AI 名詞速查站

Token 有兩個很常見的意思：在 AI 對話裡，它是文字被拆成的小字塊；在系統認證裡，它是拿來證明你有權限的通行證。像同一個詞在超商可以指代幣，也可以指取貨碼，場景不同，意思就不同。看到 token 時，先看它出現在費用、上下文，還是登入授權附近。

Context Window 是 AI 一次能放在工作檯上參考的內容容量。像開會時桌面只能攤開幾份文件，放太多時，前面的資料可能被擠出去或被壓縮。它會影響長對話、多份 PDF、整個程式碼專案丟進去時，AI 還能不能顧到前面講過的事。

System Prompt 是藏在前台對話背後的工作規則，通常由產品或開發者先寫好。像會議主持人手上的內部小抄，會提醒 AI 要用什麼語氣、扮演什麼角色、哪些話題要避開。使用者看到的是聊天框，但 AI 回答時常常也在參考這份幕後規範。

Temperature 是控制 AI 回答時敢不敢選比較少見說法的旋鈕。調低像照食譜煮，口味比較穩；調高像讓主廚自由加料，靈感可能多一點，跑題或亂編的機會也可能變高。

Top-p 是讓 AI 只在最有可能的一群候選答案裡挑選，p 代表這群候選答案合計要涵蓋多少可能性。像開會投票時，主持人先把得票加起來已經占 90% 的提案放進籃子，再從籃子裡挑，而不是讓很冷門的提案也一直進場。

Hallucination 是 AI 把缺的資訊補成看起來很像真的內容。像會議紀錄員沒聽清楚，卻把公司名、數字、引用來源寫得很完整；它的語氣可能很有把握，但內容需要回頭查證。

Embedding 是把一段文字、一張圖或一個商品，轉成電腦好比較的「位置碼」。像超商把相似商品放在鄰近貨架，之後你搜尋「低糖早餐」時，系統比較容易找出燕麥、無糖優格這類意思接近的東西，而不是只抓一模一樣的字。

Fine-tune 是拿一個已經會很多事的模型，再用較聚焦的範例調成更像你要的做法。像新同事已經會寫信，你再拿 200 封公司過去的客服回覆給他看，讓語氣、格式、處理方式更貼近你的團隊。

Pre-training 是模型正式被拿來做客服、寫文案之前的大量打底。像駕訓班先教方向盤、煞車、路標，之後到某家公司開貨車才學那家路線；這個階段通常決定它的基本語言能力和常識底子。

Inference 是模型真的開始回答你問題的那一刻。像廚師已經受過訓練，現在照著你點的菜、冰箱裡有的材料和店內規則，把一道菜端出來；API 帳單裡的費用通常就在這個階段發生。

Parameter 是模型裡大量細小的內部設定，會影響它看到文字後怎麼接下一句。像一間廚房牆上貼了很多看不見的調味刻度，預訓練和微調會慢慢改這些刻度；所以你看到 7B、70B，常常是在說這類刻度有多少個。

Model 是你在 AI 產品裡選的那顆「大腦版本」。像同一間公司有快手客服、資深顧問、便宜外包，不同 model 的回答品質、速度、價格、能看的上下文長度常常不一樣。

Prompt 就是你丟給 AI 的任務單，像在餐廳跟店員說「我要少冰、不要香菜、外帶」。它不只是一句問題，也可以包含背景、口吻、限制、輸出格式，讓 AI 比較知道你要的是一份報告、三句文案，還是可以直接貼給客戶的回覆。

Multi-turn 是多輪對話，像你跟同事開會，不是只講一句就散會，而是你問、他答、你再追問、他再修正。AI 會沿用前面這幾輪聊天內容，所以你可以說「把上一版改短一點」或「沿用剛剛那個語氣」。

Streaming 是 AI 邊想邊把回覆一段段吐出來，像拉麵店師傅先把麵端上來、湯和配料接著補上，而不是等整套餐點都排好才出餐。你看到文字逐字出現，就是常見的串流回覆體驗。

Tool use 是 AI 不只用嘴巴回答，還會去叫外部工具幫忙，像主管請助理查行事曆、按計算機、開信箱找資料。它本身比較像調度員，遇到需要查即時資料、算數、搜尋或操作系統時，就把工作交給合適的工具。

Function calling 是讓 AI 用固定格式叫某個功能做事，像櫃台人員填好一張表單，交給後台去查庫存、建立訂單或寄通知。它的重點不是 AI 自己完成所有事，而是把「要做什麼、需要哪些資料」整理成後台看得懂的請求。

