AI 入门与 ComfyUI 出图课

附录 · 全课程术语

术语对照表

把全课程反复出现的词收成一张可查、可对照、能指回原课的索引;每条都标清它第一次出现在哪一课、又在哪一课被真正讲透。

这份附录解决什么:遇到一个词,一分钟内找到它的一句话解释、第一次被讲透的课,以及最容易和它混的那几个词。
收录范围88 条 · 5 组
前置知识A01–A06 任意一课
使用方式按主题读 / 按字母查
88条术语
84已讲透
4只提一句
6组易混对照
17个固定类比
9个单课比喻

快速查找

按拼音首字母,或直接搜中文 / 英文

全部 · 80 条

中文名取拼音首字母,英文名取首字母;同一个词的两套首字母都能用(例如“种子 / seed”在 Z 和 S 下都能找到)。筛选只影响术语行,不影响下面的对照表。

01先看这张表怎么用

这不是一本按字母排的词典,而是一张按主题分组、按首见课溯源的索引。每条只给一句话,够你判断“它大概是什么、和谁容易混”;要真正理解机制,回到首见课或对照表里的“详解”链接。

五组术语的分层:从模型机制到交付判断 五条横向色带,自下而上依次是模型与生成、提示词、编排与工作流、控制与约束、评估与边界。 按“离模型多远”排的五组术语 05 评估与边界 判断能不能交付 04 控制与约束 决定生成往哪走 03 编排与工作流 组织步骤与依赖 02 提示词 把意图变成条件 01 模型与生成 机制与输出空间
分层只表示“主要归属”,不表示严格依赖。比如种子既属于控制,也影响生成机制;对照区会把它和步数、CFG 放在一起讲。
02

模型与生成

30 条

先分清“模型是什么”和“它怎么一个字一个字或一步一噪地生成”,后面的提示词、控制与工作流才有落脚点。

模型与参数

模型model

网络结构、训练好的参数与推理代码合在一起;它把输入映射成输出,本身不包含“意图”。

首见 A01 已讲透 · A01
参数parameter

模型内部可学习的数值;训练时更新,推理时固定,也就是常说的“权重”。

首见 A01 已讲透 · L2-01
张量tensor

排好队的一摞数字,带明确形状(几张、几行、几列、几个通道);模型吃进去、吐出来的都是它,可以当成“数据的容器”。

首见 A01 只提一句 · A01
训练training

用数据反复调整参数、让模型学会映射的过程;训练完成后参数固定,推理时才使用。

首见 A01 已讲透 · A01
推理inference

用训练好的参数对新输入做一次前向计算;它不再更新权重,只产生输出。

首见 A01 已讲透 · A01
判别式模型discriminative model

学习“输入属于哪个标签”,在封闭的标签集合里做判断,不负责生成新样本。

首见 A01 已讲透 · A01
生成式模型generative model

学习数据大致怎么分布,再从分布里采样出新样本;语言模型和扩散模型都属于这一类。

首见 A01 已讲透 · A01
大语言模型large language model, LLM

以“逐个预测下一个 token”为核心目标的生成式模型;输出空间是离散词表。

首见 A01 已讲透 · A01
扩散模型diffusion model

从纯噪声出发,逐步估计并减掉噪声,最后还原出图像的生成模型;输出空间是像素或潜变量。

首见 A01 已讲透 · A01
多模态模型multimodal model

把文本、图像、音频等编码到可以互相对齐的表示空间;它更像接口层能力,不是第三条生成路线。

首见 A01 已讲透 · A01

生成机制

自回归autoregressive

把刚生成的结果追加回输入,再据此预测下一步;语言模型的“往下接”就是自回归。

首见 A01 已讲透 · A01
噪声noise

扩散模型起点与每一步要减掉的东西;种子决定这团噪声的初始状态。

首见 A01 已讲透 · A01
去噪denoising

扩散采样中反复估计噪声并减掉它的过程;步数就是这件事重复多少次。

首见 A01 已讲透 · A01
潜空间latent space

VAE 压缩后的低维表示空间;潜空间扩散在这里去噪,最后再解码回像素。

首见 A01 已讲透 · L1-01
变分自编码器variational autoencoder (VAE)

