知识星图与术语表

本教程中使用的核心概念术语对照表。所有术语采用业界通用表述，不绑定特定产品。

知识星图

悬停节点可查看邻接关系，点击可跳转到对应章节。

下方表格保留为可索引文本层（SEO fallback），同时作为术语检索底稿。

中文	English	定义
上下文	Context	LLM 每次请求能看到的全部文本、结构化信息与工具结果。
上下文窗口	Context Window	模型单次请求可处理的最大 token 容量。
Lost-in-the-middle	Lost-in-the-middle	Liu et al. (2023) 发现的现象：LLM 对上下文开头和末尾关注度高，中间部分容易被忽略。影响长上下文中关键信息的放置策略。
上下文隔离	Context Isolation	让 Sub Agent 在独立的上下文中运行，使其推理不被主 Agent 的历史干扰，主 Agent 的窗口也不被子任务细节撑满。
上下文摘要	Context Summarization	将长上下文压缩为要点后回传，在信息保留和窗口空间之间取平衡。
上下文污染	Context Pollution	无关或噪声信息累积导致模型推理质量下降。
信噪比	Signal-to-Noise Ratio (SNR)	上下文中有效信息与噪声的比例。信噪比越高，模型越容易做出稳定判断。
上下文供给链	Context Supply Chain	从任务目标到系统指令、工具能力、执行结果的完整上下文供给路径。
Agent	Agent	通过循环调用 LLM 与工具自主完成任务的程序。
Agent 循环	Agent Loop	反复执行"思考→行动→观察"直到达到目标的运行模式。
ReAct	ReAct (Reasoning + Acting)	Yao et al. (2022) 提出的推理框架：交替进行推理和行动，每步结果反馈给下一步。大多数 Agent Loop 的底层模式。
检查点	Checkpoint	长任务中的可恢复状态点。失败后可从最近检查点继续，而不是全部重来。
回滚	Rollback	当验证失败或方向错误时，撤销改动回到最近的已知好状态。
LLM API	LLM API	向大语言模型发送请求并获取回复的编程接口。
Token	Token	LLM 处理文本的最小单位。上下文窗口、计费、速率限制都以 token 计量。
SSE	Server-Sent Events	服务器向客户端单向推送的流式传输协议。LLM API 用它逐 token 返回生成内容，而非等全部生成完再一次性返回。
幻觉	Hallucination	模型生成看似合理但事实上错误的内容。在多 Agent 协作中尤其危险——一个 Agent 的幻觉会通过消息链污染其他 Agent。
系统指令	System Instructions (System Prompt)	注入给模型的高优先级提示，定义身份、约束与行为规则。
工具调用	Tool Call (Function Calling)	模型以结构化请求让 Agent 执行某个工具的机制。
tool_calls	tool_calls	LLM API 响应中要求执行工具的标准字段。包含工具名称和参数的 JSON，Agent 解析后在本地执行。
结构化输出	Structured Output	要求 LLM 以固定 schema（如 JSON Schema）返回响应。消除自由文本解析的不确定性，Agent 可直接将输出作为数据处理。
内置工具	Built-in Tools	Agent 硬编码提供的能力，如读写文件或执行命令。
信任边界	Trust Boundary	区分不同操作风险等级的安全分界线。Agent 工具链中通常分三级——读取（低风险）、写入（中风险）、执行/删除（高风险），每级需要不同的审批策略。
MCP	Model Context Protocol	用于标准化连接外部能力并把结果送入上下文的协议。
命令	Slash Commands (Command Macros)	用户预定义的快捷指令，用固定模板快速触发动作或提示。
技能模块	Skills (Domain Modules)	可按需加载的领域知识或策略片段，动态扩展 Agent 行为。
渐进式披露	Progressive Disclosure	交互设计原则：先展示摘要或列表，用户需要时再展开完整内容。Agent 加载 Skills 时采用类似策略——先发摘要，激活后才注入全文。
CLI 工具	Agent-Native CLI Tools	专为 Agent 设计的命令行工具——输出结构化数据而非人类可读文本，便于 Agent 解析和行动。
llms.txt	llms.txt	社区标准提案（llmstxt.org）：网站根目录放置的机器可读文件，为 LLM 和 Agent 提供站点结构与使用说明，类似 robots.txt 对搜索引擎的作用。
编排	Orchestration	协调多个 Agent 或多步骤任务的执行策略。常见模式：顺序链、并行扇出/扇入、路由分发。
计划-执行	Plan-and-Execute	编排模式之一：先让 LLM 生成完整计划，再逐步执行每个子任务。适合可预见步骤的任务，缺点是计划可能在执行中过时。
子代理	Sub Agent (Worker Agent)	在独立上下文中执行子任务并将结果返回的辅助 Agent。
Human-in-the-loop	HITL	在 Agent 自动执行流程中插入人类决策点——用于高风险、不可逆或验证失败的场景。
验证金字塔	Verification Pyramid	按执行级、任务级、系统级分层验证结果的框架。
认知债务	Cognitive Debt	Agent 持续要求人类介入但人类跟不上时产生的理解差距。症状：无脑批准、跳过 diff 直接 accept、不看日志。
P2P Agent	Peer-to-Peer Agents	多个 Agent 平级协作，上下文在对等体之间双向流动而非单向委派。
状态与记忆	State & Memory	区分会话内短期状态与跨会话长期记忆，避免把暂存信息误当长期事实。
会话交接	Session Handoff	把当前会话的目标、进度、风险和下一步建议打包给下一次会话继续执行。
Vibe Coding	Vibe Coding	Andrej Karpathy (2024) 提出的概念：完全依赖自然语言描述意图，让 AI 编写所有代码，不审查细节。Context Engineering 的对立面——一个放手，一个精控。
提示工程	Prompt Engineering	手工打磨单条 prompt 以提升 LLM 输出质量的技艺。Context Engineering 的前身。
上下文工程	Context Engineering	设计动态系统，在正确的时间以正确的格式向 LLM 提供正确的信息和工具。从"写好一条 prompt"演进到"管理整个上下文供给链"。
Agentic 工程	Agentic Engineering	用 AI agent 工具高效构建软件的工程实践全集——涵盖上下文管理、工具选型、并行编排、反馈闭环、质量验证等全链路。上下文工程是其核心子领域。
Fire-and-forget	Fire-and-forget	消息发出后不等确认回执的通信模式。简化系统设计，但不能假设每条消息都被处理了。