AI 知识词典

查一个词，先懂个大概。

直接搜索标题、主题或正文。每个结果都能独立阅读，不懂的细节再交给页面里的小知。

171 个词条

零基础入门

AI 使用基础

用自然语言说明 AI 能做什么、为什么会犯错、如何正确提问，以及哪些任务需要谨慎。适合零基础读者。

22 个词条

基本工作方式

3 个词条

1AI 适合处理哪些任务概念AI 适合处理能用一句话布置给别人的任务，如整理纪要、解释报告、改写内容、陪练面试、做小工具、生成海报等。与传统软件不同，它没有固定按钮，是用户说人话、工具来干活。2大语言模型怎样生成回答指南大语言模型每次只做一件事：根据前文预测下一个词元（Token）。聊天是把这个生成过程包装成一轮轮对话；理解这一点，才能分清语言流畅与事实可靠不是一回事。3AI 问答与搜索引擎的区别概念搜索引擎像图书管理员，给你原网页；AI 像读完整个图书馆后凭记忆回答的人，给结论但不给书架。因此 AI 可能记串，知识有截止日期，也没有天然出处。

提示与协作

1 个词条

4需求不清楚时让 AI 先提问指南不知道该怎么描述需求时，可以在开始前让 AI 先问几个问题。它每问一个，就排除一批不适合你的答案，避免拿到对谁都成立的万金油方案。

常用方式

3 个词条

5提示词的基本结构概念提示词的基本骨架是“必要背景 + 明确请求 + 约束 + 验收标准”。它不是固定模板，而是一份减少歧义的任务说明；只写会改变结果的信息即可。6模型、Agent、应用是什么关系？概念模型提供理解与生成能力，Agent 给模型加上工具和行动循环，AI 应用再把这些能力包装成用户可持续使用的产品。可以把模型看成发动机、Agent 看成会观察路况并驾驶的司机、应用看成乘客实际使用的网约车服务。7Vibe Coding 是什么？不会写代码也能做软件吗？概念Vibe Coding 指用自然语言指挥 AI 写代码，你只负责说清需求和试用反馈。不会编程的人能做自用小工具，但涉及资金、隐私、多人并发的产品仍需专业开发者把关。

基础概念

5 个词条

8Token 是什么？为什么 AI 按它收费？概念Token（词元）是 tokenizer 把文本编码后交给模型的编号单位。一个 Token 可能是完整单词、汉字组合、词的一部分、带前导空格的片段、标点，甚至只是某个字符的一段 UTF-8 字节；因此 Token 数与字数、字符数都不是一一对应关系。9「推理模型」「深度思考」是什么？概念“推理模型”是经过训练、擅长在回答前投入更多推理计算的一类模型；“深度思考”通常是产品提供的模式或预算开关。两者有关，但一个说模型类型，一个说产品怎样调用模型。10参数越多越聪明吗？概念参数越多通常意味着模型能储存更多知识，但不等于一定更聪明。训练数据的质量和训练方法同样重要，小模型在速度、成本、专精场景上常比大模型更划算。11为什么有的 AI 看不懂图片？概念有的 AI 看不懂图片，是因为语言模型天生只处理文字。能看图的模型额外装了视觉编码器，先把图片转成类似文字的表示再处理，这类模型叫多模态模型。12GPT、LLM、AIGC…这些缩写怎么分？指南AI 是总称，LLM 是其中处理文字的大模型，GPT 是一种主流的大语言模型技术路线，也是 OpenAI 的产品名；AIGC 指用 AI 生成内容这一行为。

常见误解

3 个词条

13提示词、RAG、微调与预训练的区别概念严格意义上的训练会改变模型参数；写提示词、挂知识库和普通对话都不会。需求应先判断是要改变行为、补充可更新知识，还是训练一个新的参数版本。14为什么模型榜单不能代替实际评测概念模型榜单不能代替实际评测，因为它测的是考试，你要的是干活。榜单分数可能因题库污染、过度优化或场景不匹配而失真，选模型最可靠的是拿自己的活儿去试。15AI 检测器说「这是 AI 写的」，可信吗？概念AI 文本检测器只能依据词汇、句式和概率分布等统计特征估计文本来源，无法直接识别作者。不同主题、语言和编辑方式都可能改变分数，因此结果不适合单独作为判定依据。

费用与安全

6 个词条

16API 是什么？和开会员有什么区别？概念会员是包月自助餐，在官方应用里随便用；API 是按量计费的散称食材，需要自己接入程序调用。普通用户开会员就行，接工具、做产品的人才需要 API。17生成图片为什么通常更贵？概念图像生成通常比短文本生成占用更多计算，但价差没有固定倍数。成本取决于模型架构、分辨率、质量档、生成步数、批量方式和 Provider 定价。18AI 视频为什么通常更贵？概念AI 视频通常比单张图片更耗算力，因为模型要生成大量连续画面，并维持主体、运动、镜头和声音在时间上的一致。实际价格按模型、分辨率、时长和音频能力变化，应在使用前查看当前报价。19什么是 API 中转站？概念API 中转站位于客户端与模型 Provider 之间，代替用户转发请求和结算。它可能简化接入或降低表面价格，但也新增了一个能接触请求内容、控制模型路由和中断服务的信任方。20「拼车号」「共享号」是什么？概念拼车号或共享号是把一个正式账号拆给几十个人合用，价格远低于官方。便宜换来的代价是聊天记录可能互相可见、一人违规导致全账号封禁、账号控制权始终在号主手里。21我的聊天记录会被拿去训练吗？概念对话数据如何保存、是否用于改进模型、能否删除，取决于具体产品、账户类型、地区和当时的隐私条款。最稳妥的原则不是猜默认设置，而是先核对政策，并避免提交不该离开原系统的敏感信息。