把图像编码到潜空间、再从潜空间解码回像素的自编码器;工作流里通常单独有一个 VAE 节点。

首见 A01 已讲透 · L1-01
文本编码器text encoder

把提示词编码成条件向量的组件,例如 CLIP 或 T5;它决定模型“怎么读到”你的词。

首见 A01 已讲透 · L2-02
词表vocabulary

模型可以输出的全部 token 集合;下一个 token 的概率分布就定义在这张表上。

首见 A01 已讲透 · A02
分词器tokenizer

把文本切成 token 的规则与工具;同一句话在不同模型里可能切成不同数量。

首见 A02 已讲透 · A02
词元token

模型处理文本的最小切分单位,不一定等于一个字或一个词;中文里常见一个字或半个词。

首见 A02 已讲透 · A02
下一个词元预测next-token prediction

给定前文,输出词表上每个候选的概率,再按采样规则挑一个接上去;这是大模型的基本动作。

首见 A02 已讲透 · A02
原始分数logits

模型对词表里每个 token 打出的原始分数,有正有负、不成比例;要先过 softmax 才会变成能当概率用的数。

首见 A01 只提一句 · A01
概率分布probability distribution

每个候选 token 被选中的概率;生成不是查表,而是在这个分布上做选择。

首见 A01 已讲透 · A02
归一化指数函数softmax

把模型输出的原始分数(logits)归一化成概率的函数;它不改变排序,只改变可读性。

首见 A01 已讲透 · A02
采样sampling

按概率抽取下一个 token,而不是永远取最高分;温度与 top-p 都是在改采样方式。

首见 A01 已讲透 · A02
温度temperature

把概率分布调平或调尖的采样参数;调高更发散,调低更保守,调到 0 附近接近总取最高。

首见 A02 已讲透 · A02
核采样top-p (nucleus sampling)

