📰 AI News 專題報道
新手學 AI 一定要知道的 20 件事
AI 知識懶人包全解析｜從 LLM 到 AI Agent，一次搞懂 20 個核心名詞，建立完整 AI 知識框架
AI 知識懶人包全解析｜從 LLM 到 AI Agent，一次搞懂 20 個核心名詞，建立完整 AI 知識框架
泛科學院最新推出的 AI 入門課程「新手學 AI 一定要知道的 20 件事」，為 AI 初學者提供了一份完整的知識懶人包。影片涵蓋了從基礎概念到進階應用的 20 個核心 AI 名詞，包括 LLM、Prompt、Embedding、Token（詞元）、Context 等基礎概念，以及 RAG、CoT、AI Agent 等進階技術。這份懶人包旨在幫助新手快速建立 AI 知識框架，不再被專業術語嚇退。
這些是理解 AI 運作的基石，掌握後就能看懂大部分 AI 討論。
Large Language Model 的縮寫，是一種可理解、生成語言的大型神經網絡模型。像是 ChatGPT、Claude、Gemini 都屬於此類。LLM 通過大量文本數據訓練，能夠理解人類語言的語義、語法和上下文關係，並生成流暢自然的回應。
指我們給 AI 的輸入指令，用來引導它思考、回應或產出內容。好的 Prompt 設計能大幅提升 AI 輸出的品質。Prompt 工程（Prompt Engineering）已成為一門專門技術，研究如何設計有效的提示語來獲得理想的 AI 回應。
將文字轉換為數值向量的技術，讓 AI 能夠理解內容的語義關係。相似的概念在向量空間中會彼此靠近。Embedding 是現代 AI 理解語言的關鍵技術，讓機器能夠計算詞語之間的相似度，進行語義搜尋和推薦。
正確中文名稱為「詞元」，是 AI 處理文字的基本單位。AI 不是逐字處理，而是將文字切分成一個個詞元。英文可能是一個單字或字根，中文則可能是一個字或詞。Token 數量決定了 AI 的計算量和成本。
讓 AI 擁有記憶力的關鍵，決定 AI 能記住多少對話歷史。Context Window（上下文窗口）越大，AI 能處理的文本就越長。現代 LLM 的上下文窗口可達數萬至數十萬詞元，能夠處理整本書籍或長篇文件。
給 AI 不同數量範例的學習方式。Zero-shot 是不給範例直接提問；One-shot 是給一個範例；Few-shot 是給多個範例。範例越多，AI 通常能更好地理解任務要求，但也會消耗更多 Token。
提示語中的特殊符號黑魔法，用於結構化輸入。Markdown 是一種輕量級標記語言，Parser 則負責解析這些標記。在 Prompt 中使用 Markdown 可以幫助 AI 更好地理解內容結構，提升輸出品質。
掌握這些技術能讓你的 Prompt 更有效，大幅提升 AI 輸出品質。
結構化的提示語設計方法，常見的有CLEAR（Concise 簡潔、Logical 邏輯、Explicit 明確、Adaptive 適應、Reflective 反思）和PEAS（Performance 表現、Environment 環境、Actuators 執行器、Sensors 感測器）。這些框架幫助用戶系統化地設計有效的提示語。
三種讓 AI 獲得新知識的方法。RAG（Retrieval-Augmented Generation）通過檢索外部數據庫增強 AI 回答；CAG（Context-Augmented Generation）通過提供上下文增強；Fine-tune 則是重新訓練模型適應特定領域。RAG 適合需要最新數據的應用，Fine-tune 適合專業領域。
Context-Augmented Generation 的縮寫，通過在 Prompt 中提供相關上下文來增強 AI 的生成能力。與 RAG 不同，CAG 的上下文通常由用戶直接提供，而非自動檢索。這在處理特定任務或需要精確控制的場景中非常有用。
這些技術代表了 AI 應用的前沿，正在改變我們與 AI 互動的方式。
Chain-of-Thought 的縮寫，讓 AI 展示思考過程的技術。通過要求 AI「一步步思考」，可以大幅提升複雜推理任務的準確率。CoT 特別適合數學問題、邏輯推理等需要多步驟思考的任務。
