多數人卡住的地方不是「AI 太難」，而是看不懂說明文件在講什麼。安裝教學第一行寫「打開 Terminal」，你不知道 Terminal 是哪個視窗；錯誤訊息寫「command not found」，你以為是沒裝好，於是重裝三次。
好消息是：擋住你的詞其實很少。入門階段真正需要認識的大概 20 個，而且都不需要你會寫程式。
這篇不重複解釋每個詞 —— 那是詞彙表的工作。這裡只做一件事：告訴你這 20 個詞分成哪四組、每組先讀哪一個、按什麼順序走完第一輪。
第一組：環境與命令列（5 個）
這一組最枯燥，但也最擋人。跳過它，後面每一篇安裝教學你都會卡。
| 詞 | 一句話 |
|---|---|
| Terminal（終端機） | 一個讓你用打字跟電腦對話的視窗 |
| CLI（命令列介面） | 用打字而不是點滑鼠來指揮電腦 |
| Shell（殼層） | 讀懂你打的指令、然後去執行的那個程式 |
| PATH 與路徑 | 檔案的地址；PATH 是電腦找程式時會去翻的地址清單 |
| 環境變數與 .env | 給程式看的設定值，寫在程式外面 |
先讀 Terminal（終端機）。 它跟 CLI（命令列介面） 和 Shell（殼層） 的差別是新手最常混的三個詞，分清這三個，後面就不會一直覺得「明明照做了卻沒反應」。
這一組讀完，你應該能回答：command not found 是沒裝好，還是裝好了但電腦找不到？（答案在 PATH 與路徑。）
第二組：模型本身（5 個）
這一組決定你對 AI 的期待是否正確。搞錯這裡，後面會一直覺得「AI 怎麼時靈時不靈」。
| 詞 | 一句話 |
|---|---|
| LLM（大型語言模型） | 一個被訓練來預測「下一個 token」的神經網路，它只會輸出文字 |
| Token（詞元） | 模型處理文字的最小單位，不是字也不是詞 |
| Context Window（上下文視窗） | 模型一次能看到的 token 上限，輸入和輸出共用這個額度 |
| Hallucination（幻覺） | 輸出讀起來完全合理、但事實錯誤或憑空捏造 |
| API Key | 一串密碼，讓遠端服務知道這個請求是你發的、帳單算你的 |
先讀 LLM（大型語言模型）。 理解「它只是在預測下一個 token」，你就理解了一半的 AI 出錯原因 —— 包含 Hallucination（幻覺） 為什麼不是某個廠牌的 bug，而是這類系統的性質。
讀完這一組你應該能回答：為什麼同一個模型在長對話裡會突然變笨？（答案在 Context Window（上下文視窗）。）
第三組：Agent 與 Harness（5 個）
這是本站的主題。這一組解釋「為什麼同樣的模型，放進不同工具裡表現差這麼多」。
| 詞 | 一句話 |
|---|---|
| AI Agent（代理） | LLM + 上下文 + 工具 + 迴圈 |
| Tool Call（工具呼叫） | 模型不做事，它只是請求做事 |
| Harness（執行環境／框架） | 包住模型的那一層程式 |
| Agent Loop（代理迴圈） | 組上下文 → 問模型 → 解析 → 執行 → 回灌 → 再問一次 |
| MCP（模型上下文協議） | 讓任何相容客戶端都能用同一套工具與上下文的標準協定 |
先讀 AI Agent（代理），然後讀 Harness（執行環境／框架）。 這兩個詞合起來解釋了一件事：你在選工具時，很大一部分其實在選 harness，而不是在選模型。
讀完這一組你應該能回答：Agent 跟聊天機器人到底差在哪？（答案不是「更聰明」，是那條回灌邊。）
第四組：安全與權限（5 個）
這一組最常被跳過，然後代價最大。能動手的 AI 也會闖禍。
| 詞 | 一句話 |
|---|---|
| Sandbox（沙箱） | 限制 AI 能動到哪些東西的圍欄 |
| Permission Gate（權限閘門） | 允許、詢問、或拒絕某個動作的決策點 |
| Prompt Injection（提示詞注入） | 把指令藏在 AI 會讀到的內容裡，讓它把資料當成命令 |
| Data Classification（資料分級） | 先按敏感度把資料分級，再決定什麼可以給模型 |
| Verification Gate（驗證閘門） | 結果被接受之前的獨立檢查 |
先讀 Sandbox（沙箱），然後讀 Prompt Injection（提示詞注入）。 這兩個合起來說明一件事：沙箱限制的是「能做什麼」，注入改變的是「它想做什麼」，所以兩者不能互相取代。
詞彙表該怎麼用
詞彙表裡每個詞條只回答三件事：
- 這是什麼 —— 一句話，不含術語
- 你會在第幾步遇到它 —— 這是它跟百科全書的差別。一個詞如果不會擋到你，現在不用讀
- 大家最常搞錯什麼 —— 通常比定義有用
所以不要從頭讀到尾。遇到不懂的詞再查，或者照上面四組的順序各讀第一個。每個詞條底部會告訴你下一步該上哪堂課。
建議的第一輪順序
大概一小時可以走完：
- 第一組全部（環境與命令列）—— 這組最擋人，先清掉
- 第二組的 LLM（大型語言模型）、Token（詞元）、Context Window（上下文視窗）
- 第三組的 AI Agent（代理）、Harness（執行環境／框架）
- 第四組的 Sandbox（沙箱）
剩下的詞之後遇到再查。算力、檢索、多 Agent 這些分組可以等第一輪走完再回頭補。
一個提醒
不要在還沒裝成任何東西之前，先花三天讀原理。這個領域的正確順序是先跑起來、再回頭懂：先讓一個工具在你機器上真的動一次，遇到看不懂的字再查，這樣每個詞都掛在一個你親眼看過的場景上。
反過來 —— 先把名詞都讀懂再動手 —— 通常會讀到第 20 個詞就放棄，因為那些詞沒有著落。
下一步
- 把第一組補完：Terminal（終端機）、CLI（命令列介面）、Shell（殼層）、PATH 與路徑、環境變數與 .env
- 然後直接動手：五分鐘設置你的 LLM 開發環境
- 想知道 Agent 到底是什麼：AI Agent 是什麼
- 想先看工具長什麼樣：AI 編程與 Agent 工具圖譜
- 全部詞條：詞彙表