AI 名詞白話對照表：老闆最常聽到的 20 個詞
每個字單獨看你都認得，連在一起就不知道在說什麼。這篇把老闆最常聽到的 20 個 AI 名詞講成人話，每個詞都補一句「這跟你的生意有什麼關係」——因為知道定義沒用，知道它影響你哪筆錢才有用。
如果你是自己在經營生意的人，這一年大概常常遇到這種場面：有人跟你說「這個要用 RAG 才不會有幻覺」、「你 token 用太兇了」、「這個 agent 可以幫你跑完整條流程」。每個字單獨看你都認得，連在一起就完全不知道在說什麼。
問題不是你不夠聰明，是這些詞多半是工程師之間的簡寫，被原封不動搬到對老闆的簡報上。這篇把老闆最常聽到的 20 個詞，一個一個講成人話，並且每個詞都補一句「這跟你的生意有什麼關係」——因為知道定義沒有用，知道它會影響你哪一筆錢、哪一個決定才有用。
為什麼這些名詞會變成門檻？
因為它們描述的是同一條流水線上的不同位置。你聽到的每個詞，其實都在回答四個問題之一：模型是什麼（LLM、參數、開源）、你怎麼跟它說話（Prompt、Token、上下文視窗）、它怎麼知道你家的事（RAG、向量資料庫、微調）、它能幫你做到什麼程度（Agent、MCP、自動化）。
一旦你知道某個詞屬於哪一段，就不會再被它嚇到。下面就按這個順序排。
先搞懂這 5 個，其他都建立在它們上面
1. LLM（大型語言模型）
是什麼：讀過極大量文字之後，學會「接下來最可能出現哪個字」的模型。ChatGPT、Claude、Gemini 背後都是 LLM。
跟你的生意有什麼關係：它本質上是在做機率預測，不是在查資料。所以它講得流暢不代表講得正確——這是後面所有問題的源頭。想再深入可以看LLM 是什麼？為什麼它很會講話，卻會講錯。
2. Token（詞元）
是什麼：AI 處理文字的最小單位。英文大約 4 個字元算一個 token，中文一個字通常就要 1 到 2 個 token。
跟你的生意有什麼關係：幾乎所有 AI 服務都按 token 計費，輸入和輸出分別計算。你的 AI 客服一個月要多少錢，答案就藏在這裡。實際怎麼算，看Token 是什麼？看懂 AI 的計費單位。
3. Prompt（提示詞）
是什麼：你給 AI 的那段指令或問題。
跟你的生意有什麼關係：同一個模型，prompt 寫得清不清楚，產出品質差距非常大。這是唯一不用花錢、只靠練習就能改善成果的環節——也是最容易被跳過的環節。
4. Context Window（上下文視窗）
是什麼：AI 一次能「同時看在眼前」的文字量上限，包含你給的資料、對話紀錄和它自己的回答。
跟你的生意有什麼關係：這解釋了一個很常見的抱怨——「聊久了它就忘記我前面說什麼」。不是它壞了，是超出視窗的內容被推出去了。所以長文件要分段處理，不要整本丟進去。
5. 幻覺（Hallucination）
是什麼：AI 用非常有自信的語氣，講出根本不存在的內容。編造一個法條、掰一個產品規格、生一個假的參考連結。
跟你的生意有什麼關係：這是把 AI 放到客戶面前最大的風險。AI 客服報錯價格、答錯退貨政策，後果是實際的客訴與賠償。2025 年的評測顯示，開放式生成任務的幻覺率可達 40–80%，但只要限定它「根據這份文件回答」，摘要類任務的幻覺率會降到 2% 以下。所以「AI 會不會亂講」不是技術潔癖，是營運問題——而下一段的 RAG 就是為了把它壓下來。
會一直聽到、但沒那麼難的 8 個
6. RAG（檢索增強生成）
是什麼：讓 AI 回答之前，先去你指定的資料庫裡找出相關段落，然後只根據那些段落作答。
跟你的生意有什麼關係：這是目前讓 AI 只講你家事實的標準做法，也是「AI 客服不亂答」的技術基礎。它比重新訓練模型便宜太多，而且你改一份 FAQ，AI 的答案就跟著改。
7. AI Agent（AI 代理）
是什麼：不只回答問題，還會自己拆解步驟、呼叫工具、一步一步把任務做完的 AI。
