词典
序号词条分类难度
001什么是 LLM？术语●○○002Token——为什么它们要花钱术语●○○003Context Window（上下文窗口）术语●○○004什么是 prompt？术语●○○005System Prompt 与 User Prompt术语●●○006幻觉：AI 为什么会自信地胡说术语●○○007什么是 API？（说人话版）术语●○○008MCP（Model Context Protocol）：AI 工具如何互联术语●●○009什么是 AI agent？（和 chatbot 的区别）概念●○○010Agent loop：思考 → 行动 → 检查 → 重复概念●●○011Vibe coding：什么时候好用，什么时候会坑你概念●○○012Claude Code：Anthropic 的命令行 agent指南●●○013CLAUDE.md / AGENTS.md：给你的 agent 一份记忆和规则指南●●○014模式：先计划，再写代码Prompt 模式●●○015模式：喂上下文，而不是含糊地问Prompt 模式●○○016Agent 的 loop：让 AI 自主迭代概念●●●017Hermes：一个和你一起成长的 agent术语●●●018OpenClaw：一个开源的个人 AI 助理术语●●●019模型生命周期：模型会发布、更新，也会被淘汰概念●●○020AI agent 的成本控制指南●●○021Vibe coding 中的安全问题指南●●○022什么是 subagent？概念●●○023自主 agent 的护栏（guardrails）概念●●●024安装 Claude Code（分步指南）指南●○○025选哪个模型，选哪个套餐？指南●○○026写给 vibe coder 的 Git 与 GitHub 入门指南●○○027Agent 卡住了？这样解套指南●●○028把项目部署上线指南●●○029斜杠命令、Hooks 等：如何操控 Claude Code指南●●○030Skills：你的 agent 能加载的知识术语●●○031读懂 benchmark，不被榜单忽悠指南●●○032RAG（检索增强生成）概念●●○033Embeddings——文本变数字术语●●○034Fine-Tuning——继续训练模型概念●●○035Prompt Injection概念●●●036Structured Outputs术语●●○037Evals——系统化测试 prompt 与模型概念●●○038Git Worktrees：让 AI agent 并行工作指南●●○039Claude Code 中的 Hooks指南●●○040Multi-Agent Patterns（多智能体协作模式）概念●●●041Agent 的 Context 策略概念●●●042工具使用（Tool Use）：LLM 如何调用工具概念●●○043计算机操作（Computer Use）：当 AI 控制鼠标和键盘时概念●●●044沙盒（Sandboxing）：为什么 agent 应该在隔离环境中运行概念●●○045在实践中保护 agent 安全指南●●○046模型路由（Model Routing）：为任务选对模型概念●●○047缓存策略：Prompt Caching 和 Context Caching概念●●○048插件（Plugins）：AI 编码工具的扩展术语●○○049Headless 模式：不需要交互运行 agent指南●●○050Agent 的权限模式（Permission Modes）指南●●○051Artifacts：生成的交付物术语●○○052自定义命令：把重复的 prompt 存下来指南●●○053Agent Teams：多个 agent，一个项目概念●●●054CI/CD 与 agent：把 AI 用进流水线指南●●○055Prompt 结构：能提升效果的组织方式Prompt 模式●○○056用 AI 做 code review：全新视角，而不是自我打分指南●●○057用 AI agent 调试：系统化排查，而不是瞎猜指南●●○058用 agent 做测试：让它写测试，再把测试当成 gate指南●●○059用 AI 维护文档指南●○○060Batch Processing：批量自动处理大量任务概念●●○061安全地管理 API key指南●○○062在大型 Monorepo 中使用 AI 智能体指南●●●063使用 AI 智能体进行安全重构指南●●●064用 AI 理解并现代化改造老旧代码库指南●●●065AI 智能体如何记住事情概念●●○066降低智能体使用成本:实践清单指南●●○067用 AI 做安全审计:检查代码漏洞指南●●●068智能体与数据库:安全而非冒险指南●●●069用 AI 理解陌生代码指南●●○070用 AI 做前端:截图作为反馈指南●●○071AI 结对编程模式概念●●○072用 Claude Agent SDK 构建自己的智能体指南●●●073编写属于自己的 MCP 服务器指南●●●074什么是 Google Antigravity?术语●●○075智能体可观测性:看清你的智能体到底在做什么指南●●●076在本地运行开放模型(Ollama 等)指南●●○077在实践中防御提示词注入(Prompt Injection)指南●●●078在团队中引入 AI 编程工具指南●●○079自己动手搭建一个简单的 RAG 系统指南●●●080用智能体从网页获取数据指南●●○081用 AI 智能体发现并修复性能问题指南●●●082终端基础入门指南●○○083AI IDE 还是终端 CLI：Cursor 们 vs. Claude Code 们概念●○○084Rate Limit（速率限制）和 Quota（配额）：AI 工具为什么有时会让你慢下来术语●○○085Temperature 和 Sampling（采样）：模型的回答有多随机？术语●●○086向量数据库（Vector Database）：按含义搜索，而不是按字词搜索术语●●○087RAG 里的 chunking（分块）策略概念●●○088Human-in-the-Loop（人工介入）：agent 流程里，人应该在哪里把关概念●●○089AI 编程工具中的数据隐私指南●●○090MCP（Model Context Protocol，模型上下文协议）安全：认识工具服务器的风险概念●●●091SWE-bench 等：如何正确解读 agent 基准测试概念●●●092少样本提示（Few-Shot Prompting）：用示例展示而非仅描述Prompt 模式●○○093角色提示（Role Prompting）：“你是一位经验丰富的代码审查员”到底起什么作用Prompt 模式●○○094自我批评循环（Self-Critique Loop）：让模型检查自己的输出Prompt 模式●●○095可靠地强制指定输出格式Prompt 模式●●○096推理模型（Reasoning Models）：AI先思考，再回答术语●●○097专家混合（Mixture of Experts，MoE）：为什么大模型不会一次性激活全部参数术语●●●098流式输出（Streaming）：为什么回答是逐字逐句出现的术语●○○099量化（Quantisierung/Quantization）：大模型如何塞进你自己的电脑术语●●○100从GitHub Issue到Pull Request：用智能体完成流程指南●●○101检查点（Checkpoint）与回滚（Rollback）：干净地退回，而不是将错就错指南●●○102网络搜索与基于事实的检索（grounding）：智能体自己去查证概念●●○103知识蒸馏：小模型向大模型学习术语●●●104推测解码（Speculative Decoding）：更快回答，且不损失质量术语●●●105降低响应时间：优化延迟最有效的着力点指南●●○106AI 生成的代码：它究竟归谁所有？概念●●○107检索评估（Retrieval-Evaluation）：你的 RAG 系统能找到正确的文档吗？概念●●●108让智能体跨多个独立仓库协同工作指南●●●109提示词工程、RAG 还是微调？决策路径指南●●○110针对智能体的红队测试（Red-Teaming）：主动攻击自己的系统配置指南●●●111像管理代码一样管理提示词版本指南●●○显示 111 个词条中的 111 个