說明如何寫清輸出欄位、資訊缺漏與判斷範圍，並比較少樣本提示與檢索資料的不同用途。附對照表及測試流程，讓你知道什麼時候直接提問就夠，什麼時候需要加例子。閱讀全文
上下文學習（In-context Learning）上下文學習（In-context Learning）是什麼：當場適應新規則上下文學習是模型利用當次輸入中的說明或示範，改變處理新問題的方式，通常不涉及更新模型參數。本文用自訂書籍分類標籤的情境，分清「學會格式」「套用對應」與「真的掌握新規則」，說明少樣本提示和微調的關係，以及研究結果為何不能簡化成隨便放例子都有效。附可自行操作的對照流程，幫你觀察模型究竟依賴哪些線索。閱讀全文
上下文壓縮（Context Compaction）上下文壓縮（Context Compaction）是什麼：讓長任務接得下去上下文壓縮是將長對話或工作紀錄整理成較短的續作資訊，讓模型在有限視窗內繼續任務；它不是無損備份，也不會擴大模型本身的容量。本文用搬家規劃的情境，示範交接摘要應保留目標、已確認決策、否定條件與未完成事項，並分清摘要、刪除舊工具結果和外部記憶。附壓縮前後核對方法，避免把待確認事項變成已完成的承諾。閱讀全文
上下文品質衰退（Context Rot）上下文品質衰退（Context Rot）是什麼：長文為何不一定更準Context Rot 是研究與工程討論中描述長上下文品質變差的用語，不是模型參數隨聊天時間腐壞。本文依 Chroma 原始實驗與長文資訊位置研究，說明輸入長度、幹擾資料和問題形式如何影響表現，並用活動備案查詢設計可自行重做的對照。你會學會區分超限、資料缺漏與品質衰退，知道何時應整理內容、保留原文或縮小任務範圍。閱讀全文
代理記憶（Agent Memory）代理記憶（Agent Memory）是什麼：保存、取回與更新資訊代理記憶是讓 AI 系統保存並重新取用資訊的機制，可能包含對話狀態、使用者偏好與先前工作紀錄；它不是模型永遠記住全部內容。本文用讀書計畫助理的情境，說明短期狀態與跨對話記憶、原始事實與推論的差別，並提供檢查新增、修正、刪除與取回結果的步驟。附資料流程圖，幫你判斷記憶是否準確、過期或被放錯範圍。閱讀全文
溫度（Temperature）溫度（Temperature）是什麼：AI 回答變化程度的取樣參數溫度（temperature）是文字生成時調整取樣的參數，讓模型從下一個 token 的機率分布裡抽得更集中或更分散。用假想的台南早餐示例算出低溫與高溫的差別，說明 top-p 的來源和它與 top-k 的差別，並依官方文件與論文指出：調低溫度不代表更準，設成 0 也不保證每次相同，部分模型還不開放調整。閱讀全文
知識截止日（Knowledge Cutoff）知識截止日（Knowledge Cutoff）是什麼：模型知道到哪一天，又為什麼不準知識截止日是供應商標示模型訓練資料大致到哪個時間的說法，不是模型什麼都知道的保證。內容說明各家怎麼標示、訓練資料截止日與可靠知識截止日的差別，為什麼越近截止日的事越不牢靠，用虛構案例區分承認不知道、過期資訊與幻覺，再比較附上資料、檢索與搜尋工具的補救與失敗點。閱讀全文
結構化輸出（Structured Outputs）結構化輸出（Structured Outputs）是什麼：讓 AI 照固定格式交資料結構化輸出讓模型依 JSON Schema 產生固定欄位的資料，程式才能直接讀取。內容區分提示詞要求 JSON、JSON 模式與 schema 限制三種做法，用虛構報名信示範缺值與拒答的處理，整理三家官方文件列出的限制，並說明格式合法不等於內容正確。閱讀全文
代理、工具與互通協定
這組回答「AI 如何從產生文字走到採取行動」。代理迴圈描述觀察結果後再決定下一步，多代理、子代理與協調則處理工作分工。工具呼叫讓系統執行具體功能；MCP、A2A 和 Agent Skills 各自處理不同的連接或知識封裝問題，不是互相替換的縮寫。理解這些詞時，請同時想清楚誰有執行權限、誰保存進度，以及哪個結果能證明事情真的做完。電腦操作則讓代理看畫面、動滑鼠鍵盤，而不是呼叫定義好的工具。
AI 代理（AI Agent）AI 代理（AI Agent）是什麼：從回答問題到完成任務AI 代理是能依目標與環境回饋選擇下一步的軟體系統，常由語言模型、工具與執行控制組成。本文用整理活動報名資料的情境，區分聊天回答、固定工作流程與代理任務，說明規劃、實際操作和完成證據為何不同。附交辦與驗收方法，幫你看懂代理能做哪些事、何時應停下，以及為什麼自主程度不等於可靠程度。閱讀全文
代理迴圈（Agent Loop）代理迴圈（Agent Loop）是什麼：判斷、操作與回饋代理迴圈是讓模型判斷下一步、執行工具、讀取結果再決定的重複機制，直到完成、受阻或觸及停止條件。本文用尋找遺失檔案的情境，說明工具請求與實際成功為何不同，如何避免重複搜尋、錯誤重試與無限執行，並區分單次代理迴圈和管理多次任務的工程工作。附狀態圖與檢查表，幫你看懂代理正在前進，還是在原地繞圈。閱讀全文
多代理系統（Multi-agent System）多代理系統（Multi-agent System）是什麼：分工與協作的代價多代理系統由多個能各自處理任務的代理互相協作，可採主管分工、同儕討論或其他協調方式；它不等於把同一題多問幾次。本文用地方活動策展的例子，說明哪些工作適合並行、如何共享證據和處理衝突，以及為什麼更多代理不保證更準。附分工與驗收方法，幫你區分多代理、子代理和單一代理的多次工具呼叫。閱讀全文
子代理（Subagent）子代理（Subagent）是什麼：把有邊界的工作交出去子代理是由主代理委派特定工作的代理，通常有自己的任務上下文，再把結果交回主代理整合；它不一定使用不同模型，也不必永久保存記憶。本文以社區刊物的資料查核為例，說明交辦範圍、證據格式、同步與背景執行的差別，以及為什麼子代理說完成仍需要驗收。附交接圖與實用檢查表，幫你判斷何時分派能減少負擔。閱讀全文