跟你的生意有什麼關係：差別是「問答」與「代辦」。聊天機器人告訴你怎麼查訂單，agent 直接幫你查完並回報。前者省你打字時間，後者省你整段流程。
8. 微調（Fine-tuning）
是什麼：拿你自己的資料再訓練模型一次，改變它的語氣或行為傾向。
跟你的生意有什麼關係：聽起來最厲害，但對多數中小企業其實是錯的選擇。它貴、慢、資料一改就要重做，而且它改的是風格，不是知識。你想要的「讓 AI 知道我家的產品」，用 RAG 才對。
9. 多模態（Multimodal）
是什麼：同一個模型同時處理文字、圖片、聲音、影片。
跟你的生意有什麼關係：拍一張紙本菜單就生出線上點單頁、丟一段會議錄音就得到摘要與待辦。它把「先把資料打成文字」這個最花時間的前置步驟拿掉了。
10. MCP（Model Context Protocol，模型上下文協定）
是什麼：一套讓 AI 用統一介面去操作外部系統的標準協定。有了它，AI 不只讀得到你的系統，還能在裡面執行動作。
跟你的生意有什麼關係：這是「AI 會講」和「AI 能動手」之間的那道橋。以我們自己為例：zenbu 的網站後台就是用 MCP 接上 AI 的，所以我們可以直接讓 AI 改頁面、上架商品、調整版型，而不是把 AI 產出的內容再人工複製貼上一次。
11. 向量資料庫（Vector Database）
是什麼：把文字轉成一組數字座標後存起來，用「語意距離」而不是關鍵字來搜尋的資料庫。
跟你的生意有什麼關係：它讓客人問「可以退嗎」時，也能找到標題寫著「退換貨規範」的那份文件——關鍵字對不上，但意思對得上。這是 RAG 能運作的原因。
12. Embedding（嵌入）
是什麼：把一段文字轉換成一串數字的動作，轉完之後「意思相近」就變成「數字相近」，可以計算。
跟你的生意有什麼關係：你不會直接碰到它，但它是上一條的前置動作。知道它存在，就能理解為什麼建知識庫需要一次「索引」的處理時間。
13. Temperature（溫度）
是什麼：控制輸出隨機程度的參數。低溫穩定保守，高溫發散多變。
跟你的生意有什麼關係：客服要調低——你希望同一個問題每次都得到同樣的正確答案。發想廣告文案可以調高——你要的是十種不同說法。同一個模型，用途不同設定就該不同。
談到商業應用時會出現的 7 個
14. 生成式 AI（Generative AI）
是什麼：能產生新內容（文字、圖片、影音、程式碼）的 AI 統稱，用來跟過去只做分類與預測的 AI 區分。
跟你的生意有什麼關係：你現在聽到的「AI」幾乎都是指這個。它改變的是產出成本，不是判斷力。
15. AEO / GEO（答案引擎優化 / 生成引擎優化）
是什麼：讓 AI 在回答使用者問題時，引用到你的內容的優化做法。
跟你的生意有什麼關係：過去 SEO 是爭排名，現在有相當比例的人搜完直接看 AI 給的答案、不點連結。Similarweb 的 2025 年 Zero-Click 研究顯示，美國約 58.5% 的 Google 搜尋結束時沒有點擊任何連結；BrightEdge 在 2026 年 2 月測得 48% 的搜尋會出現 AI Overview，年增 58%。如果 AI 的回答裡從來沒提到你，那你在這些人眼中就不存在。
16. 自動化工作流（Workflow Automation）
是什麼：把好幾個步驟串成一條會自己跑的流程，例如「有人填表 → 發確認信 → 排進行事曆 → 通知負責人」。
跟你的生意有什麼關係：單點的 AI 工具省的是分鐘，串起來的流程省的是「你得記得去做這件事」的心力。後者才是老闆真正的瓶頸。
17. AI 分身（Digital Avatar）
是什麼：用你的形象與聲音生成影片，不需要真的出鏡錄製。
跟你的生意有什麼關係：需要持續產出影片內容、但不想每週進棚的人，這是把「人的時間」從產能公式裡拿掉的方法。
18. API
是什麼：兩套軟體互相呼叫、交換資料的介面。