Tree-of-Thought 的縮寫，CoT 的進階版本。讓 AI 同時探索多個思考路徑，然後選擇最佳方案。ToT 適合需要權衡多個可能性的複雜決策任務，如策略規劃、創意寫作等。
Reasoning Engine Enhanced 的縮寫，通過系統化的推理框架增強 AI 的邏輯能力。RE2 結合了 CoT 和 ToT 的優點，提供更結構化的推理流程。
Model Context Protocol 的縮寫，讓 AI 能夠連接外部工具和數據源的協議。MCP 使 AI 能夠讀取文件、查詢數據庫、調用 API，大幅擴展了 AI 的能力邊界。
Agent-to-Agent 的縮寫，指多個 AI Agent 之間的協作。A2A 讓不同的 AI 能夠分工合作，各自發揮專長，共同完成複雜任務。
讓 AI 能夠調用外部函數或 API 的技術。通過 Function Calling，AI 可以執行計算、查詢數據、發送郵件等實際操作，從純對話工具轉變為行動助手。
Robotic Process Automation 的縮寫，結合 AI 的自動化技術。常見工具包括Langchain（AI 應用開發框架）、n8n（工作流自動化）、Zapier（應用整合平台）。這些工具讓 AI 能夠自動化執行重複性任務。
能夠自主執行任務的 AI 系統。與傳統 AI 不同，Agent 能夠感知環境、制定計劃、執行行動並評估結果。AI Agent 代表了 AI 從被動回應到主動行動的轉變。
讓 AI 能夠操作電腦界面的技術。AI 可以看懂螢幕內容、移動滑鼠、點擊按鈕、輸入文字，真正實現「用電腦」的能力。MM1 是多模態模型的代表，能夠同時處理文字、圖像等多種輸入。
LLM Operating System 的縮寫，管理多個 AI 任務和資源的系統層。LLMOS 負責調度不同的 AI 模型、管理上下文、協調資源使用，是大型 AI 應用的基礎設施。
AI 安全性：確保 AI 系統不會造成傷害的技術和實踐，包括防止惡意使用、保護隱私、避免偏見等。
Alignment（對齊）：確保 AI 的行為符合人類價值觀和意圖。這是 AI 安全的核心議題，防止 AI「欺騙」或偏離目標。
模型評測：LMArena 是開放的 AI 模型競賽平台，讓用戶投票評比不同模型；TMMLU 是繁體中文的模型評測基準，專門評估模型在中文場景的能力。
AGI、ANI、ASI：ANI（人工狹義智慧）是當前 AI 的水平，擅長特定任務；AGI（人工一般智慧）是具有人類水平智慧的 AI；ASI（人工超級智慧）是超越人類的 AI，目前仍屬理論階段。
📌 學習建議：
• 初學者：先掌握基礎概念層的 7 個名詞，這是理解 AI 的基礎
• 進階使用者：學習提示語技術層，提升與 AI 溝通的效率
• 開發者：深入研究進階應用層，打造強大的 AI 應用
隨著 AI 技術的快速發展，掌握這些核心概念已成為數位素養的基本要求。泛科學院這份懶人包為初學者提供了清晰的學習路徑，幫助用戶從被動使用 AI 工具，進階到主動設計 AI 工作流程。
• AI Agent 普及化：越來越多的企業將採用 AI Agent 自動化工作流程
• RAG 成為標配：企業級 AI 應用將普遍採用 RAG 技術連接內部知識庫
• 多模態整合：文字、圖像、語音的整合應用將成為主流
• AI 安全性重視：隨著 AI 應用普及，安全性和對齊問題將受到更多關注
未來，AI 教育將更加注重實戰應用，讓學習者能夠將這些概念應用於實際工作和生活中。無論你是學生、職場人士還是企業決策者，建立清晰的 AI 基本概念，都是邁向數位素養與應用實踐的第一步。
這份 AI 知識懶人包涵蓋了從基礎到進階的 20 個核心概念，為新手提供了一條清晰的學習路徑。記住，學習 AI 不需要一次搞懂所有內容，而是應該循序漸進，從基礎概念開始，逐步深入到進階應用。
特別注意：Token 的正確中文名稱是「詞元」，而非「符元」或「令牌」。這是 AI 領域的標準譯名，在閱讀相關文獻時請使用正確名稱。
當你再次遇到這些 AI 術語時，希望這份懶人包能幫助你快速理解它們的含義和應用場景。AI 世界充滿無限可能，讓我們一起探索這個令人興奮的領域！