AI 基础术语速查：Token、Prompt、Few-shot 与 Tool Calling

引言

很多 AI 名词其实不需要一上来就啃论文。先把几个最常用的词放进脑子里，后面再看 Transformer、LLM/GPT、RAG 或 Agent 工作流 时，就不会觉得每句话都像新词轰炸。

这篇就是速查表：能一句话讲明白的，先讲到够用。

Token

Token 是模型读写内容时使用的基本片段。它不完全等于“一个字”或“一个词”，可能是一个汉字、一个英文单词、一段词根、一个标点，甚至是空格和换行。

你可以把 Token 想成模型眼里的“拼图块”。人看到的是一句话：

我想了解 AI。

模型看到的可能是一串 Token。它的工作就是根据前面的 Token，预测后面最可能接什么 Token。

Token 很重要，是因为它影响三个东西：

1. 上下文长度：模型一次能读多少内容，通常按 Token 计。
2. 计费：API 常按输入和输出 Token 收费。
3. 信息密度：同样一句话，不同语言、格式、代码和表格会被切成不同数量的 Token。

所以，长提示词、长文档、日志、代码仓库都会消耗上下文窗口。模型不是“无限记忆”，它只是能在一次请求里看到有限的 Token。

Prompt

Prompt 是你给模型的任务说明、上下文和约束。它不只是“问一句话”，更像给一个聪明但不熟悉你业务的人发任务单。

一个好的 Prompt 通常包含：

1. 目标：你要它完成什么。
2. 背景：它需要知道哪些上下文。
3. 约束：不要做什么，输出格式是什么。
4. 判断标准：什么叫完成得好。

比如：

请把下面这段技术说明改写成普通读者能理解的中文。
要求：不要删掉关键事实；尽量少用术语；保留链接；输出 3 段以内。

Prompt 的核心不是“咒语”，而是沟通质量。你越能把任务边界说清楚，模型越容易给出稳定结果。

Few-shot

Few-shot 指的是在提示词里给模型几个例子，让它照着例子的格式和风格完成新任务。

比如你想让模型把一句话改成标题：

例子 1：
输入：这篇文章讲解如何用 AI 写网络小说
输出：如何用 AI 写网络小说：从灵感到成稿
 
例子 2：
输入：这篇文章介绍 RAG 的基本原理
输出：RAG 是什么：让 AI 带着资料回答问题
 
现在处理：
输入：这篇文章解释 MCP 和 Agent 的关系
输出：

模型会从例子里学到“标题要包含主题 + 解释性副标题”的模式。Few-shot 不是真的改了模型参数，而是在当前上下文里临时给它演示任务。

In-Context Learning

In-Context Learning 可以理解为“上下文内学习”。它和 Few-shot 很接近：模型不需要重新训练，只要你在当前对话里给出规则、例子、表格或上下文，它就能临时适配任务。

这也是 GPT-3 时代让人惊讶的地方：同一个模型，不改参数，只靠提示词里的几个例子，就能表现出“学会了新任务”的感觉。

但它也有边界：

1. 上下文太长时，模型可能漏看重点。
2. 例子有歧义时，模型可能学错模式。
3. 它只是当前请求里的临时适配，不等于模型永久掌握了新知识。

Tool Calling

Tool Calling 是让模型按约定格式请求外部工具执行任务。它解决的问题是：模型会说话，但很多事不能只靠说。

比如用户问：

帮我查一下这个订单现在的物流状态。

模型自己并不知道你的订单系统。更可靠的做法是让它生成一次工具调用：

{
  "tool": "getShippingStatus",
  "arguments": {
    "orderId": "A12345"
  }
}

应用程序拿到这个请求后，去真正查询物流 API，再把结果交给模型整理成自然语言。

Tool Calling 的关键边界是：模型负责决定“该调用什么、参数是什么”，应用程序负责真正执行、鉴权、限制权限和处理错误。

这也是为什么 Tool Calling 会通向 MCP 和 Agent 工作流：当工具越来越多、权限越来越复杂，就需要更统一的连接方式和更可靠的执行循环。

小结

先记住这几句话就够用：

延伸阅读：写给她的 AI 发展史：从 Transformer、ChatGPT 到 MCP、Skills 与 Agent 时代