概念大全
🎯 为什么需要了解这些概念
在学习 Vibe Coding 的过程中，会遇到各种陌生的名词和术语：Token、上下文窗口、RAG 等。这些概念听起来高大上，但理解起来并不难。掌握这些术语，能帮助你更好地理解 AI 编程工具的工作原理，从而更高效地使用它们。
📊 核心概念详解
Token（令牌/词元）
AI 处理文本的基本单位，可以是一个字、一个词，甚至是一个标点符号。
提示
你可以把 Token 想象成 AI 的"货币"。每次你和 AI 对话，都需要消耗 Token。Prompt（提示词）越长、生成的回复越长，消耗的 Token 就越多。
关键要点：
- 中文通常 1 个字 ≈ 1-2 个 Token
- 英文通常 1 个单词 ≈ 1-2 个 Token
- Token 消耗直接关系到使用成本
上下文窗口（Context Window）
AI 能"记住"的上下文长度限制，也就是一次对话中 AI 能参考的最大 Token 数量。
提示
就像人的短期记忆一样，上下文窗口决定了 AI 能同时处理多少信息。窗口越大，AI 能参考的代码和对话历史就越多。
常见模型上下文窗口：
| 模型 | 上下文窗口 |
|---|---|
| GPT-4 | 128K tokens |
| Claude 3 | 200K tokens |
| Gemini 1.5 | 1M+ tokens |
应用场景：
- 小窗口：简单问答、单文件编辑
- 大窗口：整个代码库分析、长文档理解
Prompt（提示词）
你给 AI 的指令或问题，告诉 AI 你想要什么。
提示
Prompt 是 Vibe Coding 的核心技能。同样的需求，不同的 Prompt 质量，会得到完全不同的结果。
Prompt 优化原则：
- 清晰具体：明确说明想要什么
- 提供上下文：给 AI 足够的背景信息
- 使用示例：用例子说明期望的输出格式
- 分解任务：复杂任务拆分成小步骤
RAG（检索增强生成）
AI 在回答问题时，先从知识库中检索相关信息，再结合这些信息生成回答。
提示
就像开卷考试一样，RAG 让 AI 可以"查阅资料"后再回答，而不是仅凭记忆。这样回答更准确、更专业。
工作流程：
用户提问 → 检索相关知识 → 整合信息 → 生成回答在 Vibe Coding 中的应用：
- 代码库智能问答
- 文档自动生成
- 基于私有代码的辅助编程
Agent（智能体）
能够自主规划、使用工具、完成复杂任务的 AI 系统。
提示
Agent 不只是回答问题，它能像人一样思考：理解任务 → 制定计划 → 执行步骤 → 检查结果 → 调整策略。
Agent 的核心能力：
- 自主规划：将复杂任务拆解为可执行步骤
- 工具调用：使用外部工具（如搜索、代码执行）
- 记忆管理：记住之前的操作和结果
- 错误处理：遇到问题能自我修正
代表产品：Claude Code、Cursor Agent Mode、GitHub Copilot Chat
MCP（Model Context Protocol）
模型上下文协议，让 AI 能够安全地连接外部工具和数据的开放标准。
提示
你可以把 MCP 想象成 AI 的"USB 接口"。通过这个标准接口，AI 可以连接各种外部服务（数据库、文件系统、API 等），大大扩展能力边界。
核心价值：
- 标准化：统一接口，降低集成成本
- 安全性：受控访问，保护数据安全
- 生态丰富：社区提供大量现成 MCP Server
幻觉（Hallucination）
AI 生成看似合理但实际错误的内容。
提示
AI 有时候会"一本正经地胡说八道"。它可能引用不存在的函数、生成错误的代码逻辑，或者编造不存在的文档。这是使用 AI 时必须警惕的问题。
应对策略：
- 人工验证关键代码
- 要求 AI 提供参考来源
- 分步骤验证，及时纠错
- 对不确定的信息进行二次确认
温度（Temperature）
控制 AI 输出随机性的参数，范围通常为 0-2。
提示
温度越低，AI 越"保守"，输出越确定、越严谨；温度越高，AI 越"有创意"，输出越多样、越随机。
参数选择建议：
| 温度值 | 适用场景 |
|---|---|
| 0.0-0.3 | 代码生成、数学计算（需要精确） |
| 0.5-0.7 | 一般对话、内容创作（平衡） |
| 0.8-1.2 | 头脑风暴、创意写作（需要多样性） |
嵌入（Embedding）
将文本、代码等内容转换成向量（数字数组），用于语义搜索和相似度计算。
提示
嵌入让 AI 能理解"意思相近"的内容。比如"苹果"和"水果"在向量空间中距离很近，这样 AI 就能找到相关的代码片段或文档。
应用场景：
- 代码库语义搜索
- 相似代码推荐
- 文档智能分类
微调（Fine-tuning）
在预训练模型的基础上，用特定领域的数据进一步训练，让模型更擅长特定任务。
提示
就像通用医生进修专科一样，微调让通用 AI 模型变成特定领域的专家（如专门写 Python、专门理解你的代码库）。
适用情况：
- 有特定代码规范需要遵循
- 需要理解私有领域知识
- 追求极致的代码生成质量
多模态（Multimodal）
AI 能同时理解和处理多种类型的数据（文本、图片、音频、视频）。
提示
多模态让 AI 不仅能读代码，还能看懂设计图、理解界面截图、甚至分析视频演示。这大大扩展了 Vibe Coding 的可能性。
应用场景：
- 根据设计图生成前端代码
- 截图报错信息让 AI 诊断
- 语音描述需求直接生成代码
🔧 概念关系图
Vibe Coding 核心概念关系
Prompt（提示词）
↓
Token（基本单位） ←→ 上下文窗口（记忆限制）
↓
Agent（智能执行） ←→ MCP（工具连接）
↓
RAG（知识增强） ←→ 嵌入（语义理解）
↓
生成结果 ←→ 幻觉（质量风险）
↓
微调（优化）/ 温度（调节）/ 多模态（扩展）⚔️ 概念对比表
| 概念 A | 概念 B | 区别 |
|---|---|---|
| Token | 上下文窗口 | Token 是单位，上下文窗口是容量上限 |
| Prompt | 上下文 | Prompt 是输入，上下文包含对话历史 |
| RAG | 微调 | RAG 是动态检索，微调是静态训练 |
| Agent | 传统 AI | Agent 能自主执行，传统 AI 仅响应 |
| 温度 | Top-p | 温度控制随机性，Top-p 控制多样性 |
| 嵌入 | 关键词 | 嵌入理解语义，关键词匹配字面 |
💡 实用记忆技巧
| 概念 | 记忆口诀 |
|---|---|
| Token | "AI 的货币，按量计费" |
| 上下文窗口 | "短期记忆，容量有限" |
| RAG | "开卷考试，有据可查" |
| Agent | "智能代理，自主执行" |
| 幻觉 | "AI 说胡话，需要核实" |
| 温度 | "低温严谨，高温创意" |
| MCP | "USB 接口，即插即用" |
🌟 核心要点总结
提示
理解这些概念不是为了背定义，而是为了更好地使用 AI 编程工具。当你知道 Token 消耗规则，就会优化 Prompt；当你理解上下文窗口限制，就会合理拆分任务；当你明白幻觉的存在，就会养成验证的习惯。