AI 术语表

AI 智能体 AI Agent 能够感知环境、自主决定下一步、调用工具去达成目标的软件系统，而不是一问一答的对话程序。 智能体式 AI Agentic AI 对“强调自主决策 + 多步执行”这一类 AI 系统的统称，描述的是系统设计取向，而非某个具体架构或模型。 自主智能体 Autonomous Agent 在启动后无需人工逐步确认、能连续完成多步任务的智能体，通常与“半自动 / 需审批”的智能体相对。 多智能体系统 Multi-Agent System 由多个分工不同、各自持有独立上下文的智能体协作完成一个整体任务的架构。 子智能体 Subagent 由主智能体派生、只负责某个具体子任务、拥有独立上下文窗口和工具权限的智能体，完成后把结果交回主智能体。 智能体编排 Agent Orchestration 决定哪个智能体在何时运行、输出如何在智能体之间流转、以及整个流程何时终止的控制层。 智能体团队 Agent Team 一组按固定角色分工、围绕同一目标持续协作的智能体，强调稳定的“团队”结构而非临时派生。 智能体循环 Agent Loop “观察状态 → 模型决定下一步 → 执行工具 → 把结果回填”不断重复的执行机制，是几乎所有智能体框架的底层结构。 推理-行动范式（ReAct） ReAct 让模型交替产出“思考（Thought）”和“行动（Action）”、并读取“观察（Observation）”的提示范式，由 Yao 等人 2022 年提出，是现代智能体循环的直接理论来源。 任务规划 Planning 智能体在执行前（或执行中）把一个大目标拆解成有顺序的、可执行的步骤序列的能力。 自我反思与纠错 Reflection / Self-Correction 智能体在执行过程中评估自己的输出、找出问题并生成修正版本的机制，是降低错误率的常用手段之一。 人在回路 Human-in-the-loop 在智能体流程的关键节点插入人工审批 / 确认的设计模式，是企业落地智能体时的主流安全策略。 自主等级 Autonomy Level 借用自动驾驶 L0–L5 的分级思路，用来描述一个智能体在多大程度上可以不经人工干预独立运行。目前业界尚无统一标准。 智能体-计算机接口（ACI） Agent-Computer Interface 专为智能体（而非人类）设计的操作界面与工具形态，优先考虑可解析、少歧义，而不是可视化。这个概念仍在成型中。

模型上下文协议（MCP） MCP (Model Context Protocol) Anthropic 于 2024 年 11 月提出的开放标准，让智能体以统一方式发现并调用外部工具、数据和提示模板，常被类比为“AI 应用的 USB-C”。 MCP 服务端 MCP Server 按 MCP 协议对外暴露一组工具 / 资源 / 提示模板、供智能体调用的服务；是本站收录的最大一类项目。 MCP 客户端 MCP Client 发起连接、与 MCP Server 完成能力协商、并代表模型调用其工具的一方，通常内嵌在 Claude Code、Cursor 等宿主应用里。 智能体间通信协议（A2A） A2A Protocol (Agent2Agent) Agent2Agent，由 Google 于 2025 年 4 月发布、同年捐给 Linux Foundation 的开放协议，用于不同厂商的智能体之间互相发现、委派任务与协作。 智能体通信协议（ACP） ACP (Agent Communication Protocol) 由 IBM 与 BeeAI 于 2025 年 5 月提出的、面向智能体互操作的 RESTful 开放标准；目前已并入 A2A，团队停止独立推进。 AGENTS.md AGENTS.md 放在代码仓库根目录、专门写给编码智能体看的说明文件约定：告诉智能体如何构建、测试、遵循哪些代码规范。由 OpenAI 于 2025 年 8 月推出。 SKILL.md SKILL.md 定义一个 Agent Skill 的标准文件：用 YAML frontmatter 声明 name 和 description，正文写操作说明；模型按需渐进加载。 函数 / 工具调用 Function / Tool Calling 模型按预先声明的结构化格式请求执行某个外部函数、拿到结果后继续生成的能力，是几乎所有智能体能力的底座。 工具清单 Tool Manifest 对一个工具的名称、用途和参数的结构化声明（参数部分通常用 JSON Schema），供模型在调用前“读懂”这个工具能做什么、怎么传参。 能力发现 Capability Discovery 智能体在运行时动态查询某个服务端 / 对端智能体“现在能提供哪些能力”，而不是把能力清单写死在代码里。

技能包 Skill 封装成可复用单元的一组指令、脚本和参考资料，供智能体在需要时按需加载；Claude Skills 是当前最典型的实现。 工作流 Workflow 为完成一项工作而预先固定下来的步骤序列。Anthropic 的定义把“工作流”（步骤路径写死、LLM 只在节点内发挥）与“智能体”（LLM 自己决定流程）区分开。 操作手册 Playbook 针对某一类任务、写给智能体照做的成套操作步骤，通常包含判断分支和处置规则，比单个 Skill 更完整。 流水线 Pipeline 多个处理阶段按固定顺序串联，前一阶段的输出是后一阶段的输入；常用于描述数据处理型或内容生成型的智能体任务。 钩子 Hook 在智能体生命周期的特定节点（如工具调用前后、会话开始 / 结束）自动执行的用户自定义逻辑，常用于审计、拦截和改写。 斜杠命令 Slash Command 以 `/` 开头触发的预定义指令，让用户不用写自然语言就能精确调用某个固定流程或提示模板。 任务分解 Task Decomposition 把一个复杂目标拆成若干可以独立执行的子任务的过程；是长任务能否成功的分水岭。 思维链 Chain-of-Thought 让模型在给出最终答案前，先显式写出中间推理步骤的提示技巧；由 Wei 等人 2022 年提出，能明显提升多步骤任务的准确率。 有向无环图工作流 DAG Workflow 把任务步骤组织成有向无环图（节点是步骤，边是依赖），允许并行分支和汇合，是复杂编排工具的常见底层模型。 状态机式智能体 State Machine Agent 用显式的状态和状态间转移规则来约束智能体行为，比自由推理更可控；常见于客服、办事流程等生产系统。 触发器 Trigger 启动一次智能体运行的事件源。可以是用户消息、到点的定时器、外部系统发来的 webhook，或另一个智能体的输出。 定时智能体 Scheduled Agent 按 cron 等固定周期自动运行、无需人工触发的智能体，常用于监控、抓取、日报、巡检类任务。