使用边界

1 个词条

22放心用，还是要核实？概念判断一件事能否放心交给 AI，先问两个问题：这件事有没有标准答案，答错了后果大不大。没有标准答案且自己能把关的事可以放心用；涉及健康、金钱、法律的事则只能当参考。

大模型原理

大模型基础

说明训练数据、Token、预训练、对齐和生成的基本过程，并解释幻觉的来源与常见缓解方法。

13 个词条

基础原理

5 个词条

23AI 的食物：训练数据概念训练数据是模型学习统计规律的材料。不同模型的训练规模差异很大，规模、质量、覆盖和去重共同影响结果；公开数字只有在说明模型、数据口径与版本时才可比较。24训练 vs 推理：两个不同的过程概念训练负责调整模型参数，推理负责在参数固定时根据输入生成输出。普通对话发生在推理阶段，不会因为一次聊天就改写模型权重。25词表与训练概念词表把文本映射为 Token 编号；训练再通过嵌入、注意力层和其他网络参数学习这些 Token 在不同上下文中的表示与关系。不存在一张固定的“全局词间关联表”直接决定所有生成。26Base 模型：Token 推 Token 机器概念Base 模型是预训练完成、尚未经过指令对齐的模型。它的核心任务是根据已有 Token 预测后续 Token，因此更像续写器，不会自动按助手规范回答或查阅外部资料。27GPT 的预训练范式概念GPT 路线的重要变化是先进行大规模生成式预训练，再通过提示或微调适配多种任务。它推动了从“每个任务单独训练”向“预训练模型复用”的转变。

从补全到对话

3 个词条

28chat/completions 之谜概念在 completion 风格的大模型 API 中，对话会先被编码成带角色标记的上下文，再由模型继续生成后续 Token。聊天界面是产品交互形式，补全是这类接口的生成机制。29伪造聊天记录概念伪造聊天记录是把补全机器变成聊天助手的早期思路：构造一段未写完的对话，让 Base 模型续写 assistant 部分，再把新的往来内容拼成更长文本继续补全。30Chat Template + SFT概念Chat Template 和 SFT 是让 Base 模型变成对话助手的关键：先用特殊标记统一对话格式，再用大量格式化对话数据做指令微调，模型学会在 assistant 标记后输出像样的回答。

幻觉与三种应对

5 个词条

31大模型幻觉概念大模型幻觉是生成了与事实、来源或任务约束不一致的内容。模型优化的是条件生成概率，不会自动为每句话附上可靠的真伪判断。32RAG：用检索补充事实依据概念RAG 即检索增强生成，是在回答前先检索相关真实文档，把文档片段和问题一起注入上下文，让模型基于这些资料生成回答，相当于从闭卷考试变成开卷答题。33RAG 的成本、优化与替代方案概念RAG 会增加摄取、检索和上下文成本，而且并非所有问题都需要检索。优化顺序应是先判断是否需要 RAG，再评测路由、缓存与切块；有天然索引的资料也可直接用工具读取。34Temperature：控制采样随机性概念Temperature 和 Top-P 都影响采样随机性：Temperature 改变候选分布的尖锐程度，Top-P 限制参与采样的候选范围。参数方向可概括为“越低越保守、越高越发散”，具体取值必须按模型和任务评测。35评测：持续发现与约束幻觉概念评测和人工审核是控制幻觉风险的外部纠错层。上线前建立幻觉测试集设定准入标准，上线后按风险等级人工把关高风险内容，再通过线上错误反馈持续迭代模型和提示词。

Harness 核心

Agent 与 Harness 基础

介绍上下文工程、Prompt、安全、Agent 工具调用和成本控制，说明如何把模型接入可用产品。

24 个词条

上下文工程

2 个词条

36上下文窗口：AI 的工作记忆概念上下文窗口是一次模型请求能够处理的 Token 容量，其中要容纳系统指令、对话、工具定义与结果、检索资料、当前问题和预留输出。它是有限资源，不等同于长期记忆。37上下文溢出：三种处理策略概念当对话超出上下文窗口时，常见做法是直接截断、摘要压缩和选择性保留。直接截断实现最简单但容易丢失关键信息，摘要压缩保留要点但可能牺牲细节，选择性保留通过检索只注入相关历史，最精准但实现较复杂。

Prompt 工程

4 个词条

38你说什么，它就变什么概念通过 System Prompt 定义角色，可以显著改变同一个大模型面对同一问题的回答侧重和语气。角色扮演是常用的 Prompt 技巧之一，本质上是把产品身份写进系统预设；输出格式控制则进一步约束回答的结构。39Prompt 进阶技巧概念高阶 Prompt 设计常围绕少样本示例、思维链、约束条件和任务拆解展开。给模型展示示例可以快速对齐格式和标准，要求逐步推理能提升复杂任务的准确率，明确约束能稳定输出，拆解任务则便于单独优化每一步。40输出格式取舍概念输出格式要由消费者决定：人读优先纯文本或 Markdown，程序消费优先带 schema 的 JSON，配置文件是否用 YAML 取决于生态；XML 适合已有标签协议或混合文本场景。没有一种格式同时最省 Token、最易流式、最可靠。41流式返回与格式配合概念流式结构化输出的关键不是押注某一种文本格式，而是定义可增量消费的帧、字段或事件，并规定半包、取消、校验失败和最终提交怎样处理。

