术语表（Glossary）
AI Coding 领域的核心术语速查。按主题分类，可作为阅读本指南时的"字典"。
使用方式：遇到陌生术语时按 Ctrl/ + F 搜索，或按主题分类浏览。
快速跳转
AI / 模型术语
LLM（Large Language Model）
大语言模型。参数量通常在数十亿到数万亿之间，通过海量文本预训练，能够理解和生成自然语言。
GPT（Generative Pre-trained Transformer）
OpenAI 的大语言模型系列，基于 Transformer 架构，采用生成式预训练范式。
Claude
Anthropic 公司的大语言模型系列，主打长上下文、推理能力和安全性。
Gemini
Google DeepMind 的大语言模型系列，强项是多模态（文本、图像、视频、音频）和超长上下文。
Token
模型处理文本的最小单位。英文约 0.75 单词 = 1 token，中文约 1 字符 ≈ 1-2 tokens。模型按 Token 计费。
上下文窗口（Context Window）
模型单次能"看到"的最大 Token 数。如 Claude Opus 4.6 支持 1M tokens（约 50 万中文字）。
System Prompt
系统提示词。开发者预设给模型的"角色设定"，通常包括行为规范、输出格式、约束条件等。
User Prompt
用户提示词。实际对话中用户输入的内容。
Temperature
控制模型输出随机性的参数。0 = 完全确定性（适合代码），1 = 创造性（适合创意写作），0.7 是常用折中值。
Top-P / Top-K
采样策略。Top-K 只从前 K 个最可能的 token 中选，Top-P 从累积概率达 P 的最小集合中选。调低这些值会让输出更稳定。
MoE（Mixture of Experts）
混合专家模型。模型分成多个"专家"子网络，每次推理只激活部分专家。优点是参数多但推理便宜（如 GLM-5 744B 参数只激活一部分）。
预训练（Pre-training）
在大规模无标注语料上训练模型，让模型掌握语言、世界知识、推理能力。成本极高。
微调（Fine-tuning）
在预训练模型上，用特定任务的小规模数据继续训练，让模型更擅长某类任务。如编程微调、对话微调。
RLHF（Reinforcement Learning from Human Feedback）
基于人类反馈的强化学习。通过人类对模型输出的偏好打分，训练奖励模型，再用强化学习优化 LLM。Claude / GPT 都用了。
推理（Inference / Reasoning）
模型根据输入生成输出的过程。与"训练"相对。
CoT（Chain of Thought）
思维链。一种 Prompt 技巧，让模型"一步一步思考"再给答案，显著提升复杂推理能力。
Function Calling / Tool Use
让模型能够"调用外部工具"的能力。模型生成结构化参数，由开发者执行实际函数。Agent 的基础。
MCP（Model Context Protocol）
Anthropic 主导提出的"模型上下文协议"，标准化模型与工具/数据源的交互方式。
多模态（Multimodal）
模型能同时处理多种模态（文本、图像、音频、视频）。Gemini 3.1 Pro、Kimi K2.5 支持原生多模态。
SWE-bench
评估模型软件工程能力的基准测试。给定真实 GitHub issue，让模型生成 patch 解决。业界最权威的编码能力评测。
WebDev Arena
评估模型前端代码生成能力的基准。给定 UI 设计需求，模型生成完整代码，由人类盲评。Gemini 3 系列在此排名第一。
工具 / 平台术语
IDE（Integrated Development Environment）
集成开发环境。如 VS Code、WebStorm、IntelliJ IDEA。
AI Coding 工具
集成了 AI 能力的开发工具。代表：
- IDE 类：Cursor、Trae Solo
- 终端 Agent：Claude Code、OpenCode、CodeX
- 插件类：GitHub Copilot、Continue
Cursor
基于 VS Code 的 AI-first IDE，深度集成 GPT/Claude/Gemini，特色是 Composer 2.5（多文件编辑 Agent）。
Trae Solo
字节跳动推出的 AI-first IDE，中文优化，接入豆包/DeepSeek/Kimi/GLM/Qwen 等国产模型为主。
Claude Code