代理協調（Agent Orchestration）代理協調（Agent Orchestration）是什麼：安排分工與交付順序代理協調是安排代理、工具與工作階段如何分工、交換狀態和完成驗收的系統設計，可以由程式、模型或混合方式控制。本文用社區導覽手冊的製作流程，說明路由、並行、交接與重試如何不同，哪些步驟必須等待前置資料，以及子任務完成為何不等於整體完成。附依賴圖與檢查方法，幫你識別看似忙碌但缺乏協調的流程。閱讀全文
ReActReAct 是什麼：讓推理與行動交替補足資訊ReAct 是讓語言模型在任務中交替產生推理與行動的研究方法，透過外部觀察更新後續計畫；它不是網頁框架 React，也不是只要求模型多想幾步。本文用查找社區展覽資訊的示意情境，說明需要查什麼、工具實際回傳什麼，以及新證據如何改變答案。附流程圖與失敗判讀方法，分清可稽核行動紀錄、模型敘述與真正的外部證據。閱讀全文
工具呼叫（Tool Calling）工具呼叫（Tool Calling）是什麼：模型如何請程式做事工具呼叫是模型依工具說明產生結構化請求，交由程式執行，再讀取結果的流程；產生參數不等於操作已成功。本文用借用社區器材的情境，說明工具名稱、輸入格式、查詢與寫入的差異，以及為什麼合法 JSON 仍可能包含錯誤內容。附完整往返圖與故障判讀表，幫你看懂代理何時只是提議，何時才有真正的外部結果。閱讀全文
模型上下文協定（MCP）模型上下文協定（MCP）是什麼：連接工具與資料的共同介面MCP 是讓 AI 應用程式與外部工具、資料和提示範本交換資訊的開放協定，不是模型本身，也不保證接上就能完成任務。本文用查詢社區圖書室資料的例子，說明主機、用戶端、伺服器及工具、資源、提示的分工，並比較 MCP、A2A 與 Agent Skills。附連線驗證與權限檢查方法，幫你區分已設定、已連接、可呼叫與真正取得結果。閱讀全文
代理互通協定（A2A）代理互通協定（A2A）是什麼：跨系統交辦與回報任務A2A 是讓不同系統的代理交換能力資訊、任務狀態與工作產物的開放協定，重點是跨代理協作，不是公開對方的內部提示或工具。本文用活動場地詢問的情境，解釋 Agent Card、Task、Message 與 Artifact，分清收到請求、需要補資料和真正完成。附任務生命週期圖，並比較 A2A、MCP 與 Agent Skills 的角色與相容性限制。閱讀全文
代理技能（Agent Skills）代理技能（Agent Skills）是什麼：可重用的工作方法包Agent Skills 是把工作指示、參考資料與可選腳本放進資料夾的開放格式，讓相容代理在需要時載入特定做法。本文用社區月報整理的情境，說明 SKILL.md、名稱與描述、逐步載入及附屬資源的角色，分清技能、系統提示詞、MCP 和 A2A。附內容設計與驗收方法，幫你判斷技能是否真的可重用，而不是只把長提示詞換個檔名。閱讀全文
電腦操作（Computer Use）電腦操作（Computer Use）是什麼：讓 AI 看畫面、點滑鼠、打鍵盤電腦操作是讓代理靠截圖看畫面，再輸出滑鼠與鍵盤動作去操作圖形介面。內容比較 API 工具呼叫、瀏覽器自動化與電腦操作，說明截圖、判斷、動作的迴圈、為何較慢又容易出錯、OSWorld 怎麼評測，以及畫面上的文字可能是提示詞注入，並附一個未實測的表單示例。閱讀全文
AI 工程方法與維運
這組收錄 Loop Engineering 等工程方法。提示詞工程處理指令，上下文工程處理資訊配置，Harness Engineering 處理執行支架，Loop Engineering 則著重持續工作的啟動、驗收、記錄與停止。代理式工程、氛圍編碼、規格驅動開發及維運用語，也各自有不同切角。其中一些名稱仍在形成共識，專文會標明採用哪位作者或哪份官方文件的說法，不把一種實務包裝成唯一標準。
提示詞工程（Prompt Engineering）提示詞工程（Prompt Engineering）是什麼提示詞工程是把需求變成可測試指令，再根據實際失敗調整的方法。本文以社區活動公告為例，說明如何交代目標、輸入資料、限制與輸出格式，建立正常與缺漏案例，辨別提示不清、資料不足和模型能力的差別。讀完能做出可重用的提示詞，也知道何時該補資料、改流程或請人確認，而不是只把指令越寫越長。閱讀全文
上下文工程（Context Engineering）上下文工程（Context Engineering）是什麼上下文工程處理的是每次模型作答前，應該看見哪些指令、資料、歷史與工具結果。本文以社區場地借用助理為例，說明資料篩選、版本標示、權限、長對話整理與缺漏處理，並比較它和提示詞工程、檢索增強生成的關係。讀完能辨認回答錯誤是因為資料沒進來、進來的資料過時，還是資料彼此衝突，建立更可核對的工作流程。閱讀全文
代理執行環境工程（Harness Engineering）代理執行環境工程（Harness Engineering）是什麼代理執行環境工程關心模型周圍的工具、權限、狀態、測試與交接機制，讓代理有條件完成長任務。本文以活動報名網站的開發為例，說明執行環境如何支援查資料、改程式、檢查成果與中斷恢復，並區分代理迴圈、上下文工程和迴圈工程。讀完能用具體清單判斷代理環境是否具備可驗證的完成條件，而不只看它是否持續運轉。閱讀全文
Loop EngineeringLoop Engineering 是什麼：讓 AI 持續工作，也知道何時停止Loop Engineering（迴圈工程）把反覆提示 AI 的工作，轉成有目標、驗證、進度紀錄與停止條件的流程。這篇用維護展覽活動表的假設案例，白話比較它與提示詞工程、上下文工程、Harness Engineering 和代理迴圈的差異，說明如何處理成本、失敗、重試與人工接手，並標示這個新興用語仍有分歧的地方。閱讀全文
代理式工程（Agentic Engineering）代理式工程（Agentic Engineering）是什麼代理式工程是運用能寫程式、執行工具與根據結果修正的代理來開發軟體，同時由人負責需求、取捨與驗收。本文以社團器材借用系統為例，拆解如何界定任務、提供測試資料、審查變更與處理失敗，說明它和氛圍編碼、代理系統維運的差別。讀完能安排一項可驗證的代理開發工作，也知道何時必須收回決策並釐清規格。閱讀全文