Prompt 安全

4 个词条

42Prompt Injection：为什么会被攻击概念Prompt 注入的产生原因与 SQL 注入相似：用户数据和系统指令被拼进同一个消息列表，模型无法可靠区分二者。攻击者因此可以在用户输入中夹带指令，让模型执行越权、逃逸角色或泄露提示词。43Prompt 防御：三层拦截实战指南Prompt 注入无法靠单一机制防住，常见做法是叠加输入过滤、System Prompt 安全约束和输出泄漏检测三层防护。拒绝攻击时统一使用平台语境措辞，不暴露检测逻辑，能降低被持续探测的风险。44AI 安全红线：三条一级红线与一条合规底线概念企业可以把 AI 使用底线分为两层：敏感数据不随意外发、凭证不进对话、高危操作需授权是一级安全红线；工具审批、内容披露等要求则应按组织政策和适用规则落实。45风险分级与责任：谁来管、怎么管指南AI 使用应按潜在后果、可逆性、影响范围和数据敏感度分级，再匹配审批、人工复核、日志与禁用策略。等级名称可以由组织自定，关键是每一级都有明确责任人和处置规则。

Agent 工程

13 个词条

46Agent：能干活的 AI概念Agent 是围绕模型建立的执行循环：接收目标，选择下一步，调用工具，读取结果，再决定继续、求助或结束。它与普通聊天的区别在于能改变外部状态，而不只是生成文字。47工具调用的秘密概念工具调用并不是模型真的执行代码或访问 API，而是模型输出一段结构化文字，如 JSON，由应用框架解析后执行相应操作，再把结果追加回上下文，让模型继续生成回答。48多工具编排：并发 vs 串行概念多个工具调用可以串行、并发，或按依赖关系分批执行。判断依据不是工具名称，而是调用之间是否有顺序依赖、是否修改同一资源，以及失败后怎样恢复。49MCP 协议：工具的 USB 接口概念MCP（Model Context Protocol）用统一协议连接 AI 客户端与工具、资源和提示。协议负责发现与调用语义，具体权限、认证和沙箱仍由客户端与服务端实现。50长期记忆：向量检索概念长期记忆通过把用户偏好、项目配置和历史记录先转换成向量，再在需要时按语义相似度检索出来，注入当前对话。51从 Embedding 到 Milvus概念Embedding 把内容转换成语义向量，Milvus 这样的向量数据库负责在海量向量中可靠且快速地存储和查找最接近的内容。52从检索到 RAG概念RAG 不只是把检索结果塞进提示词，而是通过切分、元数据管理、权限过滤、结果融合和引用控制，让检索结果成为可靠、可评测的回答依据。53ReAct 循环：思考→行动→观察概念ReAct 循环是 Agent 通过反复执行“思考→行动→观察”来完成任务的基本模式，复杂任务往往需要多轮循环并包含自我纠错。54Agent 卡死的 5 种模式概念Agent 常见的五种卡死模式是参数格式错误、幻觉工具、无限递归、信息不足和 API 异常，每种都需要预设防护方案。55Skill：让 Agent 少走弯路概念Skill 是按任务加载的操作手册，说明何时启用、可用哪些工具、按什么步骤执行以及怎样验收。它把重复经验从一次性提示词中抽出来，便于复用、评审和版本管理。56脚手架工程：从试验品到产品概念Agent Harness（脚手架）是把模型、工具和环境组织成可运行系统的工程层。它负责工具契约、状态持久化、权限、错误处理和可观测性，使一次演示能重复执行并定位失败。575 道工程护栏指南运行护栏为单次 Agent 执行设定可测量的停止条件，包括总步骤、墙钟时间、Token 或费用、单次工具输出和上下文占用；触发后要保留进度并说明如何继续。58多 Agent 协作指南多 Agent 协作把可独立验收的子任务交给不同执行者，主 Agent 负责任务边界、依赖、结果汇总和冲突处理。是否使用线程、进程、容器或远程任务由具体运行时决定。

成本优化与选型

1 个词条

59模型选型：能力 vs 成本指南模型选型的核心是把任务难度、调用量和容错空间放在一起考虑，而不是简单选择最贵或最强的模型。

动手实战

AI 产品工程

以真实桌面 Agent 为例，拆解循环控制、上下文压缩、长期记忆、多 Agent、权限安全和 MCP 集成。

17 个词条

AI 生图

4 个词条

60文生图 vs 垫图：两种完全不同的事概念文生图从纯文字出发生成图片，垫图则以一张参考图加文字作为输入，二者适合的产品场景完全不同。61角色一致性：最难的产品问题概念角色一致性是指让同一个角色在多次生成中保持外貌、服装和风格稳定，单纯依靠文字描述很难做到，通常需要标准化参考图锚定。62模型会挂，然后呢？概念多模型降级链用于保证生图服务在个别模型超时、限流或出错时仍能出图。系统按预设优先级自动切换备选模型，对用户隐藏失败过程，并在全部模型不可用时给出友好提示。63生图的产品化清单指南生图功能从调通 API 到上线，要补齐体验与质量、工程与持久化、安全与数据治理三层工作。

Agent Loop

1 个词条

64流式体验：别让用户干等概念Agent 后台运行较久时，体验关键在于提供进度感，而不是只放一个转圈。进度感可以通过展示当前动作、可感知的数量变化和流式输出来实现。

上下文管理

1 个词条

65用户说的话能不能删？概念在上下文管理里，用户原始消息的保留优先级最高。工具输出可以先删，AI 回复可以摘要压缩，但用户原话一旦丢失，系统很可能无法恢复其需求与偏好，并伤害用户信任。

长期记忆

2 个词条

66什么值得记、什么不值得记概念长期记忆系统需要筛选：值得记录的是稳定偏好、重要事实和长期习惯，不值得记录的是语气词、一次性问题和无信息量的闲聊。如果什么都记，记忆库会迅速失去价值。67记忆冲突：用户改了主意怎么办指南新记忆与旧记忆冲突时，应按证据选择覆盖、合并并标记冲突，或在信息不确定时跳过。

