核心术语卡：模型与对话

一词一卡：一句话定义 + 前端类比 + 最常见误区。全部过一遍 ≈ 6 分钟。

🃏 LLM（大语言模型）

• 是什么：读过几乎整个互联网文本的「续写机器」，给一段话，它接着写
• 前端类比：一个超巨大的纯函数 f(prompt) → text，没有状态、没有副作用
• 误区：它不是数据库（不保证事实），不是计算器（算不准账），不是搜索引擎（不知道今天）

🃏 Token

• 是什么：模型眼中的最小字块，计费和计长度的单位
• 换算直觉：英文 1 token ≈ 0.75 词；中文 1 字 ≈ 0.6~1 token；1 万字中文 ≈ 1 万 token
• 误区：以为只按输出计费——输入也全款计费，塞 50 页文档提问比 50 次对话还贵

🃏 上下文窗口（Context Window）

• 是什么：本次对话中模型能"看见"的全部内容的上限（如 128K token）
• 前端类比：工作记忆，不是硬盘——桌上摊开的资料，收走就忘
• 误区：窗口大 ≠ 记得好。中间内容利用率低（lost in the middle），关键信息放开头结尾

🃏 Prompt

• 是什么：你发给模型的那段输入（system 设定人设规则 / user 用户消息 / assistant 模型回复）
• 前端类比：函数的入参 + 隐式的调用约定
• 误区：不是咒语，不是在"教"模型——是在激活它训练里已有的能力。few-shot 例子比抽象描述有效

🃏 温度（Temperature）

• 是什么：采样随机度旋钮。0 = 永远选概率最高的词；1.0+ = 低概率词也有机会

温度	适合	例子
0	要确定性的	代码生成、JSON 抽取、分类
0.7	平衡	日常问答
1.0+	要发散的	文案、起名、头脑风暴

• 误区：温度 0 ≠ 100% 确定（浮点和调度仍有抖动）；调高温度不会变聪明，只会变跳

🃏 推理模型（Reasoning Model）

• 是什么：先 internally 打草稿（思维链）再回答的模型——DeepSeek-R1、o 系列
• 前端类比：脱口而出 vs 先写草稿再作答
• 代价与适用：更贵更慢；多步推理 / 复杂调试值得，分类抽取别浪费
• 误区：不是所有任务都该用——日常问答用它 = 花商务舱的钱坐短途

🃏 幻觉（Hallucination）

• 是什么：模型不知道答案时不会停下，而是续写一个格式完美的假答案
• 前端类比：一个只 JSON.parse 不校验的函数——喂什么都吐"看起来合法"的结果
• 误区：不是 bug，是默认行为。解法分层：RAG 止血 → 引用溯源 → 输出校验 → 人工兜底

自测（10 秒）

能不看卡片说出「上下文窗口为什么是工作记忆不是硬盘」和「温度 0 为什么还不确定」——这章就过了。

→ 下一叠卡：Agent 与 RAG 术语卡