只保留累计概率达到 p 的候选,再在候选里采样;也叫核采样。它控制候选池的大小。

首见 A01 已讲透 · A02
上下文窗口context window

一次请求里模型能同时看见的 token 上限;它像工作台,不是硬盘,超出就会被挤掉。

首见 A01 已讲透 · A02
预填充prefill

先把已有上下文并行处理一遍、建立缓存的阶段;它通常比逐 token 解码快。

首见 A02 已讲透 · A02
解码decode

逐 token 生成输出的阶段;流式输出就是边解码边把已经生成的部分返回。

首见 A01 已讲透 · A02
流式输出streaming

边解码边把已经生成的部分返回给用户;它改善等待体验,不改变模型本身的能力。

首见 A02 只提一句 · A02
03

提示词

16 条

提示词不是一种东西,而是两套语法:一段给语言模型的话,或一组给扩散模型的条件。先分清输入方式,再谈写法。

通用与对话式

提示词prompt

模型一次推理收到的条件文本;它改变概率分布或条件向量,不是一段会被逐行执行的程序。

首见 A01 已讲透 · A03
系统提示system prompt

产品层放在对话最前面的指令性文本,用来设定角色、规则与边界;用户通常看不到或不能改。

首见 A01 已讲透 · A04
角色role

提示词里对“你是谁、以什么身份回答”的设定;它改变语气与取舍,不改变模型的知识边界。

首见 A01 已讲透 · A03
约束constraint

对输出范围、格式、长度、口吻等的要求;写得越可检查,越容易在验收时判断是否满足。

首见 A02 已讲透 · A03
示例example

在提示词里给出输入—输出样例,让模型模仿格式或判断标准;它比形容词更稳,但会占上下文。

首见 A03 已讲透 · A03
对话式提示词conversational prompt

给语言模型的一段话,通常包含角色、任务、约束、示例;重点是把意图说清楚,而不是堆关键词。

首见 A03 已讲透 · A03
指令instruction

要求模型遵守的行为规则;通常写在提示词里,但“写了”不等于“系统已经执行”,权限与流程仍要代码兜底。

首见 A01 已讲透 · A03
提示注入prompt injection

外部内容里夹带的恶意指令,试图覆盖原始要求;它利用的是“模型分不清数据与指令”。

首见 A04 已讲透 · A04

图像式

图像式提示词image prompt

给扩散模型的条件词组,常按主体、外观、场景、构图、镜头、光线、风格、质量分层组织。

首见 A03 已讲透 · A03
关键词堆叠keyword stacking

用逗号分隔的词组而不是完整句子来组织图像条件;模型读的是词与权重的组合,不是语法。

首见 A01 已讲透 · A03
权重语法weight syntax

用 (词:1.2) 这类写法改变某个词在条件向量里的强度;加得过高会让画面僵硬或过饱和。

首见 A01 已讲透 · A03
负面提示词negative prompt

告诉模型“往远离这些特征的方向走”的条件;在 CFG 里,它充当与正面条件对照的无条件分支。

首见 A01 已讲透 · A03
条件conditioning

引导生成方向的额外信息;文本、参考图、深度图、遮罩都可以成为条件,只是进入方式不同,而且都要先编码成向量。

首见 A01 已讲透 · L2-02
注意力attention

让每个位置按相关程度去读其他位置的信息:不是平均,而是按权重取;图像生成里的交叉注意力就是它的一种用法。

交叉注意力cross-attention

去噪网络在每一步读取文本条件向量的机制;它看的是词与权重的信号,不做句子成分分析。

参考潜空间ReferenceLatent

把参考图编码后的潜变量直接挂到条件上;它传的是“照这张图的样子改”,不是把原图拼进画布。

04

编排与工作流

14 条

这一组最容易“都叫工作流”。记住一条:先看谁决定下一步——固定顺序是 Workflow,能根据中间结果改路线才是 Agent。

编排层六词

工作流workflow

把多个步骤按依赖关系组织成可重复执行的流程;在 ComfyUI 里是一张节点图,在 Agent 语境里是一段固定编排。

首见 A01 已讲透 · A04
编排orchestration

决定多个步骤、工具或模型按什么顺序与条件执行;它关心流程,不关心单个提示词写得多漂亮。

首见 A01 已讲透 · A06
智能体Agent

带循环的决策系统:观察结果、选择动作、调用工具、更新状态,再决定下一步;判据是“能不能根据中间结果改路线”。

首见 A01 已讲透 · A04
工具Tool

暴露给模型的、带名称与参数结构的可调用函数;模型只决定“调哪个、传什么”,执行由外部系统完成。

首见 A01 已讲透 · A04
模型上下文协议Model Context Protocol (MCP)

让应用以标准方式发现和调用外部工具的协议;它像插座与说明书,本身不提供智能。

首见 A01 已讲透 · A04
技能Skill

把指令、工具、脚本、资源打包成的可复用单元;具体是说明书、工具还是模板,要看平台定义。

首见 A01 已讲透 · A04

图与执行

节点node

工作流里的一个操作单元;ComfyUI 里是加载、编码、采样、解码等算子,每个节点有输入、输出与参数。

首见 A01 已讲透 · L0-01
连线edge

节点之间的连接;ComfyUI 的连线传数据,业务编排的连线更多传控制流。

首见 A01 已讲透 · L0-01
有向无环图DAG

有方向、没有回路的图;执行顺序由依赖关系决定,因此可以并行、可以复现。

首见 A04 已讲透 · A04
子图subgraph

把一组节点折叠成一个可复用节点,只暴露少量输入输出;它仍然是同一张工作流的一部分,不是独立工作流。

可复现reproducibility

相同输入、模型、参数与运行环境下,能再次得到同一结果;固定种子只是其中一个条件。

首见 A04 已讲透 · A06
批处理batch

一次排队生成多张图或多组参数,而不是逐次手动提交;它放大吞吐,也放大错误参数的影响。

首见 A06 已讲透 · A06
工作流文件workflow file

保存节点、连线与参数的 JSON;可分享、可版本化,但不包含模型权重本身,换机器仍需模型清单。

首见 A06 已讲透 · A06
聊天出图闭环chat loop

描述 → 生成 → 看结果 → 再描述的循环;适合探索,但每一轮都从当前上下文重新开始,成功没有被固化成步骤。

首见 A06 已讲透 · A06
05

控制与约束

16 条

控制不是“写更长的提示词”,而是给模型额外的条件、权重或区域限制。先分清每个工具补的是“形状”还是“长相”。

模型补丁与结构控制

检查点模型Checkpoint

一份包含主模型、文本编码器、VAE 等权重的完整模型文件,决定底模的能力与画风基线。

首见 A04 已讲透 · L2-01
低秩适配low-rank adaptation (LoRA)