Prompt Harness

2 个词条

68System Prompt 不是一坨文本概念生产级的 System Prompt 应拆成身份层、环境层、工具层和行为层，分别管理 AI 是谁、当前环境、可用工具和行动规则。这样修改变得可控，不会牵一发动全身。69不用的东西别给 AI 看概念工具描述不必全部常驻 System Prompt。系统可以先提供足以选择工具的摘要，再在需要时加载完整 schema 与说明；这种分层发现机制适合工具很多、每轮只用少数工具的场景。

多 Agent

1 个词条

70什么时候需要多个 Agent概念多 Agent 只在并行加速、角色分工和风险隔离有明确收益时才值得采用。大多数普通任务应优先考虑写清流程或使用工具并行，而不是增加 Agent。

权限与安全

3 个词条

71AI 该有多大的自由概念Agent 权限不是“全自动”与“每步确认”二选一。常见策略可归为自动执行、执行前确认和按规则动态判断三类，并可按工具、参数和环境分别配置。72弹窗太多用户烦，不弹又不安全概念弹窗确认不应每步都出现，也不能完全取消。合理的做法是风险分级：低风险操作自动执行，高风险且影响大的操作才需要用户确认。73Agent 干了什么你知道吗概念Agent 可观测性把运行轨迹变成可查询的事件、指标和关联关系，使团队能回答“做了什么、耗时与用量在哪、为什么失败”，而不是只留一段最终日志。

MCP 实战

3 个词条

74MCP 不只是「调工具」概念MCP 不只是让 AI 调用外部工具，还允许 AI 把自己暴露为工具供其他客户端调用。同一协议可以双向使用。75懒连接：不用别连概念MCP 服务应注册与连接分离：启动时只声明可用能力，实际用到某个工具时才建立连接。这样既缩短启动时间，也能隔离故障。76AI 自己加工具概念AI 自加工具是指当用户需求超出当前已配置能力时，模型发现可用工具、请求用户授权，并在批准后自动完成 MCP 配置。关键是要有明确的安全边界和授权环节。

工程进阶

Agent 工程：从能跑到可控

用一组贴近业务的案例理解控制方式、上下文、工具、评测、长任务与安全边界。

16 个词条

先选控制方式

4 个词条

77固定流程还是自主决策：Workflow 与 Agent概念Workflow 和 Agent 是两类不同的 AI 系统：前者由开发者用预定义代码路径控制执行顺序，后者由模型在每一步动态决定流程。大多数应用场景不需要 Agent，应从优化单次 LLM 调用开始，只有复杂度能明确提升效果时才增加。78把复杂任务拆开：五种 Workflow 模式概念五种经过验证的 Workflow 编排模式从简到繁排列：Prompt Chaining 顺序串联任务，Routing 先分类再分派到专门分支，Parallelization 并行处理并聚合结果，Orchestrator-Workers 由中心模型动态拆解任务，Evaluator-Optimizer 通过生成-评判循环迭代改进输出。79模型每轮到底看见什么：上下文工程概念上下文工程是 Prompt 工程的延伸：它关注的不是提示词写法，而是每轮推理时送给模型的全部 Token 如何选择和组合。System Prompt、工具定义、对话历史、检索结果等共同决定模型表现，管理这些 Token 就是上下文工程。80上下文太长怎么办：压缩、外部笔记与拆分概念长任务中的挑战是上下文窗口有限而信息持续增长。常用策略包括 Compaction、结构化笔记和子 Agent：分别压缩当前对话、把状态外化、隔离深度探索；应按任务组合，而不是默认三者缺一不可。

让模型正确使用工具

2 个词条

81工具为什么总被用错：Agent-Computer Interface概念Agent-Computer Interface（ACI）是模型与外部能力交互的界面。工具名称、描述、参数 schema、返回结构和失败语义共同构成这份契约；它既要方便执行端校验，也要帮助模型选对工具、填对参数。82什么时候该让 Agent 先停下来想概念Think Tool 是一个无外部副作用的工具，让 Agent 在工具链中显式暂停并整理信息。Anthropic 在 Claude 3.7 Sonnet 的 τ-bench 实验中报告：优化提示后的航空场景相对基线提升 54%；零售场景从 0.783 提升到 0.812，即约 3.7% 的相对提升、2.9 个百分点的绝对提升。结果只适用于该实验设置。

怎样知道它真的有效

3 个词条

83先定义“做对了”：Agent 评测入门概念评测是贯穿 Agent 开发周期的核心基础设施，不是上线前的 checklist。没有评测的团队每次改动都在赌博，无法知道破坏了什么。评测的价值从早期定义成功标准开始，贯穿回归测试、变更验证和新模型迁移。84谁来打分：代码、模型与人工概念Grader 是评测系统的裁判。常见做法是组合代码 Grader、模型 Grader 和人工复核：确定性条件交给代码，主观质量由带 Rubric 的模型评分，高风险或校准任务保留人工判断。85分数为什么会骗人：噪音、泄题与漂移概念评测做起来了不等于做对了。常见陷阱包括运行环境不一致、固定题目被模型见过，以及一次 Prompt 改动在未关注的能力上造成回归。

让任务跨轮次继续

4 个词条

86为什么 Agent 跑不了长任务概念长任务常见两类故障：一次尝试铺得太开，后半程被上下文压力拖住；或者只跑通局部路径，就把任务误判为完成。本页先教你识别这两种故障，持久交接的一种具体实现见下一词条“双角色 Harness”。87先搭环境，再小步交付：双角色 Agent概念Initializer + Coding Agent 是一种双角色 Harness 设计：初始化 Agent 只跑第一轮，负责搭建环境、制定计划、创建进度文件并做首次提交；编码 Agent 每轮都跑，读进度文件了解状态，一次只实现一个功能，完成后更新进度并提交。这种设计解决了长任务中的交接问题。88会话、大脑与执行环境为什么要分开概念Managed Agent 把持久会话、模型编排与隔离执行拆成独立组件：Session 保存事件，编排层调用模型并路由工具，Sandbox 执行代码。组件分离后，可以分别恢复、扩缩和收紧权限。89会话不是上下文窗口概念Session 和 Context Window 是两个必须分离的概念：Session 是持久化的事件流，记录所有发生过的事；Context Window 是模型当前能看到的 Token，相当于临时的工作记忆。原始事件应永久保存在 Session 中，Context Window 只是从 Session 中临时取景的一个视角。