氛圍編碼（Vibe Coding）氛圍編碼（Vibe Coding）是什麼氛圍編碼常指用自然語言推動 AI 寫程式，主要看畫面與試用結果，較少閱讀產出的程式內容。本文說明這個詞的狹義與廣義用法，透過讀書清單原型示例拆解探索流程、看不見的失敗與轉向正式開發時需要補上的工作。讀完能判斷原型適合承擔什麼用途，也能把功能看起來完成、資料真的儲存和程式已受審查分開看待。閱讀全文
規格驅動開發（Spec-driven Development）規格驅動開發（Spec-driven Development）是什麼規格驅動開發先把需求、限制與驗收條件寫成可維護的規格，再讓設計、實作和測試依它推進。本文以社區場地預約提醒為例，說明需求、技術設計與任務清單的差別，如何處理模糊條件、需求變更和測試追溯，並比較它與只寫一大段提示詞的工作方式。讀完能整理一份可討論、可實作、可驗證的小型規格，避免檔案寫完卻和程式脫節。閱讀全文
大型語言模型維運（LLMOps）大型語言模型維運（LLMOps）是什麼大型語言模型維運不只是把模型接上網站，而是管理提示詞、資料、評測、部署、監測與回饋的整個生命週期。本文以圖書館問答助理為例，說明如何記錄版本、設計評測、追查品質下降和保留回復方式，並區分模型回應成功、答案有依據與使用者問題真的解決。讀完能看懂一個語言模型應用上線前後需要管理的具體工作與證據。閱讀全文
代理系統維運（AgentOps）代理系統維運（AgentOps）是什麼代理系統維運要追蹤的不只是模型回答，還包括工具呼叫、重試、權限、任務狀態與外部結果。本文以客服換貨代理為例，說明如何讀取一條執行紀錄、區分回答成功和操作成功、處理逾時與重複動作，並介紹 AgentOps 作為實務用語與同名產品的差別。讀完能看懂代理服務上線後應蒐集哪些證據，以及如何從故障位置決定下一步。閱讀全文
提示詞串接（Prompt Chaining）提示詞串接（Prompt Chaining）是什麼提示詞串接把一項工作拆成數次模型呼叫，讓前一步的輸出成為後一步的輸入，並在中間加入檢查。本文以社團會議紀錄轉成待辦通知為例，說明如何分配每一步的責任、保留來源、處理缺漏與阻止錯誤往後傳，並比較串接、單次長提示詞與代理迴圈的差別。讀完能設計一條短而可驗證的工作流程，判斷多步驟是否真的帶來價值。閱讀全文
搜尋、文件與知識
如果你想讓 AI 回答自己的文件，先讀這組。RAG 的重點是把檢索到的資料提供給生成流程；向量、語意搜尋、混合搜尋與重新排序，則幫助找出可能有用的片段。GraphRAG 與知識圖譜增加關係和群集的視角，但圖上的連線仍要有來源。不要把「找到相似內容」當成「找到正確答案」，也不要把有引用的文字當成已逐句查證。接地把回答連回可查的來源，但有引用仍要逐句核對。
檢索增強生成（RAG）檢索增強生成（RAG）是什麼：讓回答附上可查的依據檢索增強生成會先從外部資料找出相關內容，再交給語言模型組織回答。本文以活動報名規章的問答為例，拆解建索引、檢索、生成與來源核對，說明它和搜尋、微調的差別，也解釋為什麼有引用仍可能答錯。讀完能判斷問題出在資料未更新、文件沒找齊，還是模型把證據解讀過頭，並知道什麼情況應保留不知道的答案。閱讀全文
代理式檢索增強生成（Agentic RAG）代理式檢索增強生成（Agentic RAG）：何時需要再查一次代理式檢索增強生成讓模型參與檢索決策，依問題與已找到的證據選擇資料來源、改寫查詢或繼續補查。本文採用 LangGraph 文件中的具體流程，以比較場地借用條件示範它和固定式 RAG 的差別，並說明停止條件、權限、查詢紀錄及成本控制。讀完能判斷任務需要動態探索，還是用可預測的固定流程就足夠。閱讀全文
圖譜檢索增強生成（GraphRAG）圖譜檢索增強生成（GraphRAG）：從關係看懂整批文件GraphRAG 把實體及其關係納入檢索，協助回答跨文件的關聯與整體主題。本文以 Microsoft 原始論文及官方文件為範圍，拆解實體抽取、社群摘要、局部搜尋和全域搜尋，以地方活動紀錄示範不同問題需要不同路徑。也說明圖譜漏連、名稱誤合併與摘要失真如何影響答案，避免把一張漂亮的關係圖誤認為已驗證的事實。閱讀全文
嵌入向量（Embedding）嵌入向量（Embedding）是什麼：把內容放進可比較的空間嵌入向量是模型把文字等內容轉成一組數值的表示方式，常用於語意搜尋、分類與分群。本文用「下雨可以去哪裡」的查詢拆解編碼、相似度與候選結果，說明向量距離不等於真假、每一維也未必能直接命名，並介紹模型版本、語言能力與長文截斷的影響。讀完能分清嵌入向量、向量資料庫與生成答案各自負責什麼。閱讀全文
向量資料庫（Vector Database）向量資料庫（Vector Database）：相似內容怎麼存、怎麼找向量資料庫負責儲存向量並搜尋相近內容，常與原文識別碼、標籤和權限條件一起使用。本文用社團器材借用紀錄說明查詢流程、精確搜尋與近似搜尋的取捨，以及為什麼找不到結果可能源自篩選或索引設定。也區分向量索引、一般資料庫擴充與 RAG，帶讀者用可追查的問題檢查資料更新、刪除和檢索品質。閱讀全文
語意搜尋（Semantic Search）語意搜尋（Semantic Search）：用不同說法找到相關內容語意搜尋嘗試依查詢和內容的意思找資料，不只比對相同字詞。本文以常見客服問題說明查詢編碼、文件表示與候選排序，區分語意相似和真正符合需求，也介紹否定句、專有代碼、跨語言與無答案題的限制。讀完能判斷搜尋問題該從嵌入模型、資料整理、混合搜尋或重新排序改善，而不把自然語言答案誤當成搜尋本身。閱讀全文
混合搜尋（Hybrid Search）混合搜尋（Hybrid Search）：兼顧精確字詞與語意混合搜尋把全文搜尋與向量等不同檢索結果合併，讓精確代碼和自然語言需求都能被照顧。本文用器材說明書查詢拆解候選取得、去重、排名融合和重新排序，介紹 RRF 如何用名次融合不同搜尋結果，也提醒混合不保證全面更準。讀完能用代碼題、改寫題和無答案題檢查品質，並辨認權限、篩選與重複內容造成的偏差。閱讀全文
