> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/claude_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/claude_guide/fu-lu/12_appendix/12.3_glossary.md).

# 附录 C：术语表

本表收录了本书中出现的核心术语，按首字母排序。

> 💡 **术语翻译规范**：本书采用“中文翻译 (英文原文, 缩写)”的格式。首次出现时使用完整格式，后续可使用中文或缩写。例如：“思维链 (Chain of Thought, CoT)”。

## 12.3.1 A

* **Agent (智能体)**: 一个拥有规划能力、记忆能力和工具使用能力的 AI 系统，能够自主完成复杂任务。
* **Anthropic**: Claude 背后的 AI 研究公司，由前 OpenAI 员工创立，强调 AI 安全性。
* **Artifacts (工件)**: Claude 在对话中生成的可独立预览和编辑的内容块，如代码、图表、React 组件等。
* **Attention Mechanism (注意力机制)**: Transformer 模型的核心，决定了模型在生成当前词时应该关注上下文中的哪些部分。

## 12.3.2 C

* **Chain of Thought (CoT, 思维链)**: 一种 Prompt 技巧，要求模型在给出最终答案前，先输出推理步骤（如 “Let's think step by step”）。
* **Claude Code**: Anthropic 提供的命令行工具 (CLI)，具有 Agent 能力，能直接操作文件系统和终端。
* **Computer Use**: Claude 3.5 引入的能力，允许模型通过视觉识别屏幕并通过模拟键鼠操作计算机。
* **Constitutional AI (CAI, 宪法式 AI)**: Anthropic 的训练方法，利用 AI 反馈（RLAIF）而非纯人类反馈，训练模型遵循一套明确的“宪法”原则。
* **Context Window (上下文窗口)**: 模型一次能“看见”的最大 Token 数量（如 Fable 5、Opus 4.8/4.7/4.6 和 Sonnet 4.6 的 1M，或 Haiku 4.5/Sonnet 4.5 的 200K）。包含 Input + Output。

## 12.3.3 E

* **Embedding (嵌入)**: 将文本转化为高维向量的过程。语义相似的文本在向量空间距离更近。
* **Extended Thinking**: Claude 在处理复杂任务时的一种模式，模型在给出最终回答前先生成显式的思考块（System 2 Thinking）以提高准确率。思考内容在 API 响应中可见（新模型以摘要形式呈现）且按输出 Token 计费，并非不可见的“后台”推理。

## 12.3.4 F

* **Fable 5 (Claude Fable 5)**: 2026-06-09 GA 的新一代模型，Anthropic 能力最强的广泛发布模型（$10/$50、1M 上下文、128K 输出、Adaptive Thinking 常开）。同日发布的 Claude Mythos 5 仅限 Project Glasswing 受邀客户；2026-06-12 起两者访问暂停，生产可用性需回到官方模型页核验。
* **Few-Shot Learning (少样本学习)**: 在 Prompt 中提供少量的示例（Input-Output Pairs）来教会模型执行特定任务。
* **Fine-tuning (微调)**: 在预训练模型的基础上，使用特定数据集进行进一步训练，以适应特定领域。

## 12.3.5 H

* **Haiku**: Claude 模型家族中最轻量、最快、最经济的系列。最新版本为 Claude Haiku 4.5。
* **Hallucination (幻觉)**: LLM 生成看似通顺但实际上错误或编造的信息的现象。
* **Human-in-the-Loop (HITL)**: 在自动化流程中引入人工审核或干预环节，通常用于高风险操作。

## 12.3.6 L

* **Latency (延迟)**: 需区分两个口径：**TTFT**（从发送请求到收到第一个 Token 的时间，决定“开始响应”的体感）与**端到端延迟**（TTFT 加上整个生成过程的耗时）。流式输出主要改善的是前者。
* **LLM (Large Language Model)**: 大语言模型。

## 12.3.7 M

* **MCP (Model Context Protocol)**: 一个开放标准协议，用于连接 AI 模型与数据源/工具。类似于 AI 界的 USB-C。
* **Multi-Agent System (MAS)**: 多智能体系统，由多个分工明确的 Agent 协作完成任务。

## 12.3.8 O

* **Opus**: Claude 4.x 家族中能力最强的系列，擅长复杂推理与高难度工程任务。当前最新为 Claude Opus 4.8（2026-05 发布，上一代为 Opus 4.7）；2026-06-09 起，更高能力档由新一代 Claude Fable 5 承担，但 Fable 5 访问自 2026-06-12 起暂停。

## 12.3.9 P

* **Prefill (预填)**: 在 API 请求中，预先填入 Assistant 回复的开头部分（如 `{ "role": "assistant", "content": "{" }`），让旧模型按特定格式续写。该能力不再适用于 Claude Fable 5、Mythos 5、Mythos Preview、Opus 4.8、Opus 4.7、Opus 4.6 和 Sonnet 4.6；新项目应优先使用 Structured Outputs。
* **Prompt Caching**: 一种通过缓存 Prompt 前缀的 KV 状态来降低延迟和成本的技术。
* **Prompt Injection (提示词注入)**: 一种攻击手段，通过特殊的输入诱导模型忽略安全限制或执行恶意指令。

## 12.3.10 R

* **RAG (Retrieval-Augmented Generation)**: 检索增强生成。先从知识库检索相关信息，再喂给 LLM 生成回答，用于解决幻觉和知识过时问题。
* **ReAct**: “Reason + Act” 的缩写，一种 Agent 设计模式，循环执行“思考-行动-观察”。
* **RLAIF (Reinforcement Learning from AI Feedback)**: 基于 AI 反馈的强化学习，Constitutional AI 的核心技术。
* **RLHF (Reinforcement Learning from Human Feedback)**: 基于人类反馈的强化学习。

## 12.3.11 S

* **Skills (技能)**: Claude 的模块化专业知识封装，包含 Prompt、工具和文档的集合，用于特定领域任务。
* **Sonnet**: Claude 模型系列中平衡性最好的模型，性价比高，是大多数企业应用的首选。
* **Structured Output**: 要求模型输出 JSON、XML 等结构化数据，而非自然语言。
* **System Prompt**: 发送给模型的第一条指令，定义了模型的角色、风格和边界。

## 12.3.12 T

* **Temperature**: 控制采样随机性的参数。较低值会降低随机性，但不保证完全确定性；部分新模型对非默认采样参数有更严格限制。
* **Token**: LLM 处理文本的最小计费单位。
* **Tool Use (Function Calling)**: 模型输出特定格式的请求来调用外部函数的能力。

## 12.3.13 V

* **Vector Database (向量数据库)**: 专门用于存储 Embedding 向量的数据库，支持语义搜索。

## 12.3.14 Z

* **Zero-Shot**: 不提供任何示例，直接让模型执行任务。


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://yeasy.gitbook.io/claude_guide/fu-lu/12_appendix/12.3_glossary.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.