AI Study Online
AI基础

AI核心术语与实用工作流程：初学者完整指南

5 min read

如果你刚开始接触 AI，可能会被无穷无尽的术语搞晕：Token、上下文窗口、提示词、RAG、MCP、Agent、工作流……这些不是随意的行话。它们记录了 AI 完整的演进路径：从一个简单的聊天机器人，到能处理实际工作的强大系统。

本文用通俗的语言解释每个概念，搭配实际操作、命令和代码示例，帮助零基础的 AI 学习者一步步理解这些术语的逻辑、功能和使用场景。所有操作都可以直接应用到 Claude Code、Codex 等主流 AI 工具中。

1. Token 与上下文窗口：AI 一次能"读"多少内容？

基本定义

AI 不能像人类一样读文本。它会将所有输入内容拆分成小的基本单位，称为 Token。一个中文词组或一个英文单词可能被拆成多个 Token。

上下文窗口指的是 AI 模型在单次会话中能处理和记忆的最大 Token 数。它决定了三个核心点：

  1. AI 一次能看到的总体内容量
  2. 每次 AI 调用的成本（大部分平台按 Token 计费）
  3. 为什么 AI 会"忘记"早期的对话内容

当你的对话、文件、提示词和工具输出超过上下文窗口限制时，最早的内容会被自动截断。

实际检测操作

我们可以通过 Claude Code CLI 查看 Token 用量和上下文窗口状态。

# Check current session token usage and remaining context window
/cli token stats

初学者使用技巧

  • 不要把所有文件和对话历史都塞进一个会话。把长内容分成多个部分处理。
  • 对于 8k Token 限制的模型，保持总内容在 7k 以内，避免被截断。
  • 长对话可以使用内置压缩功能来节省上下文空间。

2. 提示词与提示工程：让 AI 清晰理解你的任务

基本定义

提示词是你发给 AI 的指令。提示工程是编写标准化、清晰指令的技能，就像给 AI 写一份详细的工作说明书。

模糊的提示词只会得到空洞无用的输出。标准提示词定义了 AI 的角色、任务、背景、输出格式和验收标准。

实用对比与标准模板

❌ 糟糕的模糊提示词

Write a work plan for me.

✅ 初学者标准提示（可直接复制使用）

You are a professional project manager. Write a 1-week AI learning work plan for absolute beginners.
Requirements:
1. Divide tasks by day;
2. Match simple practice cases for each task;
3. Output in table format;
4. Avoid complex professional terms.

AI 工具中的常用命令

# Load fixed prompt rules for the current project (take Claude Code as an example)
/prompt load ./basic-rule.md

3. RAG（检索增强生成）：让 AI 查询外部资料

基本定义

纯提示词的一个重大缺陷：AI 只能依赖它的训练数据。对于不熟悉的内部文档、新材料或私人文件，AI 会编造答案（这就是 AI 幻觉）。

RAG 解决了这个问题。它的核心逻辑是：先从知识库中检索相关信息，然后基于检索到的内容生成答案。

RAG 还涉及相关概念：

  • Embedding（嵌入）：将文本转换为数字向量，用于语义匹配
  • 向量数据库：存储海量向量数据，快速搜索相似内容
  • Agentic RAG：高级 RAG，能够主动拆分问题、补充资料和验证冲突信息

RAG 实际部署步骤（针对本地文件）

  1. 准备你的文档（如 employee-manual.md），放入项目文件夹
  2. 运行命令构建本地知识库并启用 RAG
# Import local documents into RAG knowledge base (Claude Code)
/rag add ./employee-manual.md
# Enable automatic retrieval mode
/rag enable auto
  1. 提问题测试效果
According to the employee manual, how many working days in advance should I apply for annual leave?

AI 会先检索文档内容，然后给出准确答案，而不是猜测。

4. 工具调用：让 AI 从回答问题到执行操作

基本定义

RAG 给了 AI"查资料"的能力，而工具调用（Function Calling）给了 AI"操作工具"的能力。AI 不再局限于文字生成，可以调用第三方工具完成实际操作。

常见的适用工具：日历、代码运行器、订单系统、浏览器工具、数据库等。

工具调用的简易 Python 演示

以下案例实现 AI 调用时间查询工具：

# Define a simple time query tool
import datetime

def get_current_time():
    return datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")

# AI triggers tool calling according to instructions
user_input = "Tell me the current system time"
if "time" in user_input:
    result = get_current_time()
    print(f"Current time: {result}")

AI Agent 中的工具调用命令

# Call the built-in code running tool to execute the above script
/tool run python ./time-tool.py

5. MCP（模型上下文协议）：AI 连接外部工具的统一标准

基本定义

当工具越来越多时，每个工具都需要独立的接口，导致开发和维护成本高昂。

MCP 是 AI 与外部工具的统一连接协议，相当于"AI 世界的 USB-C 接口"。它统一了所有工具的接入规则，包括参数传输、权限管理、结果返回和安全控制。

MCP 实际安装与连接

以连接网页搜索 MCP 服务为例：

npm install -g @brave-search-mcp-server
claude mcp add brave-search --api-key YOUR_API_KEY