重新排序（Reranking）重新排序（Reranking）：從找得到到把好答案排在前面重新排序會對第一輪搜尋找到的候選再做相關性判斷，常用來改善搜尋清單與 RAG 的上下文品質。本文用圖書館借閱規則示範檢索器和交叉編碼器如何分工，說明候選缺漏、輸入截斷、相關分數與真假判斷的差異。讀完能辨認該擴大檢索、修正文塊，還是增加重新排序，並用適合的測試避免為了排名改善付出不必要的等待。閱讀全文
文件分塊（Chunking）文件分塊（Chunking）：切多長，才不會把答案切斷文件分塊把長文件拆成可檢索和處理的小單位，但切得越細不一定越好。本文以社群場地借用手冊說明固定長度、依章節和內容意義分塊的差別，示範如何保留主詞、例外、表格欄名與來源位置，也解釋重疊內容的好處與代價。讀完能用跨段問題與更新測試找出合適策略，避免直接把工具預設長度當成通用答案。閱讀全文
知識圖譜（Knowledge Graph）知識圖譜（Knowledge Graph）：把事物與關係說清楚知識圖譜用實體及關係組織資料，讓「誰參與什麼、在哪裡、何時發生」能沿連結查詢。本文以社群活動資料示範實體識別、關係方向、來源與時間，介紹 RDF 和屬性圖的表示差異，也說明圖譜不等於視覺化或可信事實。讀完能判斷資料適不適合建圖，並理解它如何和資料表、向量搜尋及 GraphRAG 搭配。閱讀全文
接地（Grounding）接地（Grounding）是什麼：讓 AI 的回答有可以對回去的依據接地（Grounding）在生成式 AI 產品裡，指讓回答連到可查證的來源，例如搜尋結果或你提供的文件；同一個詞也用在符號接地問題與視覺接地。內容拆開三種用法，說明檢索、放入上下文與附上引用的流程，示範逐句核對一個報名日期，並解釋為什麼有引用仍可能只支持一半，也不保證沒有幻覺。閱讀全文
訓練、調整與推論資源
這組把「改變模型」與「使用模型」分開。預訓練、微調、監督式微調和偏好最佳化談的是學習程序；LoRA、蒸餾與量化則有不同的調整或壓縮目的。推理模型、推論時計算與提示詞快取，會影響回答時如何花費資源。各詞不能只靠「更快、更省、更聰明」三句宣傳語理解，因為節省記憶體、降低延遲、改善任務品質，可能是不同且需要實測的目標。思維鏈談寫出的步驟能信多少，合成資料談用模型產生的資料再訓練模型。強化學習是用獎勵訓練的方法；KV 快取、本機推論與速率限制則談回答時的記憶體、裝置與用量上限。
預訓練（Pretraining）預訓練（Pretraining）：模型的基礎能力從哪裡來預訓練是在特定任務調整之前，讓模型從大量資料學得可重用表示與規律的階段。本文用下一個 token 預測和遮住內容再還原的例子說明資料、目標與參數更新，區分預訓練、微調和使用時提供上下文，也解釋為什麼學過文字不等於記得來源或保證事實正確。讀完能理解基礎模型的能力來源，以及訓練資料品質和評估汙染的影響。閱讀全文
微調（Fine-tuning）微調（Fine-tuning）：讓既有模型更適合你的任務微調是在既有模型上繼續訓練，讓它更適合特定任務或領域。本文以客服信件分類說明資料整理、參數更新、保留測試集與版本部署，區分完整微調、LoRA、監督式微調和 RAG，也解釋訓練成績變好卻實際退步的原因。讀完能判斷問題是否值得微調，以及如何檢查格式一致性、未知類型、資料洩漏和原有能力退化。閱讀全文
監督式微調（SFT）監督式微調（SFT）：用好示範教模型完成任務監督式微調以輸入和期望輸出作為訓練示範，讓既有模型學習更穩定的任務行為。本文用會議待辦整理說明資料配對、對話角色、損失計算與保留測試集，區分 SFT、少樣本提示、LoRA 和偏好最佳化，也解釋示範中的猜測與格式錯誤如何被學進去。讀完能檢查訓練資料是否真的教會模型保留未知資訊，而不是只學會看起來完整。閱讀全文
人類回饋強化學習（RLHF）人類回饋強化學習（RLHF）：把偏好變成訓練訊號RLHF 利用人類對行為或回答的回饋，建立訓練獎勵並改善模型策略。本文以活動摘要的回答比較說明示範、偏好標註、獎勵模型和強化學習的分工，介紹典型流程與其他偏好方法的差異，也拆解為什麼討喜不等於真實、獎勵分數不等於所有人的價值。讀完能看懂回饋如何影響模型，以及標註分歧、獎勵漏洞和分佈改變的限制。閱讀全文
直接偏好最佳化（DPO）直接偏好最佳化（DPO）：用回答比較直接調整模型直接偏好最佳化利用同一問題下的較佳與較差回答，直接調整模型對回答的相對偏好。本文依原始論文和 TRL 文件說明參考模型、偏好配對及訓練目標，以產品說明摘要示範資料如何影響結果，也區分 DPO、SFT 與典型 RLHF。讀完能理解它省略了哪些訓練環節，以及為什麼流程較簡單仍不能跳過資料品質、評估和能力退化檢查。閱讀全文
低秩適應（LoRA）低秩適應（LoRA）：少量可訓練參數如何調整模型LoRA 在凍結基礎權重的情況下，訓練較小的低秩更新來適應任務。本文用客服分類模型說明基礎模型、附加參數、秩與目標層的分工，區分 LoRA、完整微調、量化和 QLoRA，也解釋為什麼小型附加檔不等於整個模型很小。讀完能檢查相容版本、載入與合併、評估退化和部署成本，避免把論文中的特定節省幅度當成通用保證。閱讀全文
知識蒸餾（Knowledge Distillation）知識蒸餾（Knowledge Distillation）：讓學生模型學教師知識蒸餾以教師模型的輸出或中間表示訓練學生模型，常用來降低部署成本或移轉特定能力。本文用文件分類說明硬標籤、軟目標與生成示範的差別，解釋教師的錯誤如何被傳遞，以及學生不一定能複製全部能力。讀完能分清蒸餾、一般微調和量化，並知道怎樣用獨立測試、任務範圍與實際硬體驗證蒸餾是否值得。閱讀全文
量化（Quantization）量化（Quantization）：用較少位元執行模型的取捨模型量化用較低精度表示權重或其他數值，目的是減少記憶體與運算負擔，同時盡量保留任務品質。本文用本機文件分類示範載入、校準與比較流程，區分訓練後量化、量化感知訓練、LoRA 和蒸餾，也解釋為什麼檔案變小不保證回答更快。讀完能核對硬體支援、記憶體組成及實際錯誤，避免只靠位元數挑模型。閱讀全文
