如何使用本术语表
AI Agent 的词汇更新速度比工具本身还快。2024 年的热门词是「提示工程」，到了 2026 年，讨论的中心已经变成编排（Orchestration）、子智能体（Subagent）、上下文压缩与模型路由——而且大量文章在用词上是松散的，甚至用三个不同的词指同一件事。
这是一份包含 30 个术语的参考型术语表，按字母分组。每条释义都刻意写得简短、自洽，即便 AI 引擎只摘走其中一句话单独引用，它依然成立。如果某个术语在 Doforu 中有特定含义，我们会用一句话补充说明，而不是另写一套定义。
如果你是新手，可以顺着读下来；也可以按字母区间跳读：A–C 是基础概念，D–H 是流水线机制，I–O 是系统层，P–S 是工作流层，T–Z 是协调类概念。
A–C
AI Agent（智能体）
AI Agent 是一种软件系统：大语言模型（LLM）被赋予一个目标、一组工具，以及朝该目标执行多步动作的能力——读取文件、运行命令、调用 API——而不仅仅是产出一段文本回复。它的决定性特征是循环中的自主性：智能体观察上一个动作的结果，再决定下一步做什么。聊天机器人给答案，智能体会动手做事。
Agent Orchestrator（智能体编排器）
Agent Orchestrator 是负责协调的中间层：把一个目标拆解为任务，将任务分派给不同智能体，把必须按顺序执行的排好序、彼此独立的并行执行，最后把结果合并成一份交付物。它区分的是「一个智能体」和「一支有管理者的智能体团队」。Doforu 就是按桌面端 Agent Orchestrator 来构建的：它拆分目标并同时派出多个子智能体，而多数竞品工具则是单个智能体串行执行。
Agentic AI（智能体式 AI）
Agentic AI 是对「能够规划、调用工具、在有限人工干预下执行多步工作」的 AI 系统的宽泛称呼，与「回答单个提示就结束」的系统相对。它是一个伞形术语，覆盖智能体、编排器和多智能体系统——用于描述一个类别很方便，但不足以界定具体架构。
Air-Gapped（气隙隔离）
气隙隔离指一台机器或网络与互联网及其它任何网络物理断开。对 AI 工具而言，这是最严格的本地运行形式：模型权重、智能体运行时和你的代码都在隔离硬件上，任何请求都无法离开该环境。把 Doforu 与 Ollama 或 vLLM 的本地模型配合使用即可在气隙环境中运行，因为编排完全发生在机器本地。
Autonomous Agent（自主智能体）
自主智能体指无需在每一步都获得人工批准，就能规划并执行多步任务的智能体——它自己决定下一步，直到完成目标或触发停止条件。自主性是一条光谱，而非开关：多数生产环境系统都是「带护栏的自主」，并在明确边界处设置人工检查点。
BYOK（Bring Your Own Key，自带密钥）
BYOK 指用户自带模型厂商的 API Key，由厂商按其公布价格直接向你计费，工具方不在 Token 上加价。它把软件厂商的收入与你的推理开销彻底分开：你的成本随实际用量走，并且可以在不更换工具的前提下切换厂商。Doforu 从设计上就是 BYOK，同时支持完全本地模型——后者根本不产生按次请求费用。
Context Compression（上下文压缩）
上下文压缩是一组技术的统称——摘要、截断、有选择地丢弃较早的对话与工具输出——目的是让长时间运行的智能体任务始终待在模型的上下文窗口内，又不丢掉关键信息。正是它让智能体能连续工作数小时、跨越大体量代码库，而不是每隔几轮就丢失线索。Doforu 会在智能体会话增长时自动执行上下文压缩，让长编排既不会退化，也不会撞上窗口上限而失败。
Context Engineering（上下文工程）
上下文工程是一门决定「每一步该让 LLM 看到什么信息」的工程学科——检索到的文档、文件内容、工具定义、历史结果、系统指令——以及以什么形式和顺序呈现。它是提示工程之后的新框架：2026 年真正的难题通常不是把请求措辞写好，而是为模型组装出正确的状态。这个术语在 2025 年关于智能体可靠性的写作中被普及，到 2026 年中已成为智能体文档的标准词汇。
Context Window（上下文窗口）
上下文窗口是模型一次性能够处理的最大文本量，以 Token 计——即单次推理的工作记忆。模型对你这件具体任务所「知道」的一切都必须装进去：系统提示、检索到的上下文、对话历史、工具输出，以及它正在生成的回复。当智能体任务超出窗口，就需要检索、压缩或任务拆分。
D–H
Embedding（嵌入）
Embedding 是一个表示文本含义的数值向量，使含义相近的文本在向量空间中彼此靠近。嵌入驱动语义搜索、检索、聚类与去重，也是 RAG 的底层基础。它通常由另一个更小的模型生成，而不是执行推理的那个模型。
