附速查表與詳細說明，幫助團隊快速對齊 AI 討論語言。
AI 名詞懶人包：AI Agent、MCP、RAG、Token 等 12 個關鍵字白話解釋
AI 專案出現問題，常常不是技術問題，是語言對不齊。
一個人說的 Agent 是聊天機器人，另一個人指的是能自動跑流程的系統，
需求討論就會一直錯位。
下面 12 個名詞，是團隊討論 AI 時最常碰到的。
12 個 AI 名詞速查
| 名詞 | 中文 | 一句話解釋 |
|---|---|---|
| LLM | 大型語言模型 | 從大量資料學習語言規律，用來理解與生成內容的 AI 模型 |
| Generative AI | 生成式 AI | 能根據輸入生成文字、圖像、音訊、影片等新內容的 AI 大分類 |
| Token | Token | 模型計算輸入與輸出的基本單位；文字會先被切成 Token 再處理 |
| Context Window | 上下文視窗 | 模型一次能讀取並納入理解的內容範圍 |
| Sampling | 抽卡 | 模型從可能的下一個 Token 中選擇輸出的過程 |
| Multimodal | 多模態 | 同時處理文字、圖片、聲音與影片的能力 |
| Generalization | 泛化能力 | 沒看過的題目也能舉一反三 |
| RAG | 檢索增強生成 | 先查外部資料，再根據查到的內容回答 |
| API | 應用程式介面 | 程式之間溝通的標準窗口 |
| MCP | 模型上下文協定 | 讓 AI 用統一規格連接外部資料、工具與系統 |
| Skills | 技能 | 把做事流程與資源封裝成可重複使用的能力 |
| AI Agent | AI 代理人 | 能規劃步驟、使用工具，持續執行任務的 AI 系統 |
這 12 個名詞怎麼串在一起？
Generative AI 是大分類，
LLM 是其中負責理解與生成語言的重要模型。
模型透過 Token 處理內容，
Context Window 決定一次能納入多少上下文，
Sampling 影響生成時如何選擇輸出；
Multimodal 讓 AI 能處理文字以外的圖片、聲音等資訊，
RAG 則讓它回答前先查外部資料。
當 AI 要真的開始「做事」，API、MCP 和 Skills 負責連接系統、工具與工作流程，
再由 AI Agent 組合這些能力去完成任務。
Generalization 則代表模型遇到沒看過的情況時，
能不能把學到的能力延伸過去。
名詞詳解
LLM｜大型語言模型
Large Language Model 的縮寫。
從大量文字資料中學習語言規律，能理解輸入、生成回應。
GPT、Claude、Gemini 都是 LLM。
它是目前大多數 AI 對話與生成工具的核心。
Generative AI｜生成式 AI
能根據輸入生成文字、圖像、音訊、影片、程式碼等新內容的 AI 大分類。
LLM 是生成式 AI 的一種，但生成式 AI 不只有語言模型。
Token
模型計算輸入與輸出的基本單位。
文字不是一個字一個字處理，而是先切成 Token 再進行運算。
「幾個字」和「幾個 Token」對不起來。
許多文字模型 API 會依輸入與輸出的 Token 用量計費。
Context Window｜上下文視窗
模型一次能讀取並納入理解的內容範圍。
這不是長期記憶，而是代表「這一次能同時看多少」。
當內容超過 Context Window 時，模型無法同時完整納入所有內容；
實際系統可能透過截斷、摘要或壓縮等方式管理上下文。
Sampling｜抽卡
模型從可能的下一個 Token 中選擇輸出的過程。
生成帶有一定取樣機制，因此相同輸入不保證每次逐字相同。
這也是同一題問兩次、答案可能不一樣的原因，是設計上的特性，不是出錯了
。不同模型和 API 提供的生成控制參數不完全相同。
Multimodal｜多模態
同一個模型能處理文字以外的資訊，包含圖片、聲音、影片。
現在許多主流模型都具備多模態能力，可以直接把截圖、照片或語音丟給模型處理。
