从零开始学 AI：小白也能看懂的常见 AI 术语讲解（二）
文章目录
朋友们大家好啊，我是金尘马。
上一篇，我们聊了大语言模型、Token、上下文、Agent 等常见名词，帮大家梳理了一些 AI 的基础概念。
很多朋友在日常使用 AI 工具的时候，还会被里面各种各样的功能名词搞蒙。什么推理强度、自定义指令、深度思考，还有问答模式、执行模式、上下文压缩……这些到底都是干嘛的？
这一期，我们就从平时用到的这些 AI 工具出发，把相关的常见术语讲清楚，看看它们各自是什么意思，又有什么用。
1. 提示词工程（Prompt Engineering）
上一篇讲过，提示词就是我们向 AI 提问、交代任务、补充背景时提供的内容。那怎么组织这些内容，才能让 AI 更清楚我们想要什么呢？
围绕一个任务，设计提示词，看看实际效果，再不断调整，这个过程就叫提示词工程。
比如希望 AI 帮我们写一篇文章，只说“写一篇介绍 AI 的文章”，给它的发挥空间就很大。读者是谁、想讲哪些内容、用什么口吻，都没有交代。把这些要求补上，它才更容易写出符合预期的内容。
那提示词为什么能影响结果呢？模型会根据当前能参考的内容，计算下一个 Token 的概率，逐步生成回答。提示词也是这些输入的一部分，你提供的任务、背景和要求，都会影响它后面怎么回答。
提示词的关键，是把相关的信息和要求说清楚。
我平时表达完需求，经常会加一句：“如果你有什么需要我补充的，可以向我提问。”
有时候我们自己也没把需求想完整，那就让 AI 先提问，帮忙梳理，再根据补充后的需求生成提示词。如果结果还是不满意，我也会让它去找一些最佳实践，看看这个任务通常怎么做，再回来完善要求。
2. 系统提示词（System Prompt）
我们在聊天框里输入的文字，通常只是模型收到的信息的一部分。
在 AI 工具背后，产品开发者还会预先设置一些指令，规定 AI 扮演什么角色、怎样回答、遵守哪些规则。这类指令通常叫系统提示词。
比如一个客服工具，可能会要求 AI 按客服的身份回答，遇到资料里没有的信息先说明情况，不随意透露用户隐私。这些要求可以在我们开始聊天之前就提供给模型，普通用户在聊天界面里未必看得到。
系统提示词能帮助同一个工具保持相对稳定的回答方式，也可以在里面设定一些安全和隐私方面的规范。
但是呢，光靠这些往往还不够。想让产品更安全、更严格地遵守相关规范，可能还要配合其他功能模块来共同完成。
3. 自定义指令（Custom Instructions）
系统提示词主要体现产品方的预设。我们自己如果也有一些希望 AI 持续遵守的要求，就可以用到自定义指令。一般呢，我们可以在 AI 产品的设置里找到输入自定义指令的地方。比如豆包、Codex，都可以在设置里配置。
自定义指令，就是预先保存自己的要求和背景，让 AI 在后续对话中参考，减少每次重复交代。
比如我会说明，希望它用什么风格回答，是简练一点，还是更务实一些；默认用简体中文。还有一条要求是，即使我反驳了它的观点，如果它仍然认为自己的判断有道理，也可以反驳我，并说明理由。
除了回答风格，我也会放一些个人背景，比如职业、履历、价值观，以及自己看待问题的方式。
这些信息有助于 AI 更有针对性地反馈。
4. 推理（Reasoning）
我们问 AI 一个问题，有时候需要它把几个条件放在一起，推导出一个结论。这个过程就涉及推理。
比如，下午 3 点开会，路上需要 45 分钟，还希望提前 15 分钟到。AI 要先算出应该在 2 点 45 分到，再往前减去路程时间，得到最晚 2 点出发。
写代码时根据报错寻找原因，分析一个方案是否满足多个条件，也会用到推理。
模型先生成一些中间推导，这些内容又会成为后面继续推导、生成答案时能参考的信息。
普通回答也能包含推理。工具里的推理开关，更多是在调整模型解题时是否投入额外的推导过程。
5. 思维链（Chain of Thought，CoT）
刚才从开会时间倒推出出发时间，中间有几个相互衔接的步骤。模型把这样的推导逐步展开，就形成了通常所说的思维链。
面对复杂问题，先处理一个条件，再根据得到的结果处理下一个条件，有时会比直接给出最终答案更容易完成任务。
可以把这些中间步骤理解成模型自己生成的一段额外上下文，后续回答会受到它们的影响。
有些 AI 工具会展示「思考过程」，展示的可能是中间步骤，也可能是整理后的摘要。
6. 深度思考与推理强度（思考强度）