配置完成后，你只需发送自然语言指令，AI 就会自动调用 MCP 工具完成搜索。

6. 上下文工程与上下文引擎：管理 AI 看到的信息

基本定义

提示工程关注单条指令，而上下文工程关注整体信息流。它合理地为 AI 搭配对话历史、用户数据、文档内容和工具结果。

核心原则：不要发送过多信息干扰 AI，也不要发送过少信息导致误判——提供恰好需要的内容。

上下文引擎是上下文工程的自动化系统。它能自动过滤敏感内容、压缩长文本和排序关键信息。

实际配置文件示例

在项目文件夹中创建 context-config.json，限制上下文规则：

{
  "keep_recent_dialogue": 5,
  "compress_long_text": true,
  "filter_sensitive_data": true,
  "max_token_per_request": 6000
}

在 AI 工具中加载配置文件：

/context load ./context-config.json

7. Skill（技能）：复用成熟工作流，避免重复教学

基本定义

Skill 是可复用的固化工作流。提示词是一次性指令，而 Skill 是长期使用的标准操作流程（SOP）。

对于写周报、整理代码、处理表单等重复性工作，你可以将整个流程固化为一个 Skill。下次直接调用即可。

创建与调用自定义 Skill

1. 创建一个名为"AI 周报生成"的新 Skill

Create a new skill named weekly-report. The requirements: sort this week's work content,
extract core achievements, list pending problems and next week's plan, and use formal workplace tone.

2. 一键调用已有的 Skill

Use weekly-report to generate my work weekly report.

8. Computer Use：让 AI 像人一样操作电脑

基本定义

工具调用是调用 API 接口，而Computer Use是让 AI 直接操作电脑：识别屏幕、控制鼠标和键盘，完成页面点击、表单填写、文件上传等人工操作。

它适用于没有开放 API 的老系统和网页，如内部审批系统、旧版后台管理页面等。

实际操作（结合 Playwright CLI）

# Start headed browser for manual simulation operations
playwright-cli open https://your-work-system.com --headed --persistent
# Automatically click the login button
playwright-cli click "text=Login"
# Automatically fill account and password
playwright-cli fill "input[name=username]" "test-user"
playwright-cli fill "input[name=password]" "test-123456"

9. Agent：AI 自动拆分任务并循环执行

基本定义

Agent 是自主 AI 执行体。与单轮对话和单一工具调用不同，Agent 遵循循环逻辑：制定计划 → 执行动作 → 观察结果 → 调整步骤。

给定一个总体目标，Agent 会将复杂任务拆分为多个子任务，自主选择工具并逐轮解决问题。广泛应用于代码开发、项目调试和数据分析。

Agent 核心启动命令（Claude Code）

# Set the overall goal and start automatic cycle execution
/goal Debug the project startup error, check logs and configuration files, fix bugs and ensure the project runs normally. Stop after 15 iterations.
# Enable automatic mode to reduce manual confirmation
/auto on

10. Harness 工程：让 Agent 安全可控地运行

基本定义

强大的 Agent 也有风险：误删文件、修改生产代码、泄露数据等。Harness 工程是 Agent 的安全控制系统，相当于安全带的刹车。

它包含权限控制、沙箱运行、日志追踪、人工审批、回滚机制和成本控制。

简易沙箱限制配置

创建 harness-rule.md 限制 Agent 权限：

# Agent Safety Rules
1. Only allow operating files in the ./test folder;
2. Prohibit deleting any files;
3. All code modifications must be reviewed manually before submission;
4. Automatically stop when token consumption exceeds 10000 per hour.

加载规则文件：

/harness load ./harness-rule.md

11. 工作流与工作空间 Agent：接入正式业务流程

11.1 工作流

工作流将 AI、数据库、消息通知、人工审批和定时任务连接成完整的业务流程。它负责安排每一步的执行顺序，适用于客户咨询、订单处理和报表统计等长链路业务。

11.2 工作空间 Agent

  • 普通 Agent：相当于临时工，完成单一任务
  • 工作空间 Agent：相当于长期在岗的助理。它始终存在于团队工作空间中，掌握团队文档、人员分工、历史工作和权限规则。能自动关联长期上下文完成工作。

简单工作流命令示例

# Start the customer consultation process workflow
/workflow start customer-service-flow
# View the running status of the workflow
/workflow status

完整演进逻辑与入门学习建议

AI 演进主线

聊天机器人（提示词）→ 查询外部知识（RAG）→ 执行动作（工具调用 + MCP）→ 复用工作流（Skill）→ 模拟人工操作（Computer Use）→ 自主执行任务（Agent）→ 安全上线（Harness）→ 接入业务场景（工作流 + 工作空间 Agent）

零基础学习步骤

  1. 先掌握 Token 和上下文窗口，控制使用成本和内容量
  2. 练习提示词编写，提高 AI 基础输出质量
  3. 学习 RAG，解决私密文档查询问题
  4. 尝试工具调用和 MCP，实现简单的自动化操作
  5. 将重复操作固化为Skill，提升效率
  6. 逐步学习 Agent、Harness 和工作流，构建复杂 AI 系统

以上所有命令和代码片段都可以直接应用到 Claude Code、Codex 等主流 AI 工具中。从简单案例开始，一步步实践，就能轻松掌握主流 AI 技术。

下一篇： 继续阅读 →

分享这篇文章

相关文章