把危险动作关进边界

2 个词条

90危险从哪里进来：三类 Agent 风险概念AI Agent 可从三类路径出事：用户故意滥用能力，模型在没有恶意指令时做出错误行动，或外部攻击者把恶意内容送进模型。防御也要分层落到模型行为、运行环境和外部内容处理，不能只靠一句“不要做坏事”。91把代码和密钥分开：沙箱与凭据隔离概念凭据隔离与受限执行先把 Agent 的攻击面收窄：长期密钥留在执行环境之外，由受控代理按需使用；沙箱只获得完成任务所需的文件、网络和进程权限。即使模型受恶意输入影响，可造成的后果也会被结构性边界限制。

让检索片段保留语境

1 个词条

92给碎片补一句背景：Contextual Retrieval概念Contextual Retrieval 在传统 RAG 的切块与索引之间增加一步：为每个 Chunk 生成一段简短的来源语境，再把语境与原文一起建立向量和关键词索引。Anthropic 在其测试中报告，Contextual Embeddings、再叠加 Contextual BM25、最后加入重排序时，前 20 个 Chunk 的检索失败率分别降低 35%、49% 和 67%；这些数字只适用于该实验设置。

自我改进

Harness：让 Agent 稳定运行和改进

从模型外面的工作台讲起，再理解上下文优化、工作流搜索与自我改进的安全边界。

7 个词条

先认识 Harness

2 个词条

93Harness 是什么：模型外面的工作台概念Harness 是模型外面的工作台：它决定给模型看什么、能用哪些工具、怎样保存进度、如何检查结果。所谓“改进 Harness”，通常是改这套工作台，而不是让模型直接改写自己的权重。94让长任务跑下去：循环、外部记忆与并行概念要让 Agent 把长任务做完，先解决三件事：用“计划—执行—观察/测试—改进”循环推进，把重要状态保存到上下文之外，再只把真正独立的子任务并行处理。

先优化模型外围

2 个词条

95谁来整理上下文：从人工规则到自动优化概念自动优化上下文，就是让系统根据任务结果调整“哪些信息进入窗口、怎样压缩、何时检索”的规则。不同研究改的对象不同：有的改内容，有的改管理规则，有的连 Harness 代码一起改。96让系统自己试工作流：生成、运行与评分概念工作流自动搜索把“提示、步骤和控制流”表示成可执行候选，再反复生成、运行和评分。它能找出人没手写过的组合，但只会朝评测器给出的目标前进。

让系统改进自己

2 个词条

97让 Harness 改自己，怎样才不会失控概念让 Harness 改进自己，安全的做法不是直接改生产系统，而是从失败轨迹找出弱点，在隔离分支提出小改动，再由循环外的评测与发布规则决定是否接受。98没有梯度怎么优化：进化搜索入门概念Harness 由提示、工具和控制流组成，通常没有可直接求导的目标。进化搜索不需要梯度，只要求能生成可运行候选，并用同一尺度比较结果；生成—运行—评分的基本循环见上一词条。

边界与风险

1 个词条

99自我改进系统的七项安全检查概念判断自我改进是否可信，先看裁判是否可靠、过程与失败是否可追溯；再看候选是否仍有差异、有没有钻指标漏洞、是否牺牲可维护性；最后确认监督权仍在系统控制之外。

协作方法论

Vibe Coding 与 AI 编程协作

给出一套可复用的 AI 编程协作规范，覆盖流程控制、质量检查、文档、安全和写作风格。

9 个词条

理念与入门

1 个词条

100为什么要给 AI 立规矩指南给 AI 立规矩要解决的是约束没能进入上下文的问题；Vibe Coding 的典型事故源于同一根源，其中 Rule 因每轮自动加载而比临时交代或普通项目文档更可靠。

流程控制

1 个词条

101四步流程：复述、PRD、确认、编码指南四步流程把需求确认前移到 AI 动手之前：先提问并复述，再写可验收说明并等待许可，然后为批量修改列计划，最后搜索并复用现有实现。

质量底线

3 个词条

102样式收敛：一个按钮不要八套 CSS指南样式增殖的根因是 AI 每轮对话都看不到已有样式，所以它更倾向新写或并列一份而不复用；收敛要盘点、定 token、分批合并、设闸四步走，只合并叫不出名字的差异。103注释三要素与代码保护指南注释必须包含背景、设计意图和关键约束三要素，让 AI 按固定结构写明白代码无法表达的决策信息；同时要保护注释不被随意删除，禁止静默删除任何已有功能代码。104调试与交付检查：先定位再改码指南先用日志、断点或测试验证根因，再修改代码并说明影响范围；交付前还要验证真实依赖、关键测试和失败路径。

文档与沉淀

1 个词条

105三份文档与方法论沉淀指南三份功能文档加一份方法论文档各管一个维度：FEATURES 记录功能生命周期，CHANGELOG 记录技术改动，RELEASE_NOTES 面向用户说明变化，METHODOLOGY 沉淀产品决策与取舍。