推理模型（Reasoning Model）推理模型（Reasoning Model）：多想幾步能解決什麼推理模型通常經過針對多步問題的訓練或推論設計，能在回答前投入更多計算來拆解、檢查與修正。本文用活動排程示範條件推理，區分推理能力、搜尋、工具和思考摘要，也說明為什麼等待更久或寫得更長不保證正確。讀完能判斷任務缺的是證據還是推導，並用可驗證的限制清單評估結果，而不必依賴產品等級與價格比較。閱讀全文
推論時計算（Test-time Compute）推論時計算（Test-time Compute）：把算力花在這一道題推論時計算是模型回答當下投入的運算資源，增加它可用於更長推導、多個候選或額外驗證。本文以活動排程示範順序修正和平行探索，依原始研究說明題目難度與驗證器如何影響效果，也區分推論、訓練和單純等待。讀完能判斷哪些問題值得多算、哪些需要補資料，並知道如何把延遲、總運算與可驗證品質放在一起比較。閱讀全文
提示詞快取（Prompt Caching）提示詞快取（Prompt Caching）：重用相同字首的計算提示詞快取重用先前處理過的相同輸入字首，減少重複讀取長指令或文件的計算。本文用同一份活動手冊的連續問答示範首次寫入、後續命中與字首失效，區分提示詞快取、答案快取和長期記憶，也解釋為什麼省輸入處理不等於省下所有輸出時間。讀完能檢查實際命中、版本更新、隱私隔離與費用條件，不把快取當成免費或永久記住資料。閱讀全文
思維鏈（Chain-of-Thought）思維鏈（Chain-of-Thought）是什麼：讓模型寫出步驟，以及步驟能信多少思維鏈是讓語言模型在答案之前先寫出中間步驟的做法，源自 2022 年的兩篇論文。接著說明少樣本與一句話兩種寫法、原論文在自己設定下的結果、推理（reasoning）模型把步驟內建後的提示建議，並整理研究為何指出步驟不一定忠實反映模型怎麼得出答案，最後示範把步驟當成可查的主張清單。閱讀全文
合成資料（Synthetic Data）合成資料（Synthetic Data）是什麼：兩種用途、品質控管與模型崩潰合成資料是由演算法或模型產生、模仿真實資料特徵的資料，常見用途有兩種：訓練模型，以及在隱私需求下替代真資料。內容依 Self-Instruct、模型崩潰研究（替換與累積資料的差別）與 NIST、ICO 的隱私文件，說明做法、抽查流程，以及它不能保證的事。閱讀全文
強化學習（Reinforcement Learning）強化學習（Reinforcement Learning）是什麼：靠獎勵一步步試出做法強化學習讓代理在環境中採取動作，依環境回饋的獎勵數字調整策略，目標是長期累積的回報最大。內容用格子世界示例說明狀態、動作、獎勵、策略與回報，對照監督式與非監督式學習，解釋探索與利用的取捨，再談語言模型裡的偏好獎勵與可驗證獎勵，以及獎勵設計不良時為什麼會被鑽漏洞。閱讀全文
KV 快取（KV Cache）KV 快取（KV Cache）是什麼：為什麼對話越長越吃記憶體KV 快取是語言模型逐個產生 token 時，把前面每個位置在各層算好的 key 與 value 存起來、下一步只補算新 token 的做法。內容用四步示例說明它省下哪些重算，記憶體為何隨上下文長度、層數與注意力頭數成長，PagedAttention、MQA／GQA 與量化各省在哪，以及它和提示詞快取的分工。閱讀全文
本機推論（Local Inference）本機推論（Local Inference）是什麼：在自己的裝置上跑模型本機推論是把模型權重下載到自己的電腦或手機，由這台裝置完成計算，提示詞不必送進雲端。內容說明哪些東西真的留在本機、哪些仍可能連網，記憶體需求如何由權重、量化與 KV 快取決定，作業系統內建的裝置端模型怎麼運作，並比較本機與雲端推論在隱私、成本、速度與維護上的取捨。閱讀全文
速率限制（Rate Limit）速率限制（Rate Limit）是什麼：API 為什麼回你 429速率限制是 API 在一段時間內允許的請求數或 token 數上限，超過時通常回 HTTP 429，也可能附 Retry-After 告訴你等多久。依 RFC 與 OpenAI、Anthropic、Google 官方文件，說明 RPM、TPM 怎麼算、哪些 429 不該重試、退避加抖動的示例流程，並分清配額、花費上限與上下文視窗，最後談代理迴圈與批次工作的節流。閱讀全文
評測、安全與人工介入
這組用來判斷成果能否交付。評測與基準測試需要看題目、評分方式及適用範圍；讓語言模型擔任評審，也要檢查它的偏差。幻覺、提示詞注入與越獄提示有不同成因，不應全歸成 AI 不可靠。安全防護、沙盒、人工介入與紅隊測試則各自處理不同層面的風險。一次通過測試、加上一條警告或安排另一個代理，都不能取代對實際結果的核對。對齊是讓行為符合人的意圖，迎合是常見的失敗：順著使用者說，而不是照事實說。可解釋性想看懂模型為什麼這樣答；資料投毒與獎勵駭客則是訓練資料與評分被鑽漏洞的兩種風險。
模型與代理評測（Evals）模型與代理評測（Evals）是什麼模型與代理評測把任務、輸入、執行條件和成功標準固定下來，觀察 AI 是否真的符合需求。本文用志工排班助理為例，說明案例、重複嘗試、評分器與外部結果的差別，比較程式、人類與模型評分，解釋為何單次答對和平均高分都不足以證明可靠。讀完能建立一組小而實用的評測，讓提示詞或模型更新有可比較的證據，也能保留尚未驗證的限制。閱讀全文
基準測試（Benchmark）基準測試（Benchmark）是什麼基準測試用共同題目、執行設定與評分方法比較系統，是理解 AI 能力的一種參考，不能直接當成所有用途的排名。本文以圖書館資料整理需求為例，說明題型、指標、提示詞、工具與測試汙染如何影響分數，解釋平均值與排名變動的限制。讀完能閱讀基準的適用範圍，判斷不同報告是否真的可比，並把公開成績接到自己的實際任務驗證。閱讀全文
以語言模型擔任評審（LLM-as-a-Judge）以語言模型擔任評審（LLM-as-a-Judge）是什麼以語言模型擔任評審，是讓模型依準則判斷另一段回答、比較候選內容或檢查特定條件，適合協助大量語意評測。本文以展覽說明改寫為例，說明評分準則、參考資料、人工校準與位置偏差，解釋為何長答案可能討好評審、模型評語也可能錯。讀完能設計可核對的評審工作，區分偏好、忠實性與事實正確，並知道哪些部分應交給程式或人檢查。閱讀全文
