2026 AI 術語懶人包：睇懂 agent、RAG、token 同幻覺
由 ChatGPT 到 Codex，用日常工作場景拆清楚
點解 2026 仲要學 AI 術語
TechCrunch 今次出嘅 AI glossary，表面係字典，實際反映咗另一件事：AI 產品已經唔再淨係賣 chatbot。而家一個筆記 app、一個 IDE、一個企業搜尋工具，都會講自己有 agent、RAG、long context、fine-tuning。你唔使讀論文先識用，但如果連字眼背後代表咩能力都唔清楚，好易俾 demo 片帶住走，最後買返嚟先發現只係多咗一個回覆框。
圖片：OpenAI
先分清 model、prompt、token 同 context window
model 可以當係引擎，ChatGPT、Claude、Gemini 背後都係唔同 model；prompt 係你畀佢嘅要求、資料同格式；token 係 model 讀同寫嘢時切出嚟嘅細粒單位，收費同長度限制好多時都按 token 計。context window 就似即場工作記憶，你貼 PDF、丟一堆 code、開住長對話，全部都塞入呢個空間入面。空間大係有用，不過 Anthropic 文件都提醒，長 context 唔代表永遠搵得返重點；內容太多時，準確度有機會跌，所以仍然要測試同揀清楚放咩資料入去。
圖片：OpenAI
hallucination：聽落玄，其實就係亂作
Hallucination 麻煩位係：AI 答錯時，往往答到好似真。佢可能編一條根本冇嘅產品規格、論文、法例條文，語氣仲好肯定。Google glossary 形容呢類輸出係「似合理但事實錯」，Google Cloud 亦話 grounding 同 RAG 可以減低幻覺。用家角度就簡單：問價格、保養、法規、醫療、benchmark 呢類會出事嘅資料，叫工具拎來源出嚟；拎唔出，就當佢只係草稿。
agent：唔止答你，仲可以幫你做嘢
Agent 呢個字而家俾人用到好鬆。Google 話 agent 係會理解輸入、規劃同執行動作嘅軟件；Anthropic 就再拆開 workflow 同 agent，前者行預設路線，後者可以自己揀工具同下一步。放返落日常場景，普通 chatbot 係答你「點樣報銷」，agent 係幫你讀 receipt、填表、交上系統，必要時再問你確認。Coding agent 例如 Codex 或 Claude Code 特別有用，因為 code 有測試、diff 同版本紀錄，出錯都比較易追；叫 agent 自己處理付款、刪資料、改生產環境，就要權限、sandbox 同人手覆核。
RAG、fine-tuning、inference：唔好撈埋講
RAG 係先去資料庫、文件庫或者網上搜尋拎相關內容，再塞返入 prompt 畀 model 生成答案，適合公司文件、最新資料、引用來源。fine-tuning 係再訓練 model，令佢跟某種格式、語氣或者任務模式穩定啲，唔係幫 model 即時記住今日新資料。OpenAI 文件講得幾清楚：prompt、RAG、fine-tuning 係唔同槓桿，解決嘅問題唔同。至於 inference，就係每次你撳送出後 model 真正開工產生答案嗰段；token 越多、model 越大、工具步驟越多，延遲同成本通常都會升。
睇 AI 工具時，最實際係分清佢靠邊樣做到件事：model 本身、你畀入去嘅 context、外部搜尋，定係再訓練過。四個答案牽涉完全唔同嘅成本、私隱同更新速度。供應商講「用你公司資料訓練」時，未必真係 fine-tune；好多時只係 RAG 或 grounding。呢個分別好實際：RAG 更新快，資料可換；fine-tuning 穩定，但資料準備、測試同回滾都麻煩好多。
AGI、MCP、chain-of-thought：睇新聞時最易混淆
AGI 到 2026 仍然冇一個大家都接受嘅硬定義，OpenAI、DeepMind、投資人講法都可以唔同，所以見到公司講「接近 AGI」先要冷靜。MCP 實用得多，Anthropic 最初推出時講到好清楚：佢係連接 AI assistant 同資料系統、工具嘅開放標準，近似畀 agent 一個共通插口。呢件事重要，因為 agent 想做嘢就要接 API、文件、Slack、GitHub；但插口越多，權限同安全審核就越重要。reasoning 通常係指 model 用更多推理步驟處理複雜題目；至於 chain-of-thought，好多產品唔會公開完整思考過程，只會畀摘要或者最後答案。數學同 code 可能受惠，不過事實題仍然要來源。
下次睇 AI 產品，問五條問題
見到 agent，問佢有咩工具權限、有冇人手確認；見到 RAG，問佢攞邊個知識庫、會唔會列來源；見到 long context，問佢長文件入面搵重點準唔準；見到 fine-tuned，問訓練資料點嚟、幾耐更新一次；見到 hallucination rate，問測試集點設計。2026 學 AI 術語，目的好實際：分清一個產品靠咩做到件事，仲有邊啲位要自己覆核。
參考來源
- TechCrunch — The only AI glossary you’ll need this year — original report
- Google Developers：Machine Learning Glossary: Generative AI — 核對 agent、context window、hallucination、inference、fine-tuning 等術語嘅機器學習定義。
- Google Cloud：Generative AI glossary — 核對 RAG、grounding、tokens、prompting、tuning 同 LLM 產品語境。
- OpenAI：Optimizing LLM Accuracy — 核對 prompt、RAG、fine-tuning 各自解決咩問題，同 long context 要配合評估呢個取捨。
- OpenAI：Codex Glossary — 核對 Codex 入面 agent、context、prompt、model 等用語。
- Anthropic：Building effective agents — 核對 workflow / agent 分別、工具使用、成本、延遲同測試取捨。
- Anthropic：Context windows — 核對 context window 係工作記憶，長 context 準確度可能會跌。
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
