AI 新手一定要懂的 20 個基本術語
AI 新手常卡在名詞。這篇用工作現場聽得懂的方式，整理 Prompt、Token、上下文、幻覺、RAG、Agent、API、Workflow 等 20 個基本術語。
AI 新手一定要懂的 20 個基本術語
很多人開始學 AI 的時候，第一個卡住的地方不是工具。
是名詞。
你會看到一堆詞：
模型
Prompt
Token
上下文
幻覺
RAG
Agent
API
Workflow
每個字好像都看過。
但真的要用在工作裡，又不確定它到底代表什麼。
這篇不是要把 AI 術語講得很學術。
也不是要你背英文名詞。
而是用工作現場聽得懂的方式，整理幾個 AI 入門時一定會遇到的基本詞。
你先懂這些詞，後面學工具、寫 Prompt、做自動化、看教學，才不會一直卡在名詞上。
1. AI：人工智慧
AI 是 Artificial Intelligence，人工智慧。
但現在大家常講的 AI，多半是指可以幫你處理文字、圖片、聲音、影片、資料的生成式 AI。
在工作裡，你可以先把 AI 理解成：
一個可以根據你提供的任務與資料，協助產出、整理、改寫、分析內容的工具。
重點不是 AI 很神。
重點是你要知道：
人負責定義任務。
AI 負責協助處理。
人最後要檢查與判斷。
2. 生成式 AI
生成式 AI，就是可以「產生內容」的 AI。
它可以產生：
- 文章
- 摘要
- 表格
- 程式碼
- 圖片
- 腳本
- 課程大綱
- 企劃草稿
所以它跟傳統搜尋引擎不一樣。
搜尋引擎主要是幫你找資料。
生成式 AI 則是根據你給的上下文，產生一個新的回應。
這也是為什麼使用 AI 時，不能只問：
這是什麼？
你更應該交代：
我要你幫我做什麼？
這是給誰看的？
要用什麼格式輸出？
有哪些限制？
3. 模型
模型可以想成 AI 的大腦。
不同模型的能力不一樣。
有些比較擅長文字。
有些比較擅長圖片。
有些比較擅長寫程式。
有些比較擅長長文件整理。
所以不要只問：
哪個 AI 最強？
更實際的問法是：
我要完成的任務是什麼？
哪個模型比較適合這個任務？
工作現場不是比誰比較炫。
是看哪個工具能穩定完成交付。
4. Prompt：提示詞
Prompt 就是你給 AI 的指令。
但它不是咒語。
不是貼一串神奇句子，AI 就會自動變厲害。
比較好的理解是：
Prompt 是你交給 AI 的工作說明書。
一個好的 Prompt，通常會包含：
- 任務
- 背景
- 對象
- 資料
- 限制
- 輸出格式
例如：
# 任務
請幫我把這段文字整理成主管看得懂的摘要。
# 對象
公司部門主管。
# 限制
不要超過 300 字。
不要使用太多技術名詞。
# 輸出格式
請用 5 個條列重點輸出。
這比只說「幫我整理一下」穩很多。
5. Token
Token 是 AI 處理文字時的基本單位。
你不用把它想得太複雜。
簡單說：
AI 不是用「字數」在看內容，而是用 token 在計算它能讀多少、寫多少。
當你一次貼很多資料時，會消耗 token。
AI 回答很長，也會消耗 token。
所以如果資料太多，AI 可能會：
- 讀不完
- 忘記前面內容
- 抓錯重點
- 回答變得不穩
這就是為什麼我們要先整理資料，而不是全部丟進去。
6. 上下文
上下文就是 AI 在當下對話中可以參考的資訊。
包括：
- 你前面說過什麼
- 你貼過哪些資料
- 你給過哪些限制
- 目前任務進行到哪裡
如果上下文不清楚，AI 就只能猜。
例如你說：
幫我改得自然一點。
AI 會不知道：
給誰看？
要正式還是口語？
要社群貼文還是商務信件？
要短一點還是完整一點？
所以跟 AI 協作時，不要只給指令。
要給足上下文。
7. 幻覺
幻覺是指 AI 產生看起來合理，但其實不一定正確的內容。
它可能會：
- 編出不存在的資料
- 誤解原文
- 把不同資訊混在一起
- 用很肯定的語氣講錯事
這不是因為 AI 想騙你。
而是因為 AI 的工作方式是生成回應，不是保證查證完成。
所以在工作裡，只要涉及這些內容，就要特別小心：
- 法規
- 醫療
- 財務
- 數字
- 合約
- 客戶資料
- 最新消息
AI 可以協助整理。
但人要負責確認。
8. LLM：大型語言模型
LLM 是 Large Language Model，大型語言模型。
簡單說，就是很會處理語言的 AI 模型。
它可以幫你：
- 理解文字
- 摘要內容
- 改寫語氣
- 翻譯
- 產生草稿
- 整理表格
- 回答問題
現在很多聊天型 AI，背後都是 LLM。
你不需要一開始就懂模型訓練細節。
但你要知道，它擅長的是「語言與文字任務」。
9. 多模態
多模態是指 AI 不只處理文字。
它也可以處理：
- 圖片
- 聲音
- 影片
- 文件
- 畫面截圖
例如你可以上傳一張圖，請 AI 幫你分析畫面。
也可以給它一段錄音，請它整理重點。
在工作上，多模態很適合用在：
- 截圖說明
- 設計稿檢查
- 文件整理
- 會議紀錄
- 教學素材製作
但一樣要記得：
AI 能看懂，不代表它一定判斷正確。
重要內容還是要人工確認。
10. RAG
RAG 是 Retrieval-Augmented Generation。
中文常翻成「檢索增強生成」。
聽起來很硬。
你可以先這樣理解：
先從指定資料裡找相關內容，再讓 AI 根據這些資料回答。
