把吓人的术语拆开，很多只是普通动作换了个贵名字。
上个月我面了一个应届生。简历写得像科幻片的制作名单——
「大模型微调、RAG落地、多轮对话系统、Prompt工程。」
我看着挺高兴：这年头年轻人可以啊。
我随口问了句：「你做的RAG，具体是怎么把外部知识拿进来用的？」
他解释了三分钟。
三分钟里我一个字没听懂。不是他讲得太深——是他每句话里的单字我都认识，放一起我就不知道他在说什么了。向量库。语义检索。上下文拼接。我说你等等，我能不能用一句外行的话问你——这个RAG，它到底在干嘛？
他想了一会儿说：就是让模型在回答问题之前先去查一下资料。
对。就是查资料。考试前翻一下书。
那天面试完，我没觉得他不行——他底子其实是有的。但我坐在那儿想了很久：AI圈是不是已经发展出一套完整的话术体系了？明明一句话能说清楚的事，非要用五个你听不懂的词说出来。专业交流需要术语，但拿术语压普通人，就是另一回事了。
今天就当个翻译活干。
“字块”在AI圈叫Token
你去吃面，老板说按根算钱。你吃一碗面，他数了数，800根，一根一分钱。你觉得这老板有病，就不能按碗吗？
Token 的核心不是神秘，是把话切块后按块计费。
AI就是这么计费的。
你跟机器说了一句话，它不会整句吞进去。它先把这句话切成小碎块——“今天”、“天气”、“真好”——分成了三小块。每块就是一个小字块。你说多少、它回多少，全按块算钱。
翻译成大白话：按根算钱的面条。
不叫”按根算钱”叫”Token”——因为后者听起来像一张能写进报价单的词。一位做AI报价的朋友跟我说过，他试过用”按块计费”代替”Token计费”写报价单，客户第一反应就是”你这算法是不是贵了”。换成Token，没人问。
你说这东西坑不坑？
加减乘除叫了神经网络
这个名字太成功了。你一听”神经”两个字，大脑自动补画面：神经元、生物电信号、大脑切片泡在营养液里接了几根线到服务器。
神经网络听着像大脑，落到计算上是一层层数字变换。
真实情况：它对普通人来说，就是大量数字运算叠出来的。
给你一串数，乘上一堆权重，加上一堆偏置，再套个规则压住不让它跑飞。真正复杂的地方在规模、训练和调参——但它不是电子大脑。
我见过一种更准确但没人爱听的说法：“神经网络本质上就是一个可微分的函数逼近器。” 写了句最准确的解释，但也没人看得懂。为什么非得把话说成这个样？
答案很简单：改个名字就能问投资人要更多钱。你给投资人看一张写满四则运算的纸，他觉得你在糊弄他。你给投资人看一张画着神经元突触的图，他觉得你在改变世界。
“大”的意思就是大
我跟你打个赌。我让我妈猜”大模型”是什么意思，她一定说：模型很大呗。
大模型的大，先别想玄学，就是数据、参数、算力都大。
她是对的。
幼儿园小朋友都知道大的好。大房子、大蛋糕、大屏幕。大模型的大，数据多、参数多、烧的显卡多。把”大”从幼儿园级别的逻辑，包装成”多少亿参数、多少万亿字训练数据、Transformer 架构”——听起来像一项人类还没掌握的技术。
但它不就是大吗？
你问他们公司在干什么，他说”我们在推进大模型战略”。翻译一下就是：我们买了更多显卡，雇了更多人灌数据。不是说这件事不对——堆东西确实是这个阶段的路。但你不必把”买了更多显卡”说成”大模型战略”，然后让全国的董事长都以为这是什么高阶哲学问题。
考试翻书叫了RAG
这个要重点说。RAG现在几乎是每个AI方案里的标配，名字对外行很不友好。
你被人问了一个问题。你不知道答案。你怎么办？
RAG 的概念很朴素：不会就先翻资料，再回答。
翻一下百度，翻一下教材，看完再回答。
这不是人类每天都在干的事吗？
RAG干的事一模一样：AI遇到一个问题→它先到一个资料库里去搜→把搜到的资料和问题放一起→看完资料再回答。三步走完。
你在公司里听到的版本是： “RAG架构通过向量检索与大型语言模型结合，实现知识增强。” 翻译成人话：先查再看，少点胡说。
RAG在实现上确实有些技巧——怎么查得快、怎么查得准。但这些技巧解决的是”怎么翻书翻得快”，不是”翻书”这个概念本身。概念本来就是考试翻书，你把它叫”企业级知识增强架构”，然后新人进来第一天就开始恐惧。