Anthropic 推出的终端 AI Coding Agent，强调 Agent 能力和长任务处理。
OpenCode
开源的终端 AI Coding 工具，支持任意 OpenAI 兼容 API，主打本地化与合规。
CodeX
OpenAI 推出的终端 AI Coding Agent，深度集成 GPT 系列和 o-series 推理模型。
Tab 补全
光标处的内联补全，类似 Copilot 的传统功能。响应快、改动小。
Composer
Cursor 的多文件编辑 Agent，能理解整个项目并一次性改多个文件。Composer 2.5 是当前版本。
Agent Teams
Claude Code 的并发子代理能力。一个 Agent 任务可拆给多个子 Agent 并行处理。
MCP Server
实现 MCP 协议的服务器，为 AI 提供工具或数据访问能力。
Skills
Claude Code 中"可复用的能力包"，包含 Prompt、工具、配置。
Slash Command
斜杠命令。如 /review、/test，触发预设的 AI 工作流。
Worktree
Git 的工作树功能。在一个仓库里同时有多个分支的独立工作目录，让 AI 在隔离环境改代码，避免污染主分支。
.cursorignore / .claudeignore
工具专用的"忽略文件"配置，告诉 AI 哪些文件不要索引/不要读。
MCP（见上文 AI 术语）
编码模式术语
Vibe Coding
探索性编码模式。快速试错，时间盒 30 分钟内。适合技术选型、原型验证。
Plan Coding
计划式编码模式。先写计划再实施，1-2 天完成单功能。适合常规业务开发。
Spec Coding
规格式编码模式。先写完整规格（需求/设计/任务），多人协作 1-2 周。适合关键模块、长期维护。
时间盒（Time Box）
为任务设定固定时长，到点就停。Vibe Coding 的核心实践，避免"再调一下"陷阱。
渐进式交付
Vibe → Plan → Spec 渐进深化的工作流。先用 Vibe 验证方向，再用 Plan 落地，最后用 Spec 完善。
一句话需求
用一句话说清楚"做什么"，是 Vibe Coding 的标准输入。
Spec / 规格
完整描述需求的文档。包括目标、范围、接口、验收标准、风险等。
决策树
一种可视化决策工具。从根节点出发，每个分支对应一个判断，最终到达行动建议。
占位代码 / Stub
只保留接口、留 TODO 的"骨架代码"，用于在规格阶段明确模块边界。
Prompt / 上下文术语
Prompt
提示词。发给模型的输入。
Prompt Engineering
Prompt 工程。系统化设计 Prompt，让模型输出更稳定、更高质量。
Zero-shot
零样本。直接问模型，不给任何例子。
Few-shot
少样本。给模型几个例子，让它"照着做"。
System Prompt（见 AI 术语）
CoT（见 AI 术语）
ReAct
Reasoning + Acting。让模型交替"思考"和"行动"，是 Agent 的基础范式。
Reflection
让模型对自己的输出"自评"或"重写"，提高质量。
agents.md
项目级的 AI 约束文件。包含项目规范、编码约定、AI 应做/不应做的事。类似 AI 版的"项目宪法"。
CLAUDE.md
Anthropic 生态的 agents.md 命名约定。Cursor 也支持（.cursorrules 旧名）。
.cursorrules
Cursor 的项目级 AI 配置（旧版）。新版用 .cursor/rules/*.mdc。
Cursor Rules
Cursor 的项目级 AI 配置（新版），支持分文件按规则匹配。
Token Economy
Token 经济学。优化 Token 用量就是在省钱。
Prompt Caching
缓存机制。重复的 Prompt 不重复计算/计费。Claude 缓存输入 $0.30/M，是标准价的 1/10。
Context Pollution
上下文污染。把无关信息塞进上下文，让模型注意力分散、输出质量下降。
Structured Output
结构化输出。让模型按 JSON Schema 等固定格式返回，便于程序化处理。
Schema First
先定义数据结构（schema），再让模型按 schema 生成。接口契约先行的 AI 版本。
Multi-Agent
多 Agent。让多个 AI Agent 协作完成复杂任务，每个 Agent 负责一个角色。
Role Prompting
给模型指定角色。如"你是一个资深前端工程师"，影响输出风格。