理解了推理和思维链，再看工具里的「深度思考」，就容易一些了。
这类功能通常让模型在正式回答前，投入更多计算和中间推导，尝试分析条件、检查答案或寻找其他解法。对于条件多、需要多步处理的问题，这些投入可能改善结果。
相应地，它通常也会消耗更多 Token，回答需要更长时间。
我一开始也纠结过要不要开。不开，怕回答不准确；开了，又担心消耗更多、等得更久。
那如何解决这个问题呢？我的方法是，最终还是按结果来判断，到底要不要开。
如果不开深度思考，它返回的结果也是 OK 的，那就不开。如果打开之后发现效果变好了，那就说明这个任务是值得开的。
有些工具除了开关，还提供低、中、高、极高等档位，这就涉及「推理强度」，也叫「思考强度」。
它调节的是模型为当前任务投入多少推理功夫。 有的实现会设置可用于思考的 Token 预算，有的会给模型一个投入程度的控制信号，由它结合任务决定具体怎么做。
这些档位没有固定的时长，实际耗时还受任务和模型运行速度等因素影响。
7. 问答模式与执行模式（Ask／Agent Mode）
有的朋友可能会发现，现在有些 AI 工具里有问答模式和执行模式，也就是 Ask 和 Agent 模式。
比如说，你正在开发一个网站，刚加了一个按钮功能，结果发现这个按钮点了没反应。
在问答模式下，你可以让 AI 读代码、分析原因，再告诉你应该怎么修改。它也可能把改好的代码返回给你，需要你自己手动复制、粘贴到代码文件里。
那在执行模式下呢？有了相应的工具和权限，AI 就可以直接帮你修改电脑上的代码文件，运行检查，看到报错后继续调整。
问答模式也可能读取文件、搜索资料、进行复杂推理。区别在于，它是否被允许实际修改内容、执行操作，以及能把任务推进到哪一步。
推理强度和执行模式也可以组合使用。一个决定投入多少思考，一个决定可以开展哪些操作。
8. 计划模式（Plan Mode）
计划模式是一个非常非常好用，也非常重要的模式。用好它，能很大程度上提升 AI 的工作效果。
那计划模式到底是个什么东西呢？平时我们给 AI 下达任务，它可能自己拆解一下，就直接去执行了。那执行效果怎么样，很大程度上取决于我们有没有把任务说清楚。
但是呢，我们在使用 AI 的时候，往往很难一次性把自己的需求说清楚。那这个时候，就可以用计划模式。
它会先针对我们的诉求，思考一个更详细的执行计划应该是什么样的。如果发现有些需求、有些细节我们没有交代清楚，它会主动反问，让我们补充这些信息。
经过几轮这样的交互，把需求和关键细节理清楚之后，AI 就能给出一份更完整的执行计划。我们再看一遍，确认好了，就让它照着这份计划去执行任务。
那等于说，我们让 AI 帮自己写了一份更为详尽的提示词。这样再去执行，效果往往就会比直接下达一个模糊的需求更好。
9. 目标模式（Goal Mode）
目标模式强调的是最终想要的结果。
我们可以把目标、要求和完成标准告诉 AI，让它自己拆解任务并执行，减少我们一轮一轮交代下一步的次数。
普通的 Agent 模式也可以连续执行多个步骤。目标模式会围绕最终目标持续推进，一轮工作结束后，再看看目标有没有达成，没完成就接着做。过程中能自己解决的问题就自己解决，需要我们补充关键需求时，也会回来问。
目标描述得清不清楚，会直接影响结果。
比如“把网站做好”，AI 很难知道我们觉得什么才算好。换成“修复登录失败的问题，正确密码能够登录，错误密码有提示，保留现有页面样式”，它就有了更具体的工作范围和检查方法。
我实际体验下来，如果任务和实现路径非常复杂，这种持续推进的方式可能消耗大量 Token。如果想要的结果没讲清，检查成果的办法也不明确，最后做出来的东西仍然可能偏离预期。
10. 权限与审批（Permissions／Approvals）
让 AI 真正操作电脑或外部工具时，经常会遇到授权提示。这就涉及权限与审批。
权限决定它可以访问哪些资源、做哪些操作。比如能不能读某个文件夹，能不能修改文件，能不能运行命令或连接某个账号。
审批则决定执行某项操作前，是否需要我们再点一次确认。
有些工具会允许直接读取当前项目里的文件，访问其他目录或执行某些命令时再请求批准。
尤其是删除、覆盖文件这类操作，需要考虑做错了还能不能恢复。有版本记录或可靠备份，一些修改可以回滚；如果删掉的是没有备份的唯一文件，后果就可能很严重。
减少逐次审批，确实能让 AI 更连贯地完成任务，不用每做一步都等人守在电脑旁边点击。前提是先明确任务范围、开放的权限和恢复手段。
