标签
作者整理了一份个人的《AI 交互摩擦词表》——列出 AI 对话中反复出现的失败模式（如默认用户偏见、谄媚、模板强加、接收循环等），并配上简短的“应改为”指令，可直接粘贴进 agent 的指令中，在对话中途纠正这些行为。
WaseiGo 是一款产品，通过插图对话、音频、词典和测验，教授超过 1,000 个日语中的'和製英語'单词，这些单词看似英语却赋予了新的含义。
一个后续项目，将GPT-2的32,070个词元可视化为一棵位于庞加莱球中的交互式双曲树，允许用户在嵌入空间中飞越。
本文介绍了一种用于描述和比较多智能体自动化研究系统的正式词汇表，涵盖了智能体身份、操作、通信和评估等设计选择。它区分了生成性品味和评估性品味，并在最近的系统上实例化了该词汇表。
推荐几个前端动画相关的 Skill 工具，帮助开发者查询专业动效词汇、打磨交互动效以及审查动画问题。
本文研究了Word2Vec能否为仅含约130个词汇的人造语言Toki Pona生成有意义的语义嵌入，使用了一个包含140万句子的语料库，并考察了非Toki Pona标记对嵌入质量的影响。
推荐了一篇曝光超过400万的热门文章，并建议使用SentiaRead浏览器插件阅读英文，以获取知识和积累词汇。
介绍了一款名为 readto 的 Chrome 扩展，可根据用户英语水平自动在英文网页的生词上方标注中文释义，无需划词或中断阅读。该插件利用 Claude API 处理了16万单词表，免费使用。
Linear设计工程师Emil Kowalski整理了90多个动画术语，涵盖12个分类，旨在帮助用户更好地向AI描述动画效果。同时，作者使用Claude构建了一个双语预览站点，方便理解每个术语的实际效果。
幕境是一款开源英语学习工具，通过电影、美剧等视频的真实语境帮助用户沉浸式背单词，支持字幕浏览、跟读练习和拼写训练。
Emil Kowalski 分享了一个动作词汇网站，帮助开发者和设计师在向AI描述动画时更精确。该词汇表涵盖了入场、出场、排序、变换、过渡和滚动触发的运动。
介绍了 C.K. Ogden 于1930年提出的 Basic English（850个核心词汇），并推广了一个基于此概念、利用 Codex 构建的免费学习网站，提供单词卡片、发音和同义词辨析。
# AI 智能体术语不过是新瓶装旧酒 如果你是一位经验丰富的软件工程师，却对 AI 智能体（AI Agent）的世界感到困惑，原因很可能不是技术太复杂——而是行话太多。 欢迎了解**"词汇税"**：这是一种因新造术语而产生的认知负担，让你误以为自己面对的是全新的概念，而实际上不过是你已经熟悉的老朋友换了身行头。 --- ## 什么是词汇税 每隔几年，技术圈都会经历一轮术语洗牌。某个领域起飞了，新词汇随之涌现，旧有的工程概念被重新包装，贴上新标签。 这并不总是有意为之的炒作。有时候，新词汇确实能承载细微的差别，或者为特定社区提供更精准的表达。但很多时候，它制造的困惑远比带来的清晰要多。 词汇税的本质就是：**你为了弄懂这些词在说什么，而不得不付出额外的认知成本**。 AI 智能体领域目前正在大量征收这笔税。 --- ## 逐一拆解那些花哨术语 ### "Orchestrator"（编排器） 这个词让人联想到某种神秘的 AI 大脑，在幕后统筹全局。 实际上？它就是一个**控制流管理器**。它决定先调用哪个函数，根据结果走哪条分支，什么时候结束循环。你在写业务逻辑的第一天就做过这件事。 换个说法：`main()` 函数加上一些条件判断。 --- ### "Harness"（执行框架） AI 圈子喜欢说某个模型被"装进了一个 harness"。 这翻译过来就是：**一个包装类或运行时环境**，负责管理模型调用的生命周期——处理输入输出、捕获错误、维护状态。 换个说法：适配器模式（Adapter Pattern）加上一个 try/catch 块。 --- ### "Memory Layer"（记忆层） 这个词听起来像是给 AI 装上了某种类人的记忆系统。 实际上它就是**存储和检索机制**。