例如公司有一堆 SOP、產品文件、FAQ。
你不希望 AI 亂猜。
就可以讓 AI 先查這些資料，再回答問題。
RAG 的重點不是讓 AI 變聰明。
而是讓 AI 回答時有資料依據。
11. Agent
Agent 常被翻成代理人或智能代理。
簡單說，Agent 是可以根據目標，自己規劃步驟、使用工具、完成任務的 AI 系統。
例如你只說：
幫我整理這個資料夾裡的文件，做成一份摘要。
Agent 可能會自己：
- 讀取資料夾
- 找出文件
- 分類內容
- 摘要重點
- 輸出結果
但這不代表 Agent 就可以完全放飛。
越是能操作工具的 AI，越需要明確權限、檢查點與紀錄。
12. Workflow：工作流程
Workflow 是工作流程。
這是快筆教育最重視的觀念。
AI 不是拿來單點炫技。
AI 要放回工作流程裡，才會真的產生價值。
例如寫一篇文章，不是只有「叫 AI 寫」。
完整流程可能是：
- 確認主題
- 設定讀者
- 建立大綱
- 產出初稿
- 人工修改
- 補 SEO / GEO
- 產生封面
- 發布
- 保存 ID
- 日後更新
AI 可以參與其中很多步驟。
但流程要先清楚。
13. API
API 可以想成系統跟系統之間溝通的接口。
如果一般人是用網頁操作 AI，那 API 就是讓程式或自動化流程去操作 AI 或網站功能。
例如：
- 上傳圖片
- 建立文章
- 更新文章
- 查詢資料
- 發布內容
API 很適合用在固定流程裡。
但 API 也代表它可能真的會改到線上資料。
所以權限、紀錄、驗證都很重要。
14. Fine-tuning：微調
Fine-tuning 是用特定資料去調整模型，讓它更適合某種任務。
但新手不用一開始就想微調。
很多時候，你真正需要的不是微調模型，而是：
- 把資料整理好
- 把 Prompt 寫清楚
- 把流程拆清楚
- 建立範例與規則
- 用 RAG 讓 AI 查指定資料
不要一開始就把問題想成模型問題。
很多工作現場的 AI 問題，其實是流程和資料沒有整理好。
15. Embedding：向量化
Embedding 可以理解成把文字轉成 AI 容易比較的數字表示。
它常用在搜尋與資料比對。
例如你問：
客戶退款流程怎麼走？
系統可以用 embedding 去找語意接近的文件。
不一定要完全一樣的關鍵字。
所以 embedding 很常出現在：
- 知識庫搜尋
- RAG
- 文件相似度比對
- 推薦系統
你不用一開始就會做 embedding。
但你要知道，它是讓 AI 找資料更像「看意思」，不是只看關鍵字。
16. Temperature
Temperature 是控制 AI 回答發散程度的參數。
你可以簡單理解成：
低 temperature：回答比較穩、比較保守
高 temperature：回答比較有變化、比較創意
如果你在做：
- SOP
- 摘要
- 規格整理
- 客服回覆
通常需要穩定一點。
如果你在做：
- 標題發想
- 活動命名
- 創意腳本
- 社群梗圖概念
可以讓它發散一點。
17. System Prompt
System Prompt 是比較上層的指令。
它通常用來設定 AI 的角色、規則、邊界與回應方式。
例如：
你是一位企業內訓講師。
請用繁體中文回答。
不要使用太多技術術語。
回答要包含實際操作步驟。
一般使用者不一定會直接看到 system prompt。
但如果你在設計 AI 助理或工作流程，它會很重要。
因為它決定 AI 的基本工作方式。
18. Tool Use：工具使用
Tool Use 是指 AI 不只回答文字，還可以使用工具。
例如：
- 讀檔案
- 查資料
- 呼叫 API
- 生成圖片
- 操作瀏覽器
- 執行程式
這會讓 AI 從「回答問題」變成「執行任務」。
但也因為它能做事，所以更需要規則。
例如：
什麼可以自動做？
什麼要先給人確認？
做完要怎麼驗證？
ID 要存在哪裡？
19. Automation：自動化
Automation 是自動化。
AI 可以參與自動化，但 AI 不等於自動化。
自動化重視的是：
- 流程固定
- 條件明確
- 輸入輸出穩定
- 可重複執行
- 有紀錄可追蹤
如果流程本身很混亂，把 AI 放進去只會讓混亂變快。
所以做自動化前，要先把流程整理清楚。
20. Human-in-the-loop：人在迴圈中
Human-in-the-loop 是指在 AI 流程中保留人的檢查與決策。
這在工作裡非常重要。
因為不是所有事情都適合全自動。
例如：
- 對外發布文章前要人看過
- 客戶資料更新前要確認
- 金額、合約、付款不能讓 AI 自己決定
- 品牌語氣要人工把關
AI 可以加速。
但責任還是在人。
結論：先懂術語，才知道 AI 在流程裡的位置
AI 術語不用一次背完。
但你至少要先知道這些詞在工作裡代表什麼。
因為你聽得懂名詞，才比較能判斷：
這件事是 Prompt 問題？
還是資料問題？
是模型不適合？
還是流程沒拆好？
需要 RAG？
需要 Agent？
還是只要先把輸入格式整理清楚？
學 AI 基礎，不是為了講一堆專有名詞。
而是為了讓你知道：
AI 可以放在哪裡。
人要負責什麼。
流程要怎麼設計。
結果要怎麼檢查。
這樣 AI 才不是一個新玩具。
而是可以放進工作流程裡的協作工具。