架构 / 工程术语
模块化（Modularization）
把代码拆成独立、可替换的模块。AI Coding 最重要的架构原则。
特性文件夹（Feature Folder）
按"特性"组织代码，而非按"类型"。features/user/ 包含 user 的所有相关文件（组件、hooks、API、类型）。
分层架构（Layered Architecture）
将代码分成清晰层次（如 UI / 业务 / 数据访问），层与层之间通过接口交互。
单向数据流（Unidirectional Data Flow）
数据流向是单向的（State → View → Action → State），便于追踪和调试。React、Redux 都遵循。
状态管理（State Management）
管理应用状态。常用方案：React State、Context、Zustand、Redux、Recoil、Jotai。
接口契约（Interface Contract）
模块之间通过明确的"接口"交互，实现细节互相隐藏。TypeScript 的 type/interface 是契约的工具。
契约先行（Contract-First）
先定义接口契约，再写实现。AI Coding 友好的最佳实践。
错误处理架构
系统化处理错误的模式。包括错误类型设计、降级策略、用户提示。
关注点分离（Separation of Concerns）
每个模块只负责一件事。与模块化密切相关。
高内聚低耦合
模块内关系紧密（高内聚），模块间关系松散（低耦合）。
依赖注入（Dependency Injection）
将依赖的创建和使用分离。便于测试和替换。
依赖倒置（DIP）
依赖抽象，不依赖具体实现。
关注点分层（Layered Concerns）
UI 层、业务层、数据层的清晰分离。
技术债（Technical Debt）
为了短期速度欠下的"代码债"，需要后续"还债"（重构、优化）。AI Coding 容易快速产生技术债。
质量 / 安全术语
零信任原则（Zero Trust）
不信任任何代码（包括 AI 写的）能直接上线。所有改动必须经过 Review。
Code Review
代码审查。开发者互相检查代码，发现 Bug、安全问题、可改进点。
PR / Pull Request
合并请求。把分支合并到主干前，请求他人 Review。
单元测试（Unit Test）
测试最小单元（函数、组件）。AI 写测试主要做这种。
集成测试（Integration Test）
测试模块间协作。需要根据真实业务断言。
E2E 测试（End-to-End Test）
模拟真实用户行为，测试完整流程。最贴近生产，最贵。
TDD（Test-Driven Development）
测试驱动开发。先写测试，再写实现，让测试通过。
BDD（Behavior-Driven Development）
行为驱动开发。用自然语言描述期望行为，再写测试。
测试覆盖率（Test Coverage）
被测试覆盖的代码比例。80%+ 是行业常见目标。
Lint / Linter
静态代码分析工具。发现代码风格、潜在错误。ESLint、Prettier。
Type Check
类型检查。TypeScript 的核心优势。AI 写的代码必须过 typecheck。
CI / CD
持续集成 / 持续部署。自动跑测试、构建、部署。
Secrets 管理
管理 API key、密码、token 等敏感信息。绝不能写进代码。
.env / 环境变量
存放敏感配置的本地文件（不提交到 git）。部署时通过环境变量注入。
Prompt Injection
提示词注入攻击。通过精心构造的输入让 AI 执行未授权操作。
PII（Personally Identifiable Information）
个人身份信息。如姓名、身份证号、邮箱。绝不能发给公网 AI。
Secret Scanning
代码库自动扫描 secrets。GitHub 内置此功能。
SBOM（Software Bill of Materials）
软件物料清单。列出所有依赖及其版本，用于安全审计。
CVE（Common Vulnerabilities and Exposures）
公开漏洞编号。每个已知漏洞都有 CVE 编号。
SCA（Software Composition Analysis）
软件成分分析。扫描依赖中的已知漏洞。
度量 / 评估术语
KPI（Key Performance Indicator）
关键绩效指标。
OKR（Objectives and Key Results）