Structured output 是叫 AI 不要只寫一大段散文，而是照指定格子交答案，像報帳單要填日期、金額、品項、備註。這對產品、表單、資料整理很有用，因為後續系統比較容易把內容接下去處理。

Few-shot 是你先給 AI 看幾個範例，再請它照著做，像帶新人時拿 3 封以前寫過的客服信說「我們公司大概就是這種語氣」。範例不需要很多，但要能看出你要的格式、口吻和判斷標準。

Zero-shot 是不給範例，直接請 AI 完成任務，像你對熟門熟路的同事說「幫我把這段改得更正式」而沒有附上參考稿。它適合方向明確、格式不複雜的任務；如果結果常常跑偏，通常就該補幾個範例或限制。

Chain-of-thought 是讓 AI 把推理路線拆開來想，像數學老師在黑板旁邊寫草稿，而不是只丟最後答案。實務上你常會看到「一步一步想」這類寫法，但許多產品現在比較常給你摘要版理由，不會把所有內心草稿都攤開。

Memory 是 AI 助理的長期記憶功能，像櫃台熟客備註本，記下你常用繁體中文、喜歡短句、公司產品叫什麼名字。下次你開新對話時，它可能會把這些偏好帶進來，不用每次從頭交代。

Persona 是你要 AI 扮演出來的風格與個性，像請同一位主持人用「專業顧問」、「親切客服」或「毒舌編輯」三種方式講同一件事。它會影響語氣、用字、觀點和回答的取捨，但不等於 AI 真的變成那個人。

Role 是對話裡每句話的身份標籤，像會議紀錄標出「主持人」、「客戶」、「業務」各自講了什麼。在 AI 對話系統裡，常見角色是 system、user、assistant，用來區分規則、使用者要求和 AI 回覆。

Markdown 是一種讓純文字也能有標題、粗體、清單和表格的小語法，像用便利貼寫筆記時加上星號、井字號和縮排來標重點。AI 很常用 Markdown 回覆，所以你看到的條列、粗體、小標題，很多都是它排出來的格式。

API 像一個對外開放的點餐窗口，別的工具不用跑進廚房，就能照著菜單把需求送進去、拿結果出來。你在 AI 產品裡按下「幫我查資料」「幫我寄信」「幫我建立任務」，背後常常就是透過 API 去叫另一個服務做事。

SDK 像廠商附的一整盒工具包，裡面有常用零件、範例和說明，讓開發者比較快把某個服務接進自己的產品。API 是窗口，SDK 則像有人已經幫你把常見點餐話術、表單格式、錯誤處理先包好。

Webhook 像你在超商留電話，包裹一到店，店員主動通知你，而不是你每 5 分鐘跑去櫃台問一次。很多 AI 自動化流程會用 Webhook 接外部事件，例如付款成功、表單送出、任務更新，事件一發生就把資料丟進流程裡。

MCP 像替 AI 助理準備的一套通用插座，讓它可以用比較一致的方式接上檔案、資料庫、瀏覽器或公司內部工具。以前每個工具都像不同國家的插頭，接一次就要客製一次；有了 MCP，AI 工具比較容易知道有哪些工具可用、每個工具需要哪些資料。

REST 是一種常見的 API 設計風格，像把公司各部門做成清楚的櫃台地址：客戶資料有客戶資料的地址，訂單有訂單的地址。呼叫的人通常用固定的動作去讀取、新增、修改或刪除資料，讀文件時會看到很多像「GET /users」這類寫法。

Endpoint 像某個服務櫃台的完整地址，你把需求送到這裡，對方才知道要交給哪個窗口處理。API 是整間辦事處，endpoint 則比較像「查訂單櫃台」「建立客戶櫃台」這些具體窗口。

OAuth 像你請大樓櫃台發一張臨時訪客證給外送員，讓他能把餐送到門口，但不用把你家鑰匙交出去。用在 AI 工具或自動化服務時，它常常讓第三方工具取得有限權限，例如讀你的 Google Drive 檔案或幫你建立 Notion 頁面。

API Key 像一張寫著會員編號的門禁卡，服務看到這串字，就知道是哪個帳號或哪個專案在呼叫。它通常要保密，因為別人拿到後，可能會用你的名義呼叫服務、消耗額度或碰到不該碰的資料。

Rate limit 像銀行櫃台規定一分鐘最多受理幾張單，避免某個人一次塞太多單，讓整個櫃台卡住。AI 服務常用它限制某段時間內可以呼叫幾次、送多少資料，超過時常會看到 429 之類的錯誤。

Authentication 是確認「你是誰」，像進公司前先刷員工證或在銀行櫃台出示身分證。AI 工具呼叫外部服務時，如果沒有帶對 API Key、登入憑證或 token，服務通常會先擋下來，因為它還不知道來的人是誰。

