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

LINE 分享
不同顏色的書本與索引卡排成一座小型知識書架,一條路徑從放大鏡通往打開的書,象徵依問題閱讀 AI 名詞
圖片:Mokaair (© Mokaair)
目錄
  1. 1. 從你想解決的問題開始
  2. 2. 模型與 AI 基礎
  3. 3. 提示、token 與上下文
  4. 4. 代理、工具與互通協定
  5. 5. AI 工程方法與維運
  6. 6. 搜尋、文件與知識
  7. 7. 訓練、調整與推論資源
  8. 8. 評測、安全與人工介入
  9. 9. 影像、語音、開放模型與來源
  10. 10. 把名詞用在真實問題上

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

依本系列 2026 年 9 月整理範圍安排的閱讀路徑。
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
四條閱讀路徑分別從理解模型、安排代理工作、閱讀文件及辨認媒體開始,每條路徑串起相關概念與查核問題
先挑一條與你目前任務有關的路徑,再沿專文中的連結補齊相鄰概念。 · 圖片:Mokaair (© Mokaair)
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。

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。

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 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。

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。

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。

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。

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。

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。

覺得這篇整理實用嗎?分享給需要的朋友

LINE 分享
  • 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。

資料來源

本文依據上方所列參考來源與標示之核對日期整理;票價、時刻、功能規格或服務條款可能變動,出發、預訂或購買前請至相關官方網站確認最新資訊。

生活分享