11. 上下文压缩（Compaction）
上一期讲过，上下文就是 AI 在这次回答时能参考的信息，包括聊天记录、我们提供的资料，以及工具返回的内容等。
它的容量有限。比如有的模型支持 128K（约 12.8 万 Token）、256K（约 25.6 万 Token）的上下文。
随着对话轮次增多，文件和工具结果不断加入，可用的上下文空间就会逐渐被占满。如果还想在当前会话里继续聊，那怎么办呢？
支持上下文压缩的工具，可以在达到一定用量时自动触发，也可能允许我们手动触发。它会把较早的聊天内容整理成摘要，保留当前任务的重要背景、已经确定的要求、进展和待办事项。
后面的回答，就可以参考这份摘要和保留下来的近期内容。摘要比原文短，腾出了一部分空间，我们也就能继续交流。 之后内容又积累起来，还可以再次压缩。
但摘要可能丢失原话和细节。
就拿这篇文章来说，我和 AI 一项一项讨论时，会让它边聊边保存原始问答，另外记录整理和进度。这样，即使上下文经过压缩，需要引用我的原话时，仍然可以回到保存的文件里找。
12. 知识截止日期（Knowledge Cutoff）
看模型介绍时，我们还可能看到一个「知识截止日期」。它表示模型通过训练掌握的知识，大致覆盖到什么时间。
模型训练用的是已经收集到的数据。文章、代码、论文、论坛内容、数字化的书籍，都可能成为资料来源，还可能包含授权资料、人工编写内容或生成的数据。
这些资料经过收集、筛选和处理，再用于训练。等模型发布时，现实世界已经继续往前走了，所以它学到的知识和我们提问的日期之间，可能存在时间差。
我们看到这个日期，主要是为了判断哪些问题需要补充更新的信息。
比如问今天发生的新闻，如果没有联网结果，也没有我们提供的新资料，模型就缺少可靠回答的依据。把今天的新闻贴给它，它仍然可以阅读和分析。
13. 联网搜索（Web Search）
联网搜索，就是 AI 工具去网上检索资料，再把找到的内容提供给模型，结合我们的提问组织答案。
这样，模型就能利用训练时没有学过的新信息，也能为回答提供可查的出处。
有的工具会根据问题自动调用联网搜索，有的需要用户主动选择。
上一篇讲 AI 幻觉时也提到，联网之后仍然可能答错。
有时候是查错了资料，比如把过时的信息当成最新情况，或者使用了不可靠的转载。有时候资料找对了，模型却漏掉限制条件，理解错了，或者写出了原文没有支持的结论。
假设官网写的是“新用户首月免费”，AI 却回答成“所有用户永久免费”，错误就出在理解和转述上。
14. 深度研究（Deep Research）
查一个具体信息，普通联网搜索通常就能派上用场。但研究一个行业、核查一件复杂的事情，往往需要更多资料和持续分析。
如果由人来做，我们也要寻找资料，判断来源是否可靠，比较不同说法，发现疑问后继续调查，最后再作综合判断。
深度研究，就是让 AI 围绕一个研究问题，执行类似的调研过程。
它会进行多轮搜索，阅读和比较资料，再根据已经发现的内容，决定下一步查什么。比如两个行业报告给出的数字差很多，就继续追查它们的年份、地区和统计口径，看看差异到底出在哪里。
普通搜索也可能连续查几次。深度研究更强调围绕复杂问题展开系统的调查，再把证据、分析和结论整理成报告。
它也会把不同来源的资料放在一起核对，看看哪些说法能相互印证，这就是交叉验证。
15. 引用来源（Citations／Sources）
AI 根据资料回答时，有些工具会在相关句子旁标出数字或链接，告诉我们这部分内容参考了哪里。这就是引用来源。
它主要是方便用户溯源。我们能沿着引用找到对应的网页、文章或文件，看看原文到底怎么说的。
有时候对答案不放心，想核对一下；有时候是觉得这个内容有意思，想继续深入阅读。引用都能帮我们回到资料本身。
写在最后
上面聊到的这些功能，在不少主流 AI 工具里都能见到。有些名字叫得不见得完全一样，但对应的功能往往是相似的。
大家在使用的时候呢，可以多去实际操作，边用边感受不同功能给结果带来的变化。 用熟了，自然就知道遇到什么任务，该怎么去用了。
金尘马｜前大厂程序员，OPC 实践中｜持续分享普通人也能看懂、用得上的 AI 实用教程｜目前在做 AI 培训与企业 AI 落地｜合作咨询，联系方式见主页：https://x.com/jinchenma_ai。本文由我口述，ChatGPT 协助整理，经我审稿定稿。
