在学习 Vibe Coding 的过程中,你一定会遇到各种陌生的名词和术语。比如什么是 Token?什么 是上下文窗口?什么是RAG?这些概念听起来很高大上,但其实理解起来并不难。这篇文章就是你的AI 编程术语词典,我会用最通俗易懂的语言,把 Vibe Coding 中最常见、最重 要的概念讲清楚。墙裂建议收藏,遇到不懂的词就来查一查。AI 基础概念人工智能 (AI)人工智能(Artificial Intelligence)是让计算机模拟人类智能的技术。简单来说,就是让机器能像 人一样思考、学习和解决问题。在 Vibe Coding 中,AI 就是你的编程助手。你只管告诉它要做什么,它就会嘎嘎帮你做方案、写 代码、修 Bug。就像你有一个 24小时在线的程序员朋友,随时可以帮你干活。大语言模型 (LLM)大语言模型(Large Language Model) 是一种能够理解和生成人类语言的 AI 系统。ChatGPT、Cla ude、Gemini、DeepSeek 都是大语言模型。为什么叫“大”模型呢?因为这些模型的 参数量 非常庞大,动辄几十亿甚至上万亿个参数。参数 越多,模型通常越聪明,但也越消耗计算资源。你可以把大语言模型理解成一个读过海量书籍和代码的超级学霸,它见过无数的编程案例,所以 能帮你写代码、解释代码、修复 Bug.除了文本大语言模型之外,AI 领域还有专门处理图片的视觉模型(比如 Stable Diffusion)、处理 语音的音频模型(比如 Whisper)、以及能同时处理文字、图片、音频的多模态模型(如GPT-4 O、Gemini)。在 AI 编程时,我们主要和文本大语言模型打交道。Token (词元)Token 是 AI 模型处理文本的基本单位,中文叫做“词元”。你可以简单理解为“词块”,是大模型把 文字拆分后的最小单元。Token 是你必须掌握的核心概念,因为 AI 服务通常按照 Token 收费。你输入的文字和 AI 输出的 文字都会消耗 Token。 Token 用得越多,花的钱就越多。在英文中,一个 Token 大约是一个单词或单词的一部分。在中文中,一个汉字通常是1~2个Tok en。不同模型使用的分词器(Tokenizer)不同,所以同一段文字在不同模型中可能对应不同数量 的 Token值得一提的是,国产大模型(比如通义千问、DeepSeek)针对中文做了专门优化,1个 Token 大约可以表示 1.5~1.8个汉字,比早期的英文模型效率高不少。举个例子来帮助大家理解:● "Hello World" 大约是 2个Token● “你好世界”大约是4~6个Token提供一个推荐计算token的网址：AI Token 计算器 - DevTk.AIhttps://devtk.ai/zh/tools/token-counter/https://devtk.ai/zh/tools/token-counter/https://devtk.ai/zh/tools/token-counter/目前很多 AI 编程工具(比如 Cursor、Claude Code)都自带了Token 消耗量的实时统计和展示, 方便你随时掌握用量和成本。输入 Token 和输出 TokenAI 服务在计费时,一般会分别计算输入和输出的 Token。● 输入 Token:你发给 AI 的内容,比如提示词、代码、文件等● 输出 Token: Al 返回给你的内容,比如回答、生成的代码、工具调用指令等一般来说,输出 Token 比输入 Token 更贵。以 Claude Sonnet 4 为例,输入价格是3 美元/百万 T oken,输出价格是15 美元/百万 Token,贵了5倍。这是因为生成内容比理解内容更消耗算力。最简单的一个省 Token 小技巧是:用心编写简洁清晰的提示词,让 AI 一次就能理解你的需求,减 少反复对话。Token 缓存Token 缓存是一个能帮你省大钱的机制。简单来说,大模型在处理你的提示词时,需要做大量的 计算。如果你连续多次对话,很多内容(比如系统提示词、引用的代码文件)是重复的,每次都 重新计算就太浪费了。缓存机制会把这些中间计算结果保存下来,下次遇到相同的前缀内容就直 接复用,不仅更快,还更便宜。缓存相关的 Token 分为两种:● 缓存写入 Token: AI 第一次处理你的上下文时,会把计算结果存起来,比普通输入略贵一点● 缓存读取 Token:后续再用相同的上下文时,直接复用缓存,价格甚至可以低到普通输入的 1/10,非常便宜所以在对话时,尽量保持上下文稳定,比如引用的文件、规则文件不要频繁改动,这样能持续享 受缓存优惠。有时候你会发现连续对话比开新对话更省钱,就是因为缓存在起作用。模型参数参数是模型在训练过程中学到的“知识点”,用数字的形式存储在模型中。举个好理解的例子,模型在训练时读到了大量“天空是蓝色的”这类内容,它就会在参数中记住 “天空”和“蓝色”之间的关联关系。参数越多,模型能记住的知识和关联就越丰富。参数量直接影响模型的能力和使用成本。参数越多,模型越聪明,但运行时消耗的算力(GPU 计 算资源)也越多,所以价格也越贵。目前主流大模型中,明确公开参数量的有:● DeepSeek-V4-Pro: 1.6 万亿参数(采用MoE 混合专家架构,实际激活 490亿)● DeepSeek-V4-Flash: 2840 亿参数(激活 130亿)● Qwen3.8-Max: 2.4 万亿参数(通义千问最新旗舰模型,同样是MoE 架构,实际激活 950 亿,只占总参数的4% 左右)● Llama 4 Scout: 1090 亿参数 (Meta 开源模型,激活 170亿)值得一提的是,即使是同一系列的大模型,厂商也会提供不同参数量的版本供你选择。模型训练和推理训练(Training)是让 AI 模型从大量数据中学习知识的过程。这个过程需要海量的计算资源和时 间,一般由AI公司完成。绝大多数情况下,你不需要自己训练模型,直接用训练好的成品就行。推理(Inference)是模型训练完成、具备了知识之后,用学到的知识来回答问题、生成内容的过 程。我们日常使用 AI 工具,比如和 ChatGPT 对话、让 Cursor 写代码