AI 名詞小抄：12 個你會反覆遇到的詞

定義：你輸入給 AI 的指令或問題，寫得越清楚具體，AI 回覆通常越到位。

職場例子：要 AI 寫出貨延遲的道歉信時，把客戶名稱、延遲原因、預計到貨時間、希望語氣一次講清楚，比只打「幫我寫道歉信」得到的品質高一階。

常見誤解：以為提示詞是要背特殊咒語或關鍵字；其實把背景、目標、格式講清楚就已經贏過多數人。

定義：AI 計算與計費的最小文字單位，一段中文會被拆成好幾個 token。

職場例子：把一份長報告整段貼進 AI 時，它會被拆成大量 token，這也是為什麼超長文件容易觸及模型的處理上限。

常見誤解：以為一個中文字等於一個 token；實際上一段中文常被拆成好幾個 token，計算方式不是一字一單位。

定義：AI 一本正經地講出看似合理、其實是錯誤或憑空捏造的內容。

職場例子：AI 幫你查某條工時規定，語氣篤定卻記錯條號，直接引用在正式文件就出事——這就是幻覺，得回官方法規資料庫核對。

常見誤解：以為再問一次「你確定嗎」它說確定就沒問題；同一個模型自我背書不算查證。

定義：AI 一次能記住的對話量上限，超過之後它就會開始忘記前面說過的話。

職場例子：跟 AI 來回討論一份長企劃到後半段，它開始忘記前面設定的條件，通常就是對話量超過上下文視窗了。

常見誤解：以為 AI 會永遠記得整段對話；超過視窗上限後它會開始遺忘前面說過的話。

定義：讓 AI 先查閱你指定的資料再回答，答案因此更貼近你自己的文件與事實。

職場例子：把公司產品手冊上傳給文件工具再問問題，答案會貼近你自己的文件，而不是模型的泛泛印象。

常見誤解：以為 RAG 是把 AI 重新訓練一遍；它其實是讓 AI 先查閱你指定的資料再回答，沒有改動模型本身。

定義：能自己拆解任務、連續執行多個步驟把事情做完的 AI，而不只是回話。

職場例子：一個能自己拆解「查資料→彙整→寄出」多個步驟把事做完的 AI，就比只會回話的聊天機器人更接近 Agent。

常見誤解：以為凡是 AI 都是 Agent；很多情況只是單次回話，並沒有自己連續執行多步驟。

定義：用一批專屬資料再訓練 AI，讓它更懂你的產業用語或回答風格。

職場例子：客服團隊用一批過往對話再訓練 AI，讓它更懂公司特有的產品用語與回覆風格。

常見誤解：以為要 AI 更懂你的資料就得微調；多數情境用 RAG（讓它查你的文件）更快也更省。

定義：會先在內部一步步想過再作答的 AI，擅長數學、邏輯這類需要推敲的問題。

職場例子：碰到需要多步推敲的數學或邏輯題，選會先在內部一步步想過再作答的推理模型，比一般模型穩。

常見誤解：以為推理模型什麼都比較強；它在需要推敲的問題上占優，但不代表每種任務都該用它。

定義：一套讓 AI 安全連上外部工具與資料的共通標準，像是 AI 世界的通用插座。

職場例子：透過 MCP，AI 助理能安全連上你的行事曆或內部資料庫，像插上一個通用插座取用工具。

常見誤解：以為 MCP 是某一家公司的專屬功能；它是一套讓 AI 連外部工具的共通標準。

定義：用日常語言描述需求、讓 AI 幫你把程式寫出來的開發方式，你負責出點子。

職場例子：非工程背景的人用日常語言描述需求，讓 AI 幫忙把一支小工具程式寫出來，自己負責出點子與驗收。

常見誤解：以為 Vibe Coding 代表完全不用懂結果；你仍要負責判斷產出對不對、能不能上線。

定義：有心人把惡意指令藏進資料裡，誘導 AI 做出原本不該做的事的攻擊手法。

職場例子：把一份來路不明的網頁或檔案丟給 AI 摘要，裡面若藏了惡意指令，可能誘導 AI 做出不該做的事。

常見誤解：以為只要自己不亂下指令就安全；風險常來自你餵給 AI 的外部資料，而不是你的提問。

定義：AI 能同時看懂並處理文字、圖片、聲音等多種型態的資訊，不只限於文字。

職場例子：把一張報表截圖直接丟給多模態 AI 請它讀出數字並解讀，不必先手動打成文字。

常見誤解：以為 AI 只能處理文字；多模態模型能同時看懂文字、圖片、聲音等多種型態。