Generalization｜泛化能力
沒看過的題目也能舉一反三。
判斷一個模型是真的學會，還是只會背答案，就看這一項。
泛化能力強的模型在面對新情境時，能把已有能力延伸過去，不需要每種情況都重新訓練。
RAG｜檢索增強生成
Retrieval-Augmented Generation 的縮寫。
模型在回答前先去查外部資料，再根據查到的內容生成回應。
需要最新資訊，或要依據公司內部文件回答時，會用到它。
RAG 和微調（Fine-tuning）解決的問題不同。
微調是用特定資料進一步訓練模型，會改變模型的行為或能力；
RAG 則是在回答時查外部資料，不會因此重新訓練模型。
兩者解決的問題不同，不是替代關係。
API｜應用程式介面
Application Programming Interface 的縮寫。
一個系統提供給其他程式呼叫功能或資料的介面，每套 API 的規格可能不同。
想把 AI 放進自己的產品，通常就是透過 API 呼叫模型。
MCP｜模型上下文協定
Model Context Protocol 的縮寫。
一套開放標準，讓 AI 應用能用較一致的方式發現並使用外部工具與資料。
官方用「AI 的 USB-C」來比喻：
API 像各家設備原本各自的接口，MCP 則替 AI 整理出一套共通的連接方式，不用每個工具各接一條線。
Skills｜技能
在 AI Agent 工具中，
Skills 通常指把特定工作的操作方法、指令與相關資源封裝成可重複使用的能力，
可以把它理解成 AI 的「SOP＋工具包」。
不同平台的實作方式可能不同；
例如 Agent Skills 可以包含 instructions、scripts 與 resources，Agent 會在需要時動態載入。
如果使用第三方 Skill，也要注意來源與程式碼安全；
我們之前整理過 Plugin4Shell：AI Skill 也可能成為駭客入口。
AI Agent｜AI 代理人
不只回答問題，而是能根據目標規劃步驟、選擇工具、執行任務，再根據結果調整下一步的 AI 系統；
遇到需要決策或授權的地方，也可能回頭請人確認。
一個完整的 Agent 通常結合 LLM、工具呼叫（API／MCP）、技能（Skills）與記憶機制。
OpenAI 在 DevDay 2026 推出的 Dots、Agents API 與新版 Codex，也都在往這個方向發展，
可參考 OpenAI DevDay 2026 重點整理。
如果你正在使用 AI Agent 或 AI Coding 工具開發網站，
也可以參考 AI 寫完程式後，如何進行安全檢查與上線驗證。
常見問題
Token 就是字數嗎？
不一樣。
Token 是模型切分文字的基本單位，中文與英文的換算方式不同，字數和 Token 數對不起來。
許多文字模型 API 會依輸入與輸出的 Token 用量計費。
Context Window 等於 AI 的記憶嗎？
不一樣。
Context Window 是模型一次能讀取並納入理解的內容範圍，代表的是「這一次能同時看多少」，不是長期記憶。
應用程式是否保存過去資訊、之後是否再次提供給模型，則是另一套機制。
RAG 和微調哪個比較好？
兩者解決的問題不同，不是替代關係。
RAG 讓模型回答前先查資料，適合需要即時或私有資料的場景；
微調是進一步訓練模型本身，適合要改變模型行為或能力的需求。
想用 AI 做一個影片，為什麼每次生成的結果都不同？
因為生成過程帶有取樣機制（Sampling），模型從可能的輸出中選擇，不保證每次逐字相同。想用 AI 做一個影片， 但它每次生成的結果都不同， 那叫 Sampling， 俗稱抽卡， AI 模型生成答案時本來就帶隨機性。
MCP 和 API 有什麼不同？
API 是一個系統提供給其他程式呼叫功能或資料的介面，每套 API 的規格可能不同；
MCP 則是一套開放標準，讓 AI 應用能用較一致的方式發現並使用外部工具與資料。
簡單來說，API 像各家設備原本的接口，MCP 則像替 AI 整理出一套共通的連接方式。