环境与安全

2 个词条

106把环境事实写进 Rule指南环境事实要进入每次相关任务的上下文，包括运行命令、技术栈、数据格式和已知交互陷阱。Rule 是一种自动注入方式，但具体配置仍要以所用工具版本和项目事实为准。107破坏性操作的三道闸指南破坏性操作在执行前设三道闸：数据改动先准备可恢复备份、不可逆操作先说明回退方案、发布前审查实际 diff；凭据由 secrets 管理，发布遵循项目既定的版本控制与 CI/CD 流程。

沟通与写作

1 个词条

108长对话锚定与写作规范指南长对话在关键修改前要重新确认当前目标和约束；中文写作规范则应使用可搜索的具体模式，而不是“自然一点”这类抽象要求。

专题篇章

AI 成本工程

说明 Token 如何计费、哪些设计会放大账单，以及如何从输入、架构和输出三个方向控制成本。

11 个词条

定价即架构

2 个词条

109订阅业务里的 Token 成本概念按量调用的 AI 产品中，Token 成本会随活跃度放大，并同时影响账单、首字延迟和吞吐。成本工程的目标不是盲目缩短文本，而是让每次请求只携带完成任务所需的信息。110模型报价表怎么读指南读模型报价表先分清输入、输出、缓存、推理用量和长度分档，再按任务风险建立内部模型梯队。T0/T1/T2 是团队自己的路由标签，不是厂商统一等级。

三大跳档陷阱

2 个词条

111价格跳档与回溯计价概念有些模型按输入长度、输出长度或功能档位分段计价，跨过边界后可能只对增量涨价，也可能整次请求采用新档。工程上必须读取当前计费规则，并用真实长度分布测算跳档风险。112图片 Token：分辨率如何进入账单指南图片成本由 Provider 的缩放、切块、质量档和计费单位共同决定。不要套用跨厂商公式；应读取目标模型文档，用官方计数接口或账单样本验证，再在上传端设尺寸和总预算。

Agent 的账单

2 个词条

113Agent 的累计输入成本概念Agent 会在多轮中反复携带系统指令、历史和工具结果，因此输入常成为主要成本。I/O Ratio 可用来观察输入与可见输出的比例，但不存在适用于所有 Agent 的行业阈值。114Agent 四大成本陷阱与熔断概念Agent 的真实成本风险主要来自工具返回爆炸、推理模式额外计费、死循环和历史记录膨胀四个方向。每个陷阱都有对应的工程解法：工具截断、按任务开关思考模式、熔断机制和历史压缩。

四层实战优化

4 个词条

115Prompt 格式也要实测概念格式字符、重复键名和冗余字段都会占 Token，但哪种格式更省取决于 tokenizer、数据形状和输出约束。优化前先实测；程序消费还要把解析可靠性放在节省少量 Token 之前。116提高上下文的信息密度概念长上下文可能出现位置效应，但不能把“重要信息放首尾”当成通用规则。提高信息密度可从按需选择 Few-Shot、抽取或压缩长文档入手，并在目标任务上测量召回、质量与成本。117KV Cache 与前缀稳定性概念KV Cache 通过复用相同前缀的计算结果来降低成本，前缀越稳定，命中率越高。动态切换工具和滑动窗口都会破坏前缀稳定性，应优先保持系统提示和工具定义稳定，并用章节式缓存代替简单滚动窗口。118控制模型的输出长度概念输出 Token 会影响账单和返回时间，但单价是否高于输入取决于模型。控制输出可从指令、数据格式和接口能力入手：明确结果边界、只返回必要差异，并在 Provider 支持时设置停止条件。

专题收官

1 个词条

119Token 成本检查清单指南Token 优化的本质是提高信息密度，让每一段输入和输出都为最终结果贡献价值。全流程可从看懂账单、识别跳档陷阱、管控 Agent 成本到四层优化逐项推进，并用三项兜底检查做兜底。

专题篇章

Pi 源码解读

沿固定 revision 拆解 Pi 的分层、事件循环、会话树、扩展机制、集成方式与安全边界。

14 个词条

定位与分层

3 个词条

120Pi 是什么源码Pi 是一个面向本地开发工作的终端 Agent Harness。它保持一个较小的内核，把工具、命令、界面和工作流交给 TypeScript Extension、Skill、Prompt Template、Theme 与 Package 扩展。121核心包如何分工源码Pi 用分层包控制依赖方向：pi-ai 统一模型调用，pi-agent-core 负责状态与工具循环，pi-coding-agent 组装开发者 CLI，pi-tui 提供终端 UI，pi-telemetry 定义可替换的遥测契约。122一轮 Agent 的事件与工具流源码Pi 的 Agent 循环由事件串联：接收消息、发起模型请求、解析工具调用、执行并回填工具结果；只要模型继续请求工具，循环就进入下一轮模型调用。

模型与工具

3 个词条

123多 Provider 与跨模型续接源码Pi 把 Provider 差异收敛在 pi-ai：上层使用统一消息与流事件，切换模型时再把上一家 Provider 的思考块、工具调用和错误状态转换成目标接口可接受的表示。124内置工具与自定义工具源码Pi 默认工具面很小：读取、编辑、写入、内容搜索（grep）、文件查找（find）、列目录和执行 shell；Extension 可以新增工具或按同名替换内置工具。125AGENTS.md 与资源加载源码Pi 在启动时由 ResourceLoader 发现并装配上下文文件、系统提示、Extension、Skill、Prompt Template 和 Theme。项目信任只控制受保护的项目设置、Package 与 Extension；上下文文件默认仍按规则加载，除非显式关闭。