短期记忆是会话上下文（session context），长期记忆是数据库查询，语义记忆是向量搜索。 换个说法：缓存 + 数据库 + 搜索索引。 --- ### "Tool Use"（工具调用） 模型"学会了使用工具"，这句话读起来颇具魔幻色彩。 脱下这层外衣，它就是：**函数调用**。模型输出一个结构化的请求，系统解析它，执行对应的函数，把结果返回给模型。 换个说法：API 调用的调度与执行。 --- ### "Agentic Loop"（智能体循环） 这个术语让整个架构听起来像是某种自主意识的涌现。 它的本质是：**一个 while 循环**，每次迭代都会：获取当前状态 → 决定下一步行动 → 执行行动 → 更新状态 → 判断是否结束。 换个说法：事件循环（Event Loop），或者任何一个游戏引擎里的主循环。 --- ### "Grounding"（落地/锚定） "模型需要被 grounded"——这句话在 AI 文章里频繁出现。 它的意思是：**把模型的输出与可验证的外部数据绑定**，防止它胡说八道（即"幻觉"）。RAG（检索增强生成）是最常见的实现方式。 换个说法：数据验证 + 外部数据源注入。 --- ### "Reflection"（反思） 听起来像是 AI 在进行哲学沉思。 实际操作是：**让模型评估自己的上一个输出**，判断是否满足要求，如果不满足则重新生成。这是一个带有评判步骤的迭代优化循环。 换个说法：带校验逻辑的重试机制（retry with validation）。 --- ### "Chain"（链） LangChain 里的"链"，以及各种"prompt chain"。 这就是**函数组合（function composition）**，或者说是管道（pipeline）。输出 A 作为输入传给 B，B 的输出传给 C。 换个说法：Unix 管道。`cat file | grep keyword | sort | uniq` --- ## 那么，是不是什么都没变？ 当然不是。有几件事确实是新的，或者至少是在规模和能力上发生了质变： 1. **不确定性变成了一等公民**：传统函数给定相同输入，输出是确定的。LLM 不是。这要求你在架构层面认真对待概率性行为，而不只是在边界情况里处理它。 2. **自然语言成为了接口**：当接口是自然语言时，你没办法写一个传统意义上完整的类型规范。这对系统边界的设计提出了新要求。 3. **上下文窗口是有限资源**：你需要像管理内存一样精心管理上下文，这是一种在普通 Web 开发里不太常见的约束。 4. **涌现行为（Emergent Behavior）确实存在**：模型组合起来之后，有时会产生你没有显式编程的行为。这既是能力，也是风险。 --- ## 如何用已有知识来理解 AI 智能体 这里有一个简单的映射框架，供有经验的工程师参考： | AI 智能体术语 | 等价的工程概念 | |---|---| | Orchestrator | 控制流 / 状态机 | | Memory Layer | 缓存 + 数据库 | | Tool | 可调用函数 / API | | Agentic Loop | 事件循环 / 主循环 | | RAG | 查询 + 上下文注入 | | Reflection | 带校验的重试 | | Chain / Pipeline | 函数组合 / Unix 管道 | | Prompt Template | 带参数的字符串模板 | | Agent | 带状态的服务 + 决策逻辑 | --- ## 写在最后 词汇税不是阴谋，但它有真实的代价。它让有经验的工程师低估自己已有的能力，让新人觉得这个领域比实际上更难进入。 下次当你遇到一个陌生的 AI 术语，不妨先问自己：**"如果我是五年前，没有这个词，我会怎么描述这件事？"** 大多数时候，你会发现你早就认识它了。 AI 智能体领域确实有令人兴奋的新东西。但其中最难的部分，往往不是理解那些新概念——而是先剥掉裹在旧概念外面的那层新皮。