一小份附加权重,在不改底模的情况下注入风格、角色或细节;必须与底模架构和版本匹配。

首见 A01 已讲透 · L2-01
控制网络ControlNet

用边缘、深度、姿态等结构条件控制构图与形状的附加网络;它管“长成什么轮廓”。

首见 A01 已讲透 · L1-04
图像提示适配器IP-Adapter

用参考图提供风格或主体特征的图像提示适配器;它管“看起来像谁、什么气质”,不管结构。

首见 A01 已讲透 · L1-05
预处理器preprocessor

把原图转成 ControlNet 可用的条件图,例如 Canny 边缘、深度图、OpenPose 姿态骨架。

首见 A01 已讲透 · L1-04
参考图reference image

作为风格、主体或构图依据输入的图片;需要经过编码器或适配器,才能变成生成条件。

首见 A01 已讲透 · L1-05

区域与参数

遮罩mask

一张与原图同宽高的 0–1 图:白 = 允许改,黑 = 不许动,灰 = 按比例混合;局部重绘与合成依赖它,遮罩边缘的处理决定接缝是否自然。

首见 A03 已讲透 · L3-05b
局部重绘inpainting

只在遮罩区域重新生成,其余像素尽量保留;适合改手、换物体、修局部瑕疵。

首见 A01 已讲透 · L3-05
SEGSSEGS

把一张遮罩拆成一组矩形框后的数据;有了框才能逐个裁出来重绘、再逐张贴回去,它输出的是框,不是图。

开放词表open vocabulary

类别不预先写死,你给什么名词就去找什么;但它只认名词对应的物体,听不懂动作、方位或指令。

ADE20KADE20K

语义分割用的固定类别清单,约 150 类;模型只能从清单里挑,清单外的造型会被整片归到最接近的一类。

采样器sampler

决定每一步如何去噪的算法;不同采样器的速度、稳定性与质感不同,换采样器也会改变结果。

首见 A03 已讲透 · L1-02
种子seed

噪声起点的随机数;固定它是复现的必要条件,不是充分条件,模型版本与采样器同样会改变结果。

首见 A01 已讲透 · L1-03
步数steps

去噪迭代的次数;太少可能没收敛,太多收益递减、速度更慢,还可能出现过度打磨。

首见 A01 已讲透 · L1-02
无分类器引导classifier-free guidance (CFG)

用“有条件 − 无条件”的差额外推,控制提示词对结果的牵引强度;过高会过饱和、僵硬,过低会不听提示。

首见 A01 已讲透 · L1-03
分块放大tiling

把大图切成若干小块分别放大再拼回去;它换的是显存占用,不是清晰度上限,代价是多跑几次、要处理拼缝。

06

评估与边界

12 条

最后这一组不解决“怎么生成”,而解决“能不能信、能不能交”。术语不多,但每条都对应一个验收动作。

能力边界capability boundary

模型在哪些输入与任务上可靠、在哪里会失效的范围;边界不是一句“它不擅长”,而是可观察的失败模式。

首见 A01 已讲透 · A01
幻觉hallucination

流畅但缺少事实依据的输出;模型在补全最像样的下一个 token,而不是在数据库里检索答案。

首见 A01 已讲透 · A02
知识截止knowledge cutoff

训练数据覆盖的时间终点;之后的新事件、新价格、新版本,模型默认不知道,除非你把它放进上下文。

首见 A02 已讲透 · A02
交付物deliverable

要交给他人使用或署名的最终产物;它需要来源、参数、版本与可复核的说明,不只是一次对话结果。

首见 A05 已讲透 · A05
验收acceptance

按事先标准检查交付物是否可用;事实、数字、格式、版权分别有检查方法,不能只用“看起来不错”。

首见 A01 已讲透 · A05
断言claim

一段可以被拆分、核对真伪的事实陈述;至少问清“谁、何时、做了什么、数值多少、来源在哪”。

首见 A02 已讲透 · A05
引用citation

把结论指回可核查的来源;AI 给出的引用要逐条打开验证,不能只看格式像不像。

首见 A01 已讲透 · A05
隐私privacy

个人信息与敏感数据的处理边界;不该上传的内容,不要放进提示词或工作流。

首见 A05 已讲透 · A05
人工复核human review

由人检查高风险或高事实密度的输出,并承担最终责任;AI 可以起草,但不能替署名者背书。

首见 A02 已讲透 · A05
外推overgeneralization

把局部样本的结论扩大到不适用的人群、场景或时间;看到“研究表明”时,先问样本是谁、条件是什么。

首见 A05 已讲透 · A05
风险等级risk level

按错误代价给任务分级,决定 AI 参与程度与复核强度;代价越高,越要把关键步骤留给人。

首见 A05 已讲透 · A05

07固定类比登记

全课程规定:一个概念只配一个类比,后面的课原样复用。这张表是唯一底稿。如果你在某一课看到同一个概念换了比方,以本表为准,并把那一处当成待修的 bug。

两条口径注释(与表并列,不计入条数):一、“骨架”只指工作流的主干链路,不指控制条件;ControlNet 这类产出统一叫“结构图 / 控制图”,不叫骨架。二、采样是动作,扩散是模型类别,两者共用“从一团噪声里一步步擦出图”这一套说法,不是两个比喻。