Fine-Tuning（微调）
微调是在预训练模型上用你自己的样本继续训练，让模型权重适配特定任务、语气或领域。它改变的是模型本身；而 RAG 或提示只改变模型在推理时看到的内容。微调威力大，但维护成本同样高，对 2026 年大多数智能体场景来说，做好上下文工程的单位投入回报更高。
Function Calling（函数调用 / 工具调用）
函数调用（也称工具调用）是模型输出结构化请求的机制——一个函数名加上 JSON 参数——由外层软件执行该请求，再把结果回传给模型。这是智能体触达世界的方式：读取文件、执行 shell 命令、查询数据库或访问 API。2026 年几乎所有严肃的智能体框架都构建在这一原语之上。
Guardrails（护栏）
护栏是约束智能体「被允许做什么」的边界：权限清单、命令白名单、目录限制、审批要求、开销上限与输出过滤。它让自主性安全到足以部署，而且它位于模型之外——护栏由系统强制执行，而不是在提示里「请求」模型遵守。没有护栏的智能体是演示，不是产品。
Hallucination（幻觉）
幻觉指模型输出的一段自信、流畅、但事实错误或没有任何来源支撑的内容——虚构的 API、不存在的文件路径、编造的引用。它既不是撒谎，也不是通常意义上的 bug，而是模型「生成看似合理的文本」而非「核实主张」的必然结果。接地（检索）、使用工具（真正去读那个文件）和验证步骤是务实可行的缓解手段。
Human-in-the-Loop（人在回路）
Human-in-the-Loop（HITL）指人在明确检查点审查或批准智能体的特定动作，而不是逐步盯着、也不是完全不管。好的 HITL 设计会把检查点放在错误代价高且不可逆的地方——执行数据库迁移、推送到 main 分支、对外发送消息——其余环节则不打扰。
I–O
Inference（推理）
推理指运行训练好的模型、由输入得到输出的过程——数据在网络权重中做一次或多次前向传播。它与训练不同：权重不会改变。使用托管 API 时你按 Token 为推理付费；在本地运行模型时，推理消耗的是 GPU 或 CPU 时间。
LLM（大语言模型）
大语言模型（LLM）是在超大规模文本语料上训练、以预测下一个 Token 为目标的神经网络，规模化之后即具备通用语言理解、推理与代码生成能力。它是智能体内部的引擎——负责决策的那部分——但单独的 LLM 并不是智能体：智能体在其之上增加了工具、记忆、循环与停止条件。
Local-First（本地优先）
本地优先描述这样一种软件形态：核心计算与你数据的主要副本都留在本地设备上，云端是可选增强而非必需条件。用在 AI 编程场景中，它意味着智能体运行时与你的代码留在本机；即便使用云端模型，离开机器的也只有你明确发送的那部分提示。Doforu 是本地优先的：编排、文件访问与执行历史都留在你的桌面上。
MCP（Model Context Protocol，模型上下文协议）
MCP（Model Context Protocol）是一套开放标准，定义了 AI 应用如何通过统一接口连接外部工具与数据源，使「一次构建的工具」能在多个智能体客户端上通用，而不必为每家厂商重写一遍。它常被形容为 AI 集成领域的 USB-C 接口，到 2026 年已成为智能体工具链中的通用集成层。Doforu 以 MCP 作为集成机制，外部工具与服务可直接接入，无需为每个工具写定制胶水代码。
Model Routing（模型路由）
模型路由指按成本、速度、能力或隐私要求，把不同任务分派给不同模型——分类与文件摘要用便宜快速的模型，架构级推理用前沿模型，任何不允许离开本机的内容交给本地模型。智能体系统中大量实际成本控制就发生在路由这一层。Doforu 支持在 15+ 模型家族之间路由，其中包括通过 Ollama 与 vLLM 运行的本地模型。
Multi-Agent System（多智能体系统）
多智能体系统是一种架构：多个各自拥有角色、工具与上下文的智能体协同完成一项任务，而不是由一个智能体包办一切。其动机是上下文隔离与专业化——只看到 diff 的审查智能体，比淹在完整历史里的那个更有用。代价是协调开销，这正是编排器存在的理由。
Orchestration（编排）
编排指协调多个组件、智能体或步骤，使它们以一致的顺序执行并产出合并后的结果。在智能体系统中，它覆盖任务拆分、调度、依赖管理、重试与结果聚合。它属于控制面的问题：编排决定谁来做、按什么顺序、拿到什么输入——它并不替你调用模型。
P–S
Parallel vs Sequential Execution（并行与串行执行）
