AI 名詞解釋
一詞一篇：先講定義、再講為什麼重要、最後給一個看得懂的例子。
系列與教學中心
照順序讀的系列，各有自己的目錄與學習路線。
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。
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋
生活分享
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。
- AI 工具
- 教學
- AI 名詞解釋