AI 幻覺（Hallucination）AI 幻覺（Hallucination）是什麼？把流暢回答拆成可查主張AI 幻覺是模型產生看似合理、卻缺乏事實支持或違背提供資料的內容。本文用一段虛構展覽介紹，示範如何拆出可查主張、核對原始來源，區分支持、矛盾與尚未確認；也說明附上連結、再次提問或兩個模型答案相同，為何仍不足以證明正確，並整理使用引用與不確定回答時的實際界線。閱讀全文
提示詞注入（Prompt Injection）提示詞注入（Prompt Injection）是什麼提示詞注入是讓模型把不可信內容中的文字當成應遵循的指令，進而偏離原本任務。本文用閱讀活動報名郵件的原創案例，說明直接與間接注入、資料和權限的界線，以及為何檢索、引用格式或一句「忽略惡意指令」不能包辦防護，並整理外部內容分隔、工具授權與人工確認各自能阻止的失敗。閱讀全文
越獄提示（Jailbreak）越獄提示（Jailbreak）是什麼越獄提示通常指試圖讓 AI 繞過既有安全限制、產生原本不應提供之內容的輸入方式。本文區分它與提示詞注入、正常拒絕及誤拒，透過虛構客服助理的測試案例，說明成功條件為何必須看實際回答、研究結果為何不能直接套用所有模型，以及防護評測如何兼顧限制行為與合法使用者的正常需求。閱讀全文
安全防護機制（Guardrails）安全防護機制（Guardrails）是什麼安全防護機制（Guardrails）是放在 AI 輸入、資料、回答與工具操作周圍的一組檢查和限制。本文用二手物品刊登助手的原創案例，說明哪些規則適合程式驗證、哪些需要模型判讀或人工確認，以及阻擋、修正與交回處理的差別，幫你理解防護如何維持正常工作，同時避免把單一篩選器當成完整安全保證。閱讀全文
沙盒（Sandbox）沙盒（Sandbox）：讓 AI 執行工具時有明確邊界沙盒以系統層限制程式能接觸的檔案、網路和資源，常用來隔離 AI 代理執行的程式或工具。本文用整理活動報名資料的情境說明可讀範圍、輸出目錄、網路限制與驗證，區分沙盒、容器、虛擬機器和提示詞規則，也解釋為什麼放進沙盒仍不能任意提供機密或正式系統權限。讀完能看懂隔離保護的是哪一層，以及它沒有替你檢查哪些事情。閱讀全文
人工介入（Human-in-the-loop）人工介入（Human-in-the-loop）：讓人有資訊也有決定權人工介入是在 AI 工作流程中設計人的判斷、修正或批准節點，不只是加一個確認按鈕。本文用活動公告發布示範草稿審閱、修改後重查、批准範圍與執行結果，說明即時介入和事後抽查的差別，也討論資訊不足、疲勞與權限不清如何讓人形同橡皮圖章。讀完能檢查人是否真正看得到證據、改得了結果，並能在必要時停止流程。閱讀全文
紅隊測試（Red Teaming）紅隊測試（Red Teaming）：主動找出 AI 系統會怎樣失敗AI 紅隊測試以對抗或壓力情境主動尋找失敗，檢查模型和整套系統的防護是否有效。本文以活動問答助理示範範圍設定、測試假設、紀錄、修正和重測，區分紅隊、一般評估與漏洞掃描，也說明成功誘發一次錯誤不等於量出整體風險。讀完能看懂測試報告是否有重現條件和影響分析，而不把通過一輪測試當成永久安全保證。閱讀全文
AI 對齊（Alignment）AI 對齊（Alignment）是什麼：對齊到誰的什麼，先問清楚AI 對齊沒有單一公認的定義：論文裡有依使用者意圖行事、有幫助誠實無害、更廣的價值對齊等說法。以下並列各家定義，說明 InstructGPT 如何把對齊變成可評分的工作、憲法式 AI 做了什麼，並分清對齊、安全防護與內容政策，讓你讀到「已對齊」時知道該追問哪一層。閱讀全文
迎合（Sycophancy）迎合（Sycophancy）是什麼：AI 為什麼順著你說，怎麼問才不被帶著走迎合（Sycophancy）指 AI 順著使用者的立場改變答案，犧牲正確性。內容依 Perez、Sharma、Cheng 等人的論文與 OpenAI 對 2025 年 4 月事件的公開檢討，說明研究怎麼量測、可能的成因、它與幻覺的差別，並用同一題問三次的示例，教你判讀差異與降低被帶著走的機率。閱讀全文
可解釋性（Interpretability）可解釋性（Interpretability）是什麼：看懂模型為什麼這樣回答可解釋性是讓人理解模型輸出從何而來的研究與方法，連定義都有分歧。以下並列 Doshi-Velez 與 Kim、Lipton、Rudin 與 NIST 的說法，分三類說明天生可讀的模型、SHAP 等事後歸因與機制可解釋性，解釋本身為何可能不忠實，以及讀到「AI 能解釋它的決定」時該追問哪三件事。閱讀全文
資料投毒（Data Poisoning）資料投毒（Data Poisoning）是什麼：在訓練資料裡埋下後門資料投毒是有人刻意把設計過的資料混進模型的訓練、微調或檢索資料，讓模型在特定條件下出錯或聽從攻擊者。內容依 NIST 的對抗式機器學習分類、OWASP 2025 年版清單與多篇論文，說明投毒可能發生的四個位置、後門怎麼運作、研究在各自設定下的結果、和提示詞注入的差別，以及資料來源紀錄、過濾、評測與紅隊各自擋得住什麼。閱讀全文
獎勵駭客（Reward Hacking）獎勵駭客（Reward Hacking）是什麼：AI 拿到高分，卻沒做到你要的事獎勵駭客（Reward Hacking）指 AI 找到讓獎勵或評分變高、卻沒達成設計者目的的做法。內容依原始論文與官方研究，說明它和規格鑽漏洞、古德哈特定律的關係，拆解強化學習、RLHF 與寫程式代理三個實例，並整理評測、多種訊號、人工抽查與推理監看各自的限制，以及它和對齊、迎合的關聯。閱讀全文
影像、語音、開放模型與來源
這組從文字走向其他媒體，也處理取得模型和追查內容的問題。多模態、擴散、文生圖與文生影片描述不同能力或方法；語音辨識與語音合成則是相反的資訊方向。深度偽造讓來源判斷更重要，但內容憑證主要記錄來源與修改歷程，不是對畫面所述事件做真偽裁判。同樣地，能下載權重不等於符合開源 AI 的完整條件，使用前仍要分清楚公開了哪些材料及其條款。視覺語言模型讀圖後用文字回答，方向和文字生圖相反。