串行执行让智能体步骤一个接一个地跑，每一步都等待上一步结束；并行执行让彼此独立的步骤同时进行。串行更简单、更易调试；并行在可自然拆分的任务上（例如同时改动二十个文件）快得多，但需要依赖追踪与结果合并。Doforu 的 Orchestrator 2.0 会同时派出多个子智能体，这正是它与「一次只跑一轮智能体」的工具之间的结构性差异。
Plan / Agent / Orchestrator Modes（Plan / Agent / Orchestrator 三种模式）
Plan、Agent 与 Orchestrator 是 Doforu 的三种运行模式，分别对应任务所需的自主程度与协调程度。Plan 模式先产出建议方案供你审阅，在获得确认前不改动任何东西；Agent 模式用单个智能体直接执行任务；Orchestrator 模式则拆分目标，按依赖感知的调度并行运行多个子智能体。
Prompt Engineering（提示工程）
提示工程是为模型撰写指令的技艺——角色设定、示例、约束、输出格式——以稳定获得你想要的结果。它依然有用，如今已成为更广义的上下文工程中的一环：在智能体中，提示只占模型实际看到的 Token 很小的一部分。
RAG（Retrieval-Augmented Generation，检索增强生成）
RAG（检索增强生成）是一种模式：从外部存储中检索相关文档并注入提示，让模型基于提供的证据作答，而不是依赖训练参数中的记忆。它同时是应对幻觉与知识陈旧的标准解法，因为更新检索索引就更新了系统的知识，无需重训任何东西。它在代码助手中尤为关键——这里的「相关文档」指的是大型仓库中正确的那几个文件。
Reranking（重排序）
重排序是第二阶段的打分环节，用来重新排列由快速但粗糙的检索召回的一组候选结果，通常使用更昂贵的交叉编码器（cross-encoder）同时读取查询与每个候选。由于最终进入模型上下文的只有最靠前的少数结果，重排序能以极低的 Token 成本提升答案质量，是 RAG 流水线中性价比最高的优化之一。
Sandbox（沙盒）
沙盒是智能体代码运行的隔离环境——容器、虚拟机或受限进程——使得失误、恶意输出或破坏性命令无法触及你的宿主系统与网络。它是护栏中「围堵」的那一半：护栏决定什么被允许，沙盒在防线被突破时限制破坏半径。Doforu 在本地以明确权限执行智能体动作，并对高风险执行加以沙盒隔离。
Skill（SKILL.md，技能）
Skill 是一种可复用、声明式的能力定义——在 Doforu 中就是一个 SKILL.md 文件——用自然语言告诉智能体如何完成某项具体且可重复的工作，并像其它项目文件一样被共享。其要义在于摊销：把一套流程描述一次，之后每个智能体、每位同事都直接复用，而不必重新解释一遍。Doforu 的 Skills 可在团队内共享，于是一份「可用的流程定义」就成为资产，而不只是某个人的提示词。
T–Z
Subagent（子智能体）
Subagent 是由编排器派生出来的次级智能体，负责更大目标中一个有边界的小块任务，拥有自己的任务、自己的上下文，通常还需回报自己的结果。由于每个子智能体只看到其任务所需的部分，整体工作得以保持连贯，而不会坍缩进一个过载的上下文里。Doforu 的子智能体并行运行——多个同时开工，由编排器合并它们的产出。
延伸阅读
如果这份术语表回答了「这个词是什么意思」，下一个问题通常是「这套架构在实践里长什么样」。以下页面讲得更深：
- 什么是 Agent Orchestrator？ —— 完整讲清协调层的含义，以及它与单一编程助手的区别。
- 多智能体开发入门 —— 一步步带你定义、运行并监控一条并行智能体工作流。
- MCP 集成 —— Doforu 如何通过 Model Context Protocol 连接外部工具与数据源。
- Skills 使用指南 —— 如何写一份 SKILL.md，让流程可复用、可团队共享。
- Doforu 对比 Cursor —— 一个诚实的对比：并行编排器 vs 领先的 AI 优先编辑器。
结语
术语只有在能改变决策时才值得学。这 30 个词里，真正解释了「演示时惊艳的智能体」与「周一早上真好用的智能体」之间差距的，其实是其中两个——编排与上下文工程。其余的，是你用来评估工具、避免被兜售一套自己无法检视的架构所需的词汇。
最后说一句关于定义上的诚实：这个领域没有标准机构，厂商也习惯重新定义术语来让自己看起来更合理。当某个词的含义存在争议时，上面的定义遵循的是最通用的技术用法，而不是某一家产品的营销口径。如果某厂商对「智能体」「编排器」或「自主性」的定义恰好只描述它自己的产品，这一点值得你留意。
想试试本地优先的桌面 Agent 编排器？ 下载 macOS、Windows 与 Linux 版