会话与上下文

3 个词条

126JSONL 会话树源码Pi 会话文件是 JSONL 事件树：每个条目用 `id` 和 `parentId` 指向父节点，当前 leaf 决定有效路径，因此同一文件可以保留多条分支而不覆盖旧历史。127Steer 与 Follow-up 双队列源码运行中输入被分成 steer 与 follow-up：steer 在当前 assistant turn 的工具调用结束后送入，follow-up 等 Agent 完成当前全部工作后再送入。两者解决的是不同的插话时机。128Compaction 与分支摘要源码Pi 有两种摘要：compaction 在上下文接近窗口上限时替换较早消息；branch summary 在切换树分支时概括被离开的路径。它们触发条件不同，但都把摘要作为会话条目保存。

扩展与集成

3 个词条

129Extension 生命周期源码Extension 是 Pi 的 TypeScript 运行时扩展模块。它能监听会话和 Agent 事件、注册或替换工具与命令、改写输入和上下文，并增加终端 UI。130Skills、Prompt Templates、Themes 与 Packages源码Skill、Prompt Template 和 Theme 分别封装按需方法、可复用输入与视觉样式；Pi Package 则把这些资源连同 Extension 一起打包、配置和分发。131SDK、Print、JSON 与 RPC源码Pi 有五类常见入口：交互 TUI 给人直接使用，Print 做一次性文本任务，JSON 输出结构化事件流，RPC 通过 stdin/stdout JSONL 接受双向命令，SDK 则把 AgentSession 直接嵌入 Node.js。

安全与取舍

2 个词条

132默认没有沙箱源码Pi 默认没有文件、进程、网络或凭据沙箱。内置工具和 Extension 都继承启动 Pi 的用户权限；项目信任只控制启动时是否加载项目资源，不限制模型之后能做什么。133极简核心的工程取舍源码Pi 的核心取舍是拒绝把所有工作流固化成产品功能，以较小、可理解的默认面换取深度扩展；代价是团队必须自己承担选型、组合、升级和安全治理。

专题篇章

DeepSeek Harness 源码解读

沿 DeepSeek Harness 的 TypeScript 源码拆解插件内核、Turn/Step 循环、双队列、上下文压缩和代码沙箱。

29 个词条

系统地图

2 个词条

134先看全局：DSH 为什么把一切做成插件源码DSH 内核 Cordis 只负责插件装卸与回滚；模型、工具、日志和会话能力由 `packages/` 下的插件组装。四种模式由四份 `preset`（预设清单）表达，切换模式就是按新 `preset` 重新装配。135不改源码也能换能力：Profile、Bundle 与 Patch源码DSH 把 Bundle、Profile、Home 与 `--patch` 依次叠加到空配置上，后加载者优先；同一 id 命中时整条替换 config，而不是合并字段。

会话与循环

4 个词条

136模型看到的内容为什么必须先写日志源码DSH 把只追加事件日志作为对话的可重放真源。出站前，系统从日志重新派生消息并与实际请求逐字节比对；不匹配就拒绝请求。137消息插队还是排队：Follow-up、Steer 与 Inject源码DSH 用 next-turn 与 next-step 两条持久队列编码运行中消息。followup、steer、inject 共用 send()，仅 target 与 wakeup 不同。138按下 Esc 后，系统怎样取消和恢复源码DSH 取消是显式传递的线：每轮新建 AbortController，Esc 清空 inbox 并 abort。崩溃重启不截断，补错误占位并合成 interrupted 边界。139谁能修改长期目标：消息来源就是权限源码Goal 鉴权不读正文，只认事件元数据中的消息来源。没有真人消息的自动续跑只能完成目标或报告阻塞；当前 Turn 确有真人来源消息时，才获得创建和编辑目标的权限。

上下文工程

4 个词条

140上下文满了怎么办：两条压缩路径源码压缩有压力触发和溢出恢复两个正交触发器。溢出错后允许重试的唯一凭证是世代号单调前进，插件自己报告不算数。141Token 数为什么有两套算法源码决策用重放计量，准确但贵；UI 用投影计量，便宜但有时延。UI 占用率没有决策权，压缩从不读它。142工具输出太大怎么办：Spill 落盘源码Spill 对超限工具输出全文落盘，上下文只留预览和取回凭证。存储失败时保留原始内联，不隐藏不失败。143怎样从旧会话检索并带出处引用源码旧会话可全文检索，压缩遮蔽的内容仍可搜到。跨会话引用是冻结快照，入队后源会话变化不影响目标回放。

工具系统

4 个词条

144一次工具调用要经过哪些关卡源码工具执行分 pre-execute、execute、post-execute 三段瀑布。顺序敏感的扩展放瀑布，否决权交给无 allow 的 Guard。拒绝成为错误结果，循环不卡死。145为什么模型输出与界面展示要分开源码工具返回值是带 schema 的结构化 JSON。模型文本与 UI 卡片都是其纯函数投影。持久化只存投影，回放可复现展示，重建不了值。146为什么编辑文件前必须先读源码观测账本记录文件版本。edit 未读被拦，外部改动被拦。判定只看账本。防线可拔，工具本身零权限代码。147终端、代码查询与后台任务怎样分工源码DSH 提供 terminal、lsp、jobs 三套工具：持久终端会话、四类语义查询、统一后台任务。均按所有者授权，闭合词汇，结构化降级。

审批与沙箱

2 个词条

148审批和沙箱为什么是两个开关源码DSH 权限分两个正交变量：sandbox/mode 管文件效果，approval/policy 管是否询问。审批全程 fail-closed，唯一放行值是 allowed-once。149沙箱隔离的究竟是什么源码DSH 沙箱分三层：子进程用 confine 限制 runner，进程内工具用 fs-sandbox 结构化拒绝，执行世界通过替换 fs 与 subprocess 插口整体搬家。

代码模式

1 个词条

150一段代码怎样完成多轮工具调用源码Code Mode 让模型一轮采样写出 TypeScript 程序，由 worker 沙箱执行，替代多轮工具调用。省往返成本，沙箱只是隔离而非安全边界，内部工具调用仍走原审批管线。