多模態 AI（Multimodal AI）多模態 AI（Multimodal AI）是什麼：把圖像、聲音與文字一起理解多模態 AI 能處理不只一種資訊形式，例如文字、圖像、聲音或影片，但支援多種輸入不代表也能產生所有輸出。本文用組裝收納架的情境，說明影像與文字如何互相補充、原生整合與串接流程的差別，以及看見圖片為何仍可能漏讀細節。附輸入設計和交叉核對方法，幫你判斷模型依據畫面回答，還是把合理猜測當成看見的事實。閱讀全文
擴散模型（Diffusion Model）擴散模型（Diffusion Model）是什麼：從雜訊逐步生成影像擴散模型先學習不同雜訊程度下的去噪關係，再透過反覆更新產生新內容。本文用植物展覽海報的示意案例，說明訓練與生成為何方向不同、文字條件如何參與，以及步數、種子和潛在空間各自控制什麼，幫你分清影像逐漸清晰、畫面符合要求與內容真實可信之間的差別，也釐清擴散模型和文字生圖的關係。閱讀全文
文字生圖（Text-to-Image）文字生圖（Text-to-Image）是什麼：把描述轉成可挑選的影像文字生圖就是生圖 AI 在做的事：把主體、場景和風格描述轉成影像，但提示詞不是每個像素都會遵守的施工圖。本文以校園閱讀角提案為例，示範如何寫出可驗收的要求、比較候選圖與處理不合格細節，並區分文字生圖、圖片編修和擴散模型，說明負面提示與引導設定的適用界線，讓生成素材能接進實際設計工作。閱讀全文
文字生影片（Text-to-Video）文字生影片（Text-to-Video）是什麼：讓畫面在時間裡保持連貫文字生影片是影片生成 AI 的基本任務：依描述生成動態畫面，除了物件與風格，還要處理動作順序、鏡頭和跨影格一致性。本文以陶杯轉動展示的示意案例，拆解怎麼寫單一鏡頭、檢查物件是否變形，以及如何分辨影格數、播放速度與真正的動作品質，並說明它和圖片生影片、動畫及剪輯工作的關係，避免把漂亮首幀當成整段影片合格。閱讀全文
自動語音辨識（ASR）自動語音辨識（ASR）是什麼：把錄音轉成可核對的文字自動語音辨識就是「語音轉文字 AI」背後的技術：把語音訊號轉成文字，是字幕、口述輸入與會議逐字稿的基礎。本文以社區活動籌備錄音為例，說明聲音如何經過模型形成轉寫結果、為何人名與否定詞要回聽，也拆開逐字稿、說話者標記、翻譯與摘要的差別，並介紹錯誤率的用途與限制，讓流暢文字不會被誤當成完整可靠的會議紀錄。閱讀全文
語音合成（TTS）語音合成（TTS）是什麼：讓文字成為聽得懂、聽得對的聲音語音合成就是文字轉語音 AI、配音 AI 背後的技術：把文字轉成可播放的語音，常用於導覽、旁白與無障礙朗讀。本文以地方展覽導覽稿為例，說明文字如何形成聲音、為何多音字與數字需要試聽，以及音色、韻律、清晰度各自要怎麼驗收，並釐清語音合成與聲音複製、語音辨識的差別，讓自然的聲音真正傳達正確內容，而不是只追求像真人。閱讀全文
深偽（Deepfake）深偽（Deepfake）是什麼：分清合成痕跡、來源與事件真假深偽就是換臉 AI、仿聲工具背後的技術：利用 AI 生成或改造影像、聲音等內容，可能讓人看似說過或做過從未發生的事。本文以活動講者影片為例，拆解影像換臉、聲音模仿與一般剪輯的差別，說明為何嘴形、偵測分數與來源標記都不能單獨判定真偽，並提供從完整素材、正式管道與發布脈絡交叉核對的方式，保留應有的不確定性。閱讀全文
開放權重（Open Weights）開放權重（Open Weights）：能下載模型，還要確認什麼開放權重通常表示模型的已訓練參數可取得，讓使用者有機會自行部署或調整，但不等於訓練資料與程式都公開。本文用本機筆記摘要示範權重、架構、tokenizer 和推論程式的分工，區分下載、可修改、商業使用與完整開源，也解釋為什麼本機執行不自動保證隱私。讀完能檢查模型版本、授權文件、硬體需求和來源完整性。閱讀全文
開源 AI（Open Source AI）開源 AI（Open Source AI）：公開哪些東西才算完整開源 AI 不只是權重可下載，也涉及使用、研究、修改和分享的自由，以及修改系統所需的程式、參數與資料資訊。本文依 OSI 定義 1.0 說明各項要求，以社群文件分類專案示範如何檢查發布內容，並澄清不必將所有原始資料無條件公開、也不保證訓練逐位重現。讀完能辨認開放權重、原始碼可看與符合特定開源定義的差異。閱讀全文
內容憑證（Content Credentials）內容憑證（Content Credentials）：查來源歷程，不替真假背書內容憑證以可驗證的來源資訊記錄影像等內容的製作與編輯歷程，C2PA 提供其技術規範。本文用活動照片的裁切與發布示範簽署、內容綁定和驗證，說明有效、失效與沒有憑證各代表什麼，也區分來源憑證、水印和真假判斷。讀完能檢查簽署者、記錄範圍與缺失資訊，避免把有效憑證當成事件真實的保證，或把無憑證內容直接判為偽造。閱讀全文
視覺語言模型（VLM）視覺語言模型（VLM）是什麼：讓 AI 讀圖片、再用文字回答視覺語言模型（VLM）能同時接收圖片與文字，再用文字回答。內容拆解視覺編碼器、連接層與語言模型三段結構，說明 CLIP、Flamingo、LLaVA 三篇論文各補上哪一塊，並和多模態 AI、文字生圖分清楚；也整理它常犯的錯：數錯數量、搞混位置、說出圖裡沒有的東西，附上讀收據時逐行核對的步驟。閱讀全文
把名詞用在真實問題上
一個常見閱讀情境是「我上傳了辦法，AI 卻回答錯誤」。先看上下文視窗，確認資料是否完整送入；再看文件分塊與檢索，確認取回的片段是否適合問題；最後看幻覺與評測，檢查答案是否忠於證據。這樣可以把模糊的不滿，拆成輸入、檢索和生成三個可以檢查的環節，而不是立即認定需要換模型。
另一個情境是「我想讓 AI 每天替我整理公告」。讀代理迴圈可以理解一次任務如何往前走；讀工具呼叫可以理解它如何取得資料；再讀 Loop Engineering，就能思考隔天如何啟動、如何避開重複工作、如何保存進度。最後必須補上停止條件與人工介入，否則持續執行也可能只是持續累積同一種錯誤。