调料叫了温度
这个最气人。
你打开一个AI产品，里面通常有个叫”温度”的滑块。拉低的时候AI回答保守，拉高的时候它开始放飞自我。技术文档告诉你：温度控制模型的对数几率分布的采样随机性。
温度不是玄学按钮，本质是在调回答的随机程度。
翻译：你做饭放盐。
放少了菜淡，放多了菜咸。低温度=今天让AI好好干活别整幺蛾子；高温度=让它多来点创意不要那么死板。就这么软的事，非要给一个硬词，搞得跟物理实验似的。
为什么叫温度？它在数学上是对概率分布做缩放的一个参数，借了物理里的命名。但你不用记这个。落到你手里的滑块，作用就一个：决定今天让AI稳一点，还是野一点。
你下次在界面上看到”温度0.7”——请直接理解为”不咸不淡，再来一碗”。
排位置叫了Embedding
最后一个最坑。因为中文里根本找不到一个靠谱的翻译。有人叫”嵌入”，有人叫”向量化”，有人叫”语义编码”——没一个正常人能听懂的。
本质特简单：你把词、句子或一段话变成一个坐标。
Embedding 就是在意义地图上给词和句子标位置。
想象一个宇宙，里面每个意思都有一个位置。意思接近的靠在一起。“苹果”和”香蕉”离得很近，“苹果”和”卡车”离得很远。你给AI输入”我想吃水果”，它就在这个宇宙里找到”水果”的坐标，然后去附近找”苹果""香蕉""葡萄”。那个宇宙的地图，就叫Embedding。
翻译成人话：用数字帮词排位置，让AI知道哪些东西是一类。
跟你在地图上标注”家的位置和公司的位置”是一回事，只不过它给每个词标了一个点。别把它想得太高级。
拆完这六个，你会发现AI圈那些吓人的词，拆开了特别老实。Token算量、神经网络算数、大模型量大管饱、RAG翻书再答、温度是咸淡、Embedding就是排坐标。
术语的本质是封装，不是骗人。 每一层封装都让使用变得更方便——你不需要知道你的手机芯片是怎么刻出来的才能打电话。但对刚入门的人来说，这层封装也是一堵墙。问题不在专业词，在它被拿来中断追问。
你叫它”氯化钠”，他就不敢往菜里放。
我不是说你要学会所有术语。我是说下次有人用术语砸你的时候，你知道怎么笑着问他一句——
“你说的这个，它到底在干什么？”
这句话，比背一百个术语管用。
【引用出处】
- Anthropic Claude Pricing：https://docs.anthropic.com/en/docs/about-claude/pricing —— 对应文中 Token / API 按 token 计费。
- OpenAI Vector embeddings：https://platform.openai.com/docs/guides/embeddings —— 对应文中 Embedding 是向量，距离表示相关性。
- Google Machine Learning Crash Course：https://developers.google.com/machine-learning/crash-course/neural-networks/activation-functions —— 对应文中神经网络的权重、偏置、激活函数。
- Hugging Face RAG docs：https://huggingface.co/docs/transformers/en/model_doc/rag —— 对应文中 RAG 的检索后生成流程。
- IBM What is RAG：https://www.ibm.com/think/topics/retrieval-augmented-generation —— 对应文中 RAG 连接外部知识库、检索并增强 prompt。
- IBM What is LLM Temperature：https://www.ibm.com/think/topics/llm-temperature —— 对应文中 temperature 控制输出随机性。
- Meta AI Llama 3.1：https://ai.meta.com/blog/meta-llama-3-1/ —— 对应文中大模型参数、训练数据和算力规模。