编排与子 Agent

3 个词条

151子 Agent 为什么要做成可替换接缝源码DSH 子 Agent 是 provider 注册表，各实现同一接口。能力不匹配在启动前抛 UNSUPPORTED_CAPABILITY，绝不接受后静默降级。152工作流、计划与定时任务怎样分工源码DSH 把多步编排拆成四个原语：workflow 管一次执行，schedule 管时间，plan 管协作姿态，todo 管进度。这里的 workflow 是一项编排原语；Code Mode 如何改变整体工具呈现见 dsh-5。153Agent 怎样在运行时安装新能力源码创造模式让 Agent 用 cordis_define 和 cordis_run 在运行时定义、版本化并装载新工具；代码本身不设沙箱，因此应把该会话视为 shell 访问。`preset` 装配机制见 dsh-1。

模型与外部接入

3 个词条

154MCP 工具如何稳定接入源码本页只追踪 MCP 工具从外部进程进入 DSH 的路径：工具名先被稳定命名，再以世代为单位注册和替换。运行时定义插件属于另一套机制，见 dsh-20，不能从 MCP 桥接代码推断。155调用失败后怎样重试而不丢证据源码DSH 规定一次适配器调用就是一次提供方尝试，SDK 自带重试必须禁用。一次流式响应以 chunk 流和 message 流两种形态落盘，重试是持久日志里的显式事件。156怎样测试一个不确定的 Agent 系统源码DSH 测非确定性系统的办法是把不确定性圈死在录制那一刻：真实会话日志直接推导成回放脚本，传输层死法用真 HTTP 故障服务器演练，交错空间交给性质测试扫荡。

持久化与基建

3 个词条

157日志格式变了，旧会话怎么办源码会话日志只有一个整数版本：旧升新拒。未知事件默认拒读，忘标可忽略宁可拒绝过头。fork 边界写两份，插件不能擅加边界事件。158凭据、设置、存储与遥测怎样分层源码凭据配置保存环境变量引用，key 每次现取，轮换免重启。设置写盘在锁内合并后原子提交，一个懒创建 UUID 服务三方遥测身份。159Web、命令行与 SDK 怎样共享一个内核源码多个入口共享同一内核，入口层只增加 cordis.yml 与协议桥。跨 wire 使用 Typert，从类型图生成 schema 与客户端类型。

工程方法论

2 个词条

160怎样用 Agent Notes 与 AGENTS.md 约束 AI 开发源码笔记路径承载状态，换状态须移文件并改 Status 行。门禁强制写「为什么」。AGENTS.md 只收可机器或评审检查的硬契约。161为什么 KV Cache 也应当视为接口源码KV Cache 依赖稳定前缀；从首个变化 Token 起，后续内容可能无法复用。DSH 用文档纪律、工具顺序中心列表和严格插值减少无意变化。

超越源码

1 个词条

162DeepSeek Harness 与 Pi：按约束选择，不按功能数量排名源码DSH 与 Pi 都把能力放到可组合外围，但真源、扩展运行时和安全默认不同：DSH 以 append-only 事件日志与 Cordis 插件树为中心；Pi 以 JSONL 会话树、TypeScript Extension 和外部隔离为中心。

专题篇章

开放模型与本地部署

说明开放权重、许可证、蒸馏和量化的区别，并介绍如何评估本机配置与运行本地模型。

9 个词条

开源到底开的是什么

3 个词条

163权重是什么？一个模型的全部本事概念权重就是模型训练结束后留下的大量数字，是模型全部能力凝结成的文件。拿到权重，就能在自己的机器上离线运行模型，不再依赖服务商；文件体积大致等于参数量乘以每个参数占用的字节数。164开放程度怎么看：材料、许可与可复现性指南判断模型开放程度，依次核对三件事：是否能取得足以运行的模型材料；许可证允许哪些使用、修改和分发；训练数据、代码与文档是否足以复现或继续研究。不要只用“开源/闭源”二元标签。165开放模型背后的商业与生态选择概念厂商是否开放模型通常与商业模式、生态策略和风险控制有关，但外部只能基于公开信息推断动机。选型应以已发布材料、许可证和持续维护记录为证据，而不是替厂商下结论。

大模型如何变小

4 个词条

166涌现：能力为什么会突然出现概念模型能力并不总是随参数量平滑增长。某些能力在规模较小时得分接近零，跨过一定量级后突然跳到可用水平，这种现象叫涌现。也有研究认为，部分阶跃可能只是离散评测指标造成的假象。167为什么要把模型做小概念把模型做小主要是为了降低推理成本与延迟、满足离线和数据边界，并适配资源受限设备。小模型是否可用取决于任务评测，不是参数越少越好。168蒸馏是怎么做的：从老师到学生指南知识蒸馏通常分三阶段：先准备覆盖目标能力的数据与独立评测，再由教师生成答案或软目标，最后训练学生并检查质量、成本和偏差是否满足部署要求。169蒸馏的代价：模型正在变得越来越像概念多个学生共享同一教师、底座或合成数据时，错误可能相关。蒸馏带来的口吻、格式和知识偏差应当作为待测风险，而不是假定不同模型名称就能提供独立交叉验证。

在自己的机器上跑起来

2 个词条

170你的电脑能跑多大的模型指南本地模型能否运行取决于权重格式、上下文、KV Cache、运行时缓冲、并发和是否卸载到内存。可靠做法是先算权重下限，再用目标推理引擎的估算与小规模实测确认峰值。171Ollama 与 LM Studio 怎么上手指南Ollama 适合用命令和本地 API 管理模型，LM Studio 适合在图形界面浏览与试用。两者的模型格式、默认量化和硬件支持会持续变化，安装与选型应以当前官方文档为准。