概念固定类比第一次出现复用在哪
模型 / 产品 / 能力发动机 / 整车 / 这车在什么路况跑多快A01A01、A05、A06
判别式模型质检员:只能在已有等级表里选一个等级A01A01、A05
生成式模型画师:按学到的分布重新画,不是剪贴原图A01A01、A03、A06
大语言模型不停做「下一词选择题」A02A02、A03、A04
扩散模型从一团噪声里一步步擦出图A01A01、A03、A06
潜空间1/8 草稿画布A01L1-01
VAE有损翻译机(像素 ⇄ 草稿)A01L1-01、L3-07
上下文窗口一次摊开的工作台,不是硬盘A02A02、A04
节点一道工序A01A06、L0-01 起全站
连线交接单:上游把什么交给下游A01A06、L0-01 起全站
CFG听话程度:越高越贴着提示词走A01L1-03
LoRA补丁:不动主模型,只叠一层偏移A01L2-01、L3-02
采样按草稿擦噪声:从噪声出发,一步步擦出潜空间里的图A01L1-02、L1-06
遮罩许可表:白 = 允许改,黑 = 不许动,灰 = 按比例混合;它只回答“能不能改”,不携带画面内容L3-05bL3-05、L2-05
clipspace临时粘贴板:浏览器涂抹后落在 input 目录的临时 PNG,只存路径不存图,换机或清 input 就断L3-05b仅 L3-05b
结构与风格(ControlNet vs IP-Adapter)形 vs 气:ControlNet 管形(构图、姿态、边缘),IP-Adapter 管气(风格、主体特征、氛围)L3-02L3-02、L3-03、L3-04、L3-10、L3-11
工作流 / 子图产线 / 产线上可以整体替换的工位模块A06(工作流)、L0-03b(子图)工作流见 A06、L0-01 起全站;子图见 L2-04

单课比喻附录

下面 9 条只在标注的那一课成立,不许跨课复用。换到别的课讲同一个概念时,必须改用上面的固定类比;如果在别处看到它们被借用,按待修的 bug 处理。

概念单课比喻只在这课用
多模态接口加宽:同一套模型多开几种输入口A01
MCP插座标准:工具按同一规格接入A04
Tool模型的手:真正去执行动作A04
Skill把「怎么做」打包成一份可复用说明A04
ComfyUI 界面地图:先认区,再动作L0-02b
子图 #196小生产线:里面串着一列工序,不是一层滤镜L0-03b
插值放大举着放大镜看报纸:字变大了,笔画没变多L3-07b
放大模型背过大量「糊—清」配对题的临摹者:只补原有轮廓上的笔画L3-07b
分块放大把大海报切成几张 A4 分别处理,再拼回去L3-07b

固定类比与单课比喻分开计数:前者跨课复用,后者出课即失效。想新增一条,先写清“为什么不能借用已有条目”,再登进这两张表里的一张。

08六组易混词对照

下面六组词,光看单个定义还是会混。每一组都用一张表讲分界线:它们在什么维度上不同、各自负责什么、什么时候会互相替代。窄屏下表格可左右滑动。

A

大模型(大语言模型) vs 扩散模型

对比项大语言模型扩散模型
输出空间离散的词表 token连续的像素或潜变量
生成方式逐个 token 预测并追加从噪声出发逐步去噪
条件怎么进放进上下文窗口的文本文本编码器 → 交叉注意力
一次生成一个 token 接一个 token一张图经过多步迭代
强项语言、总结、改写、代码构图、风格、质感、局部重绘
典型失效事实幻觉、精确计数精确文字、数量、身份一致性