跟你的生意有什麼關係：你評估任何工具時該問的一句話是「它有 API 嗎」。沒有的話，這個工具就是一座孤島，資料進得去出不來，將來所有整合都得靠人工搬。
19. 開源模型 / 閉源模型
是什麼：開源是模型權重公開、你可以自己架起來跑；閉源是只能透過服務商的 API 呼叫。
跟你的生意有什麼關係：差別在資料要不要離開你的環境，以及成本結構是「按用量付費」還是「先付伺服器」。多數中小企業用閉源服務更划算，除非你有法規上的資料落地要求。
20. 地端部署（On-premise）
是什麼：模型跑在你自己的機器或私有雲上，資料不出去。
跟你的生意有什麼關係：處理病歷、財務、個資這類敏感資料時的選項。代價是硬體與維運成本，而且通常拿不到最強的那幾個模型。先確認你真的有這個需求，再談。
這些詞怎麼串起來？用一個 AI 客服的例子
把上面 20 個詞放進一個真實場景，你會發現它們其實是同一條線：
- 客人在 LINE 上問「這件可以退嗎」——這句話被切成幾個 token 送進系統。
- 系統先把這句話轉成 embedding，去 向量資料庫 裡找語意最接近的段落，撈到你那份「退換貨規範」。
- 把找到的段落，跟客人的問題一起組成 prompt，送給 LLM。這整包不能超過 context window。
- 因為答案有你的文件當依據，幻覺 的機率大幅下降——這整套做法就叫 RAG。
- Temperature 調低，確保同樣的問題每次都得到同樣的答案。
- 如果還要它「順便幫客人開退貨單」，那就需要 Agent 加上 MCP 去實際操作你的訂單系統。
看完這條線，你大概也就知道為什麼有人一直說「先把 FAQ 整理好」——因為第 2 步撈不到東西，後面全部都是白搭。
常見問題
不懂這些名詞，還能用 AI 嗎？
可以，而且大部分人就是這樣開始的。但當你要付錢買一套系統或決定要不要導入時，不懂就會被牽著走：分不出哪些是真本事、哪些是包裝，也算不出這筆錢花得值不值得。
RAG 和微調到底該選哪一個？
絕大多數情況選 RAG。你想解決的通常是「讓 AI 知道我家的資訊」，這是知識問題，RAG 便宜、即時、改資料就生效。微調改的是語氣和行為傾向，而且成本高得多。
Token 到底會花多少錢？
取決於用量與模型等級。以中小企業的 AI 客服來說，多數落在每月幾百到幾千元的區間。實際算法與試算表在Token 這篇裡有完整拆解。
AI 幻覺有辦法完全消除嗎？
沒辦法完全消除，但可以壓到能接受的程度。標準做法是三層：用 RAG 限定它只能根據你的文件回答、把 temperature 調低、以及在它答不出來時誠實說不知道並轉真人，而不是硬掰一個答案。
AI Agent 是不是就是比較強的聊天機器人？
不是同一類。聊天機器人的產出是「一段話」，agent 的產出是「一件事被做完了」。它會規劃步驟、呼叫工具、檢查結果。因為它真的會動手改資料，導入時的權限控管比聊天機器人重要得多。
這些名詞多久會過時？
模型名稱和工具排名變得很快，但這 20 個詞描述的是架構層的概念，穩定得多。RAG、token、context window 這些從 2023 年講到現在都還是同一件事。先學會架構，工具換了你也不用重學。
接下來看什麼
這篇是索引，往下有兩條路：
- 想先弄懂最根本的那一個 → LLM 是什麼？為什麼它很會講話，卻會講錯
- 想先算清楚要花多少錢 → Token 是什麼？看懂 AI 的計費單位
資料來源（本文最後更新：2026 年 8 月 19 日）
- Zero-click 比例：Similarweb, Zero-Click Study, 2025
- AI Overview 出現率：BrightEdge, 2026 年 2 月量測
- 幻覺率區間：綜合 2025 年多項公開評測，學術基準可參考 HALoGEN (2025)
- Token 換算基準：OpenAI Help Center
還是不確定哪個適合你？預約線上諮詢