目标与关键结果。目标管理方法。
首问准确率（First-try Accuracy）
AI 第一次回答就"对"的比例。是 AI Coding 体验的核心指标。
返工率（Rework Rate）
需要返工的任务占总任务的比例。
一次通过率（Pass Rate）
代码/测试一次通过的比例。
代码评审时长（PR Review Time）
从提交 PR 到合并的平均时间。
ROI（Return on Investment）
投资回报率。AI Coding 衡量投入产出比的核心指标。
工具使用率（Adoption Rate）
团队中使用 AI 工具的比例。
满意度（NPS / CSAT）
净推荐值 / 客户满意度。通常用 5 星评分。
Token 消耗趋势
随时间变化的 Token 使用量。用于判断成本趋势。
经验估算
基于实践的参考值，非权威数据。本指南中所有标注"经验估算"的数据都属于这一类。
Anti-pattern
反模式。常见但错误的做法。
Code Smell
代码异味。"看起来不太对"的代码特征。
成本 / 商业术语
输入价格 / 输出价格
LLM 按 Token 收费，分输入（你发给模型的）和输出（模型返回的）。输出通常比输入贵 3-5 倍。
缓存价格
Prompt Caching 的命中价格。通常比标准输入便宜 90%。
批量折扣（Batch API）
异步批量调用的折扣。Anthropic / OpenAI 都提供。
模型分层
按任务复杂度使用不同价位的模型。80% 便宜 + 15% 主力 + 5% 顶级是经验最优解。
Subscription / 订阅
按月/按年付费的订阅制（如 Cursor Pro $20/月、Claude Code $20/月）。
Pay-as-you-go
按量付费。如 OpenAI API、Anthropic API。
跨厂商备份
同时使用多个 AI 厂商，避免单点故障（账号封禁、API 故障）。
冷启动（Cold Start）
首次调用模型的额外延迟。本地模型常见问题。
TPM / RPM
Tokens Per Minute / Requests Per Minute。API 限流指标。
常见缩写速查
| 缩写 | 全称 | 中文 |
|---|---|---|
| LLM | Large Language Model | 大语言模型 |
| CoT | Chain of Thought | 思维链 |
| MoE | Mixture of Experts | 混合专家 |
| RLHF | RL from Human Feedback | 人类反馈强化学习 |
| MCP | Model Context Protocol | 模型上下文协议 |
| IDE | Integrated Development Environment | 集成开发环境 |
| TDD | Test-Driven Development | 测试驱动开发 |
| BDD | Behavior-Driven Development | 行为驱动开发 |
| PR | Pull Request | 合并请求 |
| CI | Continuous Integration | 持续集成 |
| CD | Continuous Deployment | 持续部署 |
| SCA | Software Composition Analysis | 软件成分分析 |
| SBOM | Software Bill of Materials | 软件物料清单 |
| CVE | Common Vulnerabilities and Exposures | 公开漏洞 |
| PII | Personally Identifiable Information | 个人身份信息 |
| ROI | Return on Investment | 投资回报率 |
| KPI | Key Performance Indicator | 关键绩效指标 |
| OKR | Objectives and Key Results | 目标与关键结果 |
| TPS | Transactions Per Second | 每秒事务数 |
| TPM | Tokens Per Minute | 每分钟 Token 数 |
| RPM | Requests Per Minute | 每分钟请求数 |
术语表元信息
- 整理时间：2026-08
- 词条数量：100+ 核心术语
- 更新频率：随领域演进持续更新
- 使用建议：Ctrl/ + F 搜索，或按主题浏览
术语是沟通的基础。在团队里统一术语，能极大减少沟通成本。