Authorization 是確認「你可以做什麼」，像員工證刷得進公司，不代表每個會議室和保險箱都能打開。AI 工具接外部服務時，常常需要設定可讀、可寫、可刪除等權限範圍，避免工具拿到比工作需要更多的通行權。

JSON 像一張用標籤整理好的便當盒，每格都寫清楚名稱和內容，例如姓名、價格、狀態、清單。AI 跟外部工具交換資料時常用 JSON，因為人看得懂大概內容，系統也比較容易照格子取資料。

Schema 是一份「資料應該長什麼樣」的規格表，像表單上先印好姓名、電話、地址、是否同意等欄位。AI 要把答案交給其他工具時，如果有 schema，就比較像照著格子填表，而不是寫一段自由發揮的作文。

IDE 是寫程式用的整合工作桌，像一張辦公桌上同時放了筆記本、資料夾、搜尋器和檢查清單。你不用在好幾個工具之間來回切換，常見的寫檔案、找錯字、執行程式都集中在同一個地方。很多 AI 寫程式工具會放進 IDE 裡，因為它比較看得到你正在改哪個專案、哪幾個檔案有關。

CLI 是用打字下指令的介面，像你在櫃台跟店員說「幫我查包裹」、「幫我列印收據」，只是這個櫃台是電腦。它看起來通常是一個黑底或白底視窗，沒有很多按鈕，但很適合把固定工作串起來。AI coding 工具常用 CLI，是因為它可以直接在專案資料夾裡跑指令、改檔案、看結果。

Claude Code 是 Anthropic 做的 AI 寫程式工具，通常在命令列裡使用，像把一位會看專案資料夾的同事請到你的電腦旁邊。你可以請它讀檔案、改程式、解釋錯誤訊息，也可以讓它在你同意後執行一些指令。它和一般聊天視窗的差別，是它比較貼近你正在工作的那個資料夾。

Cursor 是一個內建 AI 功能的程式編輯器，外觀和 VS Code 很像，像是在原本的辦公桌旁多放了一位可以一起看文件的助理。你可以圈選一段程式請它解釋、改寫，也可以請它跨多個檔案找線索。對 PM 或行銷來說，常見情境是請工程師用 Cursor 快速做 prototype 或改內部小工具。

VS Code 是 Microsoft 做的程式編輯器，像一張可以自由加工具的工作桌。它本身負責打開檔案、搜尋、安裝外掛、連到不同專案，很多 AI coding 外掛也會裝在這裡。你不需要把它想成只給工程師的東西，它更像很多開發團隊每天打開的主要工作空間。

Server 這個字有兩個常見用法，都跟「有人來要東西，它負責回應」有關。網站場景裡，它像店後方的出餐台，客人點網頁，它把網頁送出去；AI / MCP 場景裡，它比較像開給 AI 使用的工具櫃，AI 需要查資料或做動作時來這裡拿工具。看到 server 時要先看上下文，不然很容易把網站主機和 AI 工具程式混在一起。

Local 指東西在你自己的電腦上跑，像文件放在自己桌上處理，而不是拿去外面的影印店。它常用來區分雲端服務：同一個工具，有些事在本機做，有些事會送到雲端。做 AI 開發時，local 常出現在測試、跑小模型、開發工具、MCP server 這些情境。

Sandbox 是安全隔離的測試環境，像讓小孩在沙盒裡玩沙，弄亂了也比較不會把整個客廳弄髒。AI 工具如果要執行程式、打開檔案或測試動作，常會放進 sandbox，降低影響真實系統的風險。它的重點不是變強，而是把可出錯的範圍框小一點。

Container 是把程式和它需要的環境打包在一起的方式，像把便當、餐具、醬料都放進同一個便當盒。這樣搬到別台電腦或雲端時，比較不容易出現「我這邊可以、你那邊不行」的落差。AI 服務常用 container 來包模型服務、API、資料處理流程，方便部署和搬家。

Cloud 是把運算、儲存或工具放在外部機房使用，像公司不自己蓋倉庫，而是租一個有管理員、電力和門禁的倉儲空間。你平常用 ChatGPT、Google Drive、AWS、Vercel，大多是在用雲端資源。AI 場景裡，cloud 常代表資料或請求會送到服務商那邊處理，換來較方便的擴充和維護。

Deployment 是把做好的網站、API 或 AI 工具放到使用者能用的位置，像餐廳把試做菜從後廚端到前台菜單上。它不只是把檔案丟出去，通常還包含設定環境、連接資料、讓服務開始對外回應。很多產品討論裡，prototype 做出來只是半場，能穩定 deployment 才比較接近真的上線。