一句话:一个在“往下接”,一个在“往里减”。详解见 A01 与 A02。

B

提示词 vs 指令

对比项提示词 Prompt指令 Instruction
是什么一次推理的条件文本对行为的要求或规则
作用方式改变概率分布或条件向量写进提示词后,仍由模型解释
是否保证执行不保证不保证;权限与流程要靠代码
适合放什么意图、风格、约束、示例角色规则、步骤要求、格式要求
典型误用把业务规则全塞进提示词把“写了”当成“已经执行”

一句话:提示词是“给材料”,指令是“提要求”;两者都在同一个输入里,但都不是程序。详解见 A03 与 A04。

C

Workflow vs 子图

对比项Workflow子图 Subgraph
范围整张流程或整张节点图图里的一组节点
作用组织步骤与依赖,保证可执行折叠复用,减少画布噪音
暴露接口输入输出由整图决定只暴露少量输入输出
修改影响改整图改子图会影响所有引用处
典型误用把固定 Workflow 当成 Agent把子图当成一份独立工作流

一句话:Workflow 是整条产线,子图是产线上可以整体替换的工位模块。详解见 A04、B L0-02 与 D L2-04。

D

ControlNet vs IP-Adapter

对比项ControlNetIP-Adapter
控制什么结构、构图、姿态、深度、边缘风格、主体特征、氛围
输入条件图,如 Canny、depth、pose参考图,经图像编码器进入
典型用途线稿上色、姿态复刻、空间结构风格迁移、角色或产品一致性
过度使用结构僵硬,细节被条件锁死风格污染,主体被参考图带偏

一句话:ControlNet 管“形状”,IP-Adapter 管“长相与气质”。详解见 D L1-04、D L1-05 与 C L3-10。

E

LoRA vs Checkpoint

对比项LoRACheckpoint
是什么附加的小份权重完整的底模文件
体积几十 MB 到几百 MB通常几 GB
能否单独用不能,需要底模可以,是生成的基础
改什么风格、角色、细节倾向整体能力与画风基线
匹配要求与底模架构、版本匹配与工作流节点、VAE 匹配

一句话:Checkpoint 是地基,LoRA 是补丁;补丁不能单独盖房子。详解见 B L0-01 与 D L2-01。

F

种子 vs 步数 vs CFG

对比项种子 Seed步数 StepsCFG
管什么噪声起点去噪迭代次数条件牵引强度
调大 / 换值换一个值,通常是另一张构图更慢;细节可能更好,也可能过熟更贴提示词;过高会过饱和、僵硬
调小换一个值,通常是另一张构图更快;可能还没收敛更自由;过低会不听提示词
什么时候动想换构图,或想复现某张图在质量与速度之间找平衡提示词很准但画面不够贴时,小幅调
注意固定种子仍受模型、采样器、硬件影响不是越多越好不是越高越好

一句话:种子决定“从哪开始”,步数决定“走多久”,CFG 决定“多听提示词”。详解见 D L1-02 与 D L1-03。

09常见误解

  1. “Workflow 和 Agent 都是自动跑流程,差不多。”

    Workflow 的下一步由连线写死;Agent 会根据中间结果改变下一步。判据只有一条:它能不能根据观察到的结果改路线。

  2. “Checkpoint 和 LoRA 都是模型文件,可以互相替换。”

    Checkpoint 是完整底模,能单独生成;LoRA 是附加权重,必须挂在匹配的底模上。把 LoRA 当底模加载,通常直接报错。

  3. “CFG 越高,图就越听话,所以越高越好。”

    CFG 过高会让画面过饱和、对比过硬、细节僵硬;它控制的是“牵引强度”,不是“正确率”。

  4. “固定种子就能得到完全一样的图。”

    种子只固定噪声起点。模型版本、采样器、精度、硬件与依赖版本变了,结果仍会变;固定种子是复现的必要条件,不是充分条件。

  5. “ControlNet 和 IP-Adapter 都是参考图,随便用哪个都行。”

    ControlNet 读的是结构条件,管轮廓、姿态、深度;IP-Adapter 读的是图像特征,管风格与主体相似。一个管形状,一个管长相。

  6. “提示词写清楚了,系统就会照做。”

    提示词只改变概率分布或条件向量,不保证执行。权限、格式校验、危险操作确认,必须由代码或流程兜底。

  7. “术语背下来,就等于会用。”

    术语只帮你定位问题。真正要用起来,还得知道它在哪一层、控制什么、失效时长什么样。这张表的作用是索引,不是替你把课读完。

10自检清单