AI 概念百科
MCP、RAG、Agent、Vibe Coding……AI 时代的核心概念通俗解释,程序员理解 AI 的知识库。
Agentic Coding（智能体编程）
AI 不再只补全下一行，而是'拥有问题'：自主规划、改文件、跑测试、提交 commit，开发者退到'提需求 + 审结果'。2026 年从补全/对话走向自主 Agent 的范式迁移。
VLA 模型（视觉-语言-动作）
Vision-Language-Action 模型：把'看（视觉）''懂（语言）''做（动作）'端到端统一到一个模型里，是具身智能的核心技术路线，被誉为'机器人的 ChatGPT 时刻'。
Context Engineering（上下文工程）
通过精心设计 prompt 上下文（系统提示、示例、检索结果、工具定义）来最大化 LLM 表现的工程方法论。
Fine-tuning vs RAG
两种让大模型适应特定场景的方法对比：Fine-tuning 修改模型权重，RAG 引入外部知识。大多数场景应该用 RAG。
LoRA（低秩适配）
Low-Rank Adaptation，一种高效微调方法：冻结原模型权重，只训练一个很小的低秩矩阵，大幅降低微调成本。
Prompt Engineering（提示词工程）
通过精心设计提示词来引导 LLM 生成高质量输出的技术，包括 few-shot、CoT、角色设定、结构化输出等方法。
Vibe Coding
用自然语言与 AI 对话式编程，开发者描述意图、AI 写代码，像指挥一个全栈工程师干活。
具身智能
让 AI 拥有身体、在物理世界里感知-决策-行动的技术范式：大模型'大脑' + 运控'小脑' + 机器人本体，是 AI 从数字世界走向物理世界的载体。
机器人基础模型
在海量多本体机器人数据上预训练、可零样本泛化到新任务/新硬件的通用模型，是具身智能从'专用 demo'走向'通用部署'的关键。
Context Rot（上下文腐烂）
随着输入 token 增多，LLM 输出质量会持续下降——即便远没到上下文窗口上限。Chroma 实测 18 个前沿模型无一幸免。对编码 agent 而言，这是首要失败模式，比模型能力更关键。
AI Agent（智能体）
能自主感知环境、规划任务、调用工具、持续迭代的 AI 系统，从聊天机器人进化到能干活的数字员工。
Embedding（向量嵌入）
把文本、图片等数据转成高维向量，让机器能通过向量距离衡量语义相似度——RAG、搜索、推荐的基础。
Function Calling（函数调用）
让大模型根据用户意图自动选择并调用外部函数/API 的能力。是 AI Agent 的基础能力，让模型从对话进化到行动。
Hallucination（幻觉）
大模型生成看似合理但事实上错误或虚构的内容。幻觉是 LLM 最大的可靠性挑战，无法完全消除，但可以通过多种方法缓解。
Temperature 与 Top-P（采样参数）
控制 LLM 输出随机性的两个核心参数：Temperature 调节概率分布的平坦度，Top-P 限制候选词范围。
Token（令牌）
大模型处理文本的最小单位。一个 Token 约等于 0.75 个英文单词或 1-2 个汉字。Token 数量决定 API 费用和上下文窗口占用。
ACP (Agent Client Protocol)
Zed 提出的开放协议，标准化代码编辑器与 AI 编码 agent 之间的通信。用 JSON-RPC 2.0 跑在 stdio 上，让任何 ACP agent 能在任何 ACP 编辑器里用——相当于 AI agent 版的 LSP。
AGENTS.md
给 AI 编码 agent 看的项目说明文件：用一个放在仓库根目录的 Markdown 文件，告诉 agent 怎么装依赖、怎么跑测试、有哪些约定。被 6 万+ 项目采用，已成跨工具事实标准。
A2A (Agent-to-Agent Protocol)
Google 提出的 Agent 间通信协议，让不同平台、不同框架的 AI Agent 能互相发现、协商、协作。
MCP (Model Context Protocol)
Anthropic 推出的开放协议，让 AI 模型标准化地连接外部工具、数据源和 API，类似于 AI 的 USB-C 接口。