Edge function 是放在離使用者比較近的節點執行的小段服務，像不是所有包裹都回總倉處理，而是讓附近超商先處理取貨和驗證。它常用來做登入檢查、轉址、簡單 API、個人化內容，讓使用者少等一段路程。AI 場景裡，它有時會負責把請求先整理好，再轉送到真正處理 AI 的服務。

Agent 可以想成一位被交代目標的助理，不只是回答一句話，而是會自己拆成幾個小動作去完成。像你請同事辦一場活動，他可能會查場地、整理名單、寫信、回報進度；AI Agent 也是這種「帶著目標跑流程」的概念。它通常需要工具、資料來源和一些規則，不然很容易像新人助理一樣到處試錯。

Skill 在 Claude Code 裡比較像給 AI 助理的一包專門工具箱，裡面放著某類任務的說明、範本和可用資源。像廚房裡有「做甜點專用抽屜」，遇到蛋糕任務時就拿那一抽屜，而不是每次都重新翻整間廚房。它讓 Claude Code 在特定工作上比較有一致的做法，例如寫測試、整理文件、遵守公司格式。

Hook 的共同意思是「掛在某個時機點的小動作」，像超商門口的感應鈴，門一開就提醒店員。不同工具裡的 hook 長得不一樣：Claude Code 的 hook 是在 AI 做事前後觸發規則，Git hook 是在提交程式前後做檢查，React hook 則是前端畫面裡拿來接狀態或效果的寫法。看到 hook 時，先看它出現在哪個場景，才不會把三種用法混成一包。

Slash command 就是用斜線開頭的快捷指令，像在櫃台直接說「我要查詢」而不是從頭解釋需求。你輸入 /help、/init 這類文字，系統就知道你要叫出某個固定功能。它常被用來把常用操作收成一個短句，讓人不用每次打一大段說明。

Workflow 是一串固定的做事流程，像餐廳出餐從點餐、備料、烹調、裝盤到送桌。放到 AI 應用裡，它通常代表把查資料、整理、判斷、產出、通知這些動作串起來。它的重點不是某個 AI 回答得多漂亮，而是整段工作能不能穩定跑完。

RAG 可以想成讓 AI 回答前先去翻資料櫃，而不是只靠腦中的印象作答。像客服新人接電話前先查公司內規、商品手冊和過往案例，再把查到的內容整理成回覆。它常用在企業知識庫、客服問答、法規文件和內部 SOP，目標是讓答案更貼近你提供的資料。

Vector DB 是一種很適合幫 AI 找「意思相近」資料的資料庫，像圖書館員不是只照書名找，而是聽懂你想找哪類內容後，把相近主題的書拿出來。一般資料庫很擅長找精準欄位，例如訂單編號；Vector DB 更常用在找相似句子、相似文件、相似圖片。RAG 系統常會把文件先放進 Vector DB，之後讓 AI 回答前去裡面撈相關段落。

Cron 是定時叫工作起床的排程工具，像每天早上 8 點鬧鐘提醒你寄報表。放在 AI 應用裡，它可以固定時間觸發一段工作，例如每天抓資料、每小時摘要客服訊息、每週產出成效報告。它不負責把事情做聰明，只負責在指定時間把流程叫起來。

Pipeline 像工廠輸送帶，一份資料從入口進來，經過清洗、分類、加工、檢查，最後變成可用結果。AI 應用裡常見的 pipeline 可能會先抓文件、切段、放進資料庫，再讓問答系統使用。它強調的是每一站怎麼接下一站，避免事情散在很多手動操作裡。

Orchestrator 是負責分配任務、安排順序、決定下一步找誰做的調度中心，像婚禮總召或樂團指揮。它不見得親自做每件事，而是判斷現在該叫哪個工具、哪個 Agent、哪段 Workflow 上場。當 AI 應用變得複雜，Orchestrator 通常用來避免每個小工具各跑各的。

Sub-agent 是主 Agent 下面的專門小助理，像專案經理把文案、研究、測試分給不同同事處理。它通常負責比較窄的任務，例如只查資料、只寫測試、只檢查安全問題，再把結果交回主流程。這樣做的好處是分工比較清楚，也比較容易看出是哪一段出錯。

Plugin 是外掛，像幫手機裝一個新 App，讓原本的工具多一種能力。AI 工具裝上 plugin 後，可能可以查行事曆、讀公司系統、連 CRM、產生圖片或呼叫某個服務。它的核心不是讓 AI 變成另一個人，而是幫它接上原本碰不到的外部能力。