看到模型排行榜時，可以先閱讀基準測試與評測，辨認它是在什麼題目、工具設定和評分方式下比較。若你的用途是整理台灣社團文件，榜單上的程式競賽表現可能不是最直接的證據。接著用幾份可以人工確認的範例建立自己的比較方式，比只記住某個名詞或分數更有幫助。
這個索引也刻意把容易混淆的鄰近詞分開成篇。微調是大範圍，監督式微調是其中一種訓練方式；工具呼叫是一種執行機制，MCP 是互通規格；代理迴圈是一種運作機制，迴圈工程則討論如何設計持續工作的系統。它們並非彼此無關，只是單一短定義不足以說清楚差異，因此需要各自的例子與互相連結。
查閱來源時，先看文件日期及討論層次。原始論文可能描述研究設定，官方產品文件可能只適用於特定實作，作者文章則可能是在提出新的觀點。看到不同定義，不一定代表其中一方錯誤；先比對說的是模型、工具、系統還是工程工作，再判斷是否可以套用到你的情境。重要的決策仍應回到當時可驗證的條件。
你可以收藏總索引，遇到陌生名詞時直接使用瀏覽器頁內搜尋英文全名或中文名稱。只想快速回想一句定義，可以搭配原本的五十詞速查；想理解差異、判斷何時該用或避免哪種錯誤，就打開這裡的專文。學會用名詞提出更精確的問題，比把它們當成必須背熟的詞彙考卷更有價值。
AI 名詞速查：50 個常見詞彙一次搞懂AI 名詞速查：50 個常見詞彙一次搞懂把常見的 50 個 AI 名詞整理成可收藏的速查表，分為模型與訓練、使用與功能、推理與代理、生成與媒體、基礎設施與費用五組。每個詞附英文與白話定義，另以十組比較釐清上下文、記憶、開源、推理、搜尋和內容憑證的差異。本次依官方文件於 2026 年 9 月 14 日重新查核，並連到 81 詞專文總索引，方便從簡短解釋繼續深入閱讀。閱讀全文
同主題延伸閱讀
生活分享
世界模型（World Model）是什麼：讓 AI 預測「接下來會怎樣」
世界模型指 AI 內部用來預測「這樣做之後會怎樣」的模型，但這個詞至少有三種用法：強化學習代理在想像中練習用的環境模型、LeCun 主張預測抽象表示的架構路線，以及能隨操作即時生成畫面的互動環境。內容用示例說明怎麼在想像中規劃，並列出大型語言模型有沒有世界模型的正反研究，附讀新聞時的檢查問題。
生活分享
視覺語言模型（VLM）是什麼：讓 AI 讀圖片、再用文字回答
視覺語言模型（VLM）能同時接收圖片與文字，再用文字回答。內容拆解視覺編碼器、連接層與語言模型三段結構，說明 CLIP、Flamingo、LLaVA 三篇論文各補上哪一塊，並和多模態 AI、文字生圖分清楚；也整理它常犯的錯：數錯數量、搞混位置、說出圖裡沒有的東西，附上讀收據時逐行核對的步驟。
生活分享
溫度（Temperature）是什麼：AI 回答變化程度的取樣參數
溫度（temperature）是文字生成時調整取樣的參數，讓模型從下一個 token 的機率分布裡抽得更集中或更分散。用假想的台南早餐示例算出低溫與高溫的差別，說明 top-p 的來源和它與 top-k 的差別，並依官方文件與論文指出：調低溫度不代表更準，設成 0 也不保證每次相同，部分模型還不開放調整。
生活分享
合成資料（Synthetic Data）是什麼：兩種用途、品質控管與模型崩潰
合成資料是由演算法或模型產生、模仿真實資料特徵的資料，常見用途有兩種：訓練模型，以及在隱私需求下替代真資料。內容依 Self-Instruct、模型崩潰研究（替換與累積資料的差別）與 NIST、ICO 的隱私文件，說明做法、抽查流程，以及它不能保證的事。
引用本文的文章
最新旅遊情報攻略
情報
2026 韓國楓葉預測：雪嶽山 10 月 20 日、首爾近郊 10 月底、內藏山與漢拏山 11 月上旬
韓國山林廳 2026 年 9 月 22 日公布的楓紅高峰預測：雪嶽山 10 月 20 日，春川、國立樹木園到首爾植物園落在 10 月 28 日到 11 月 2 日，內藏山 11 月 4 日、漢拏山 11 月 6 日，整體比最近 5 年晚約 0.8 天。整理各地楓樹與銀杏的預測日、首爾出發怎麼排，以及出發前去哪裡看即時楓況。2026 年 10 月查證。
- 季節活動
- 自然
- 觀景
攻略胡志明市
胡志明市到頭頓一日遊：白藤碼頭搭高速船、船票與班次，下船就是胡梅纜車與耶穌基督像
人在胡志明市挪一天去頭頓看海：市中心的白藤高速船碼頭搭船，航程 120 分鐘到頭頓的胡梅碼頭，平日成人 320,000 越南盾、週末 350,000，回程末班平日 15:00。下船就是胡梅纜車站，同一條路上有白宮，小山頂上是耶穌基督像。平日一天只有兩班船，整天要從末班船倒推著排。
- 交通
- 行程範例
- 海灘
攻略沖繩
沖繩不開車攻略：單軌只到浦添，美麗海水族館要坐兩個多小時的巴士，回那霸的最後一班直達車 17:22 就開走
不租車的沖繩怎麼移動：那霸市區靠沖繩都市單軌電車（ゆいレール），那霸機場站到終點てだこ浦西 19 站、17 公里、37 分鐘，一日券 1,000 日圓；美麗海水族館有那霸機場直達的高速巴士，單程 2,000 日圓起、官方時刻表上 2 小時上下，下車後還要走 10 分鐘；古宇利島要在今帰仁村役場轉車，當天來回光坐車就六個半小時；回程的最後一班直達車 17:22 就從記念公園前開走（2026 年 9 月查證）。
- 交通
- 行程範例
- 預算
資料來源
- Google：Machine Learning Glossary · 查證日期:
- Anthropic：Effective context engineering for AI agents · 查證日期:
- Addy Osmani：Loop Engineering · 查證日期:
- A2A Protocol：A2A and MCP · 查證日期:
- Lewis 等：Retrieval-Augmented Generation · 查證日期:
- Anthropic：Demystifying evals for AI agents · 查證日期:
- Open Source Initiative：Open Source AI Definition · 查證日期:
- C2PA：Content Credentials Explainer · 查證日期: