术语表
技术术语通俗解释
核心概念 共 8 个术语
Agent（智能体）
普通 AI 就像百科全书（你问它答）；Agent 就像管家（你吩咐它办）。
就像一个「智能管家」，不仅能回答你的问题，还能主动帮你做事。比如你告诉它「帮我监控这个商品的价格」，它就会持续关注并在价格下降时通知你。
API Key（接口密钥）
就像你家门的钥匙，只有拥有它的人才能开门。
一把「数字钥匙」，让 OpenClaw 能够调用 AI 模型的能力。就像你需要会员卡才能进入健身房一样，OpenClaw 需要 API Key 才能使用 Claude、GPT 等 AI 模型。
Skill（技能）
就像瑞士军刀的不同工具，需要什么功能就装什么技能。
给 AI 助手安装的「工具包」。就像给手机安装 App 一样，给 OpenClaw 安装技能可以让它获得新能力，比如搜索网页、处理表格、发送邮件等。
Channel（渠道）
就像你可以用电话、短信、微信联系同一个人，只是沟通方式不同。
你和 AI 助手交流的「通道」。你可以通过微信、飞书、钉钉、Telegram 等各种聊天软件与 OpenClaw 对话，这些就是不同的渠道。
Memory（记忆）
就像你有个记性很好的朋友，记得你们之前所有的聊天内容。
OpenClaw 的「长期记忆」。它能记住你们之前的对话，这样下次聊天时它就知道你之前说过什么。这个记忆存储在你本地，不会泄露给任何人。
7×24
就像 24 小时便利店，随时需要随时在。
7 天 × 24 小时，表示全天候运行。OpenClaw 的一个重要特性是可以一直在后台运行，帮你自动处理任务，不像 ChatGPT 那样需要你每次主动去问。
Agents（多智能体）
就像一个团队——有人负责调研、有人负责写作、有人负责审核，各司其职。
多个 AI Agent 协同工作的模式。每个 Agent 负责不同任务，比如一个负责搜索、一个负责总结、一个负责检查质量，它们互相配合完成复杂工作。
编排（Orchestration）
就像乐队指挥——决定谁先演奏、谁后加入、节奏如何变化。
管理和协调多个 Agent 或工具的执行顺序和逻辑。编排决定了哪个 Agent 先执行、数据如何在 Agent 之间传递、遇到错误如何处理。
技术术语 共 16 个术语
LLM（大语言模型）
就像汽车的发动机，不同品牌的发动机性能和价格不同。
AI 的「大脑」，负责理解和生成文字。Claude、GPT-4、Gemini 都是大语言模型。OpenClaw 本身是个框架，需要连接一个 LLM 才能工作。
Docker（容器）
就像集装箱，不管里面装什么，外面的卡车、轮船都能统一运输。
一个「打包运输工具」，把软件和它需要的所有东西打包在一起。这样不管在什么电脑上运行，效果都一样。你不需要理解它怎么工作，只需要知道它能让你更方便地安装和运行 OpenClaw。
开源（Open Source）
就像公开的菜谱，谁都可以学着做，还可以根据自己的口味改良。
软件的源代码是公开的，任何人都可以查看、修改和分发。OpenClaw 是开源软件，这意味着它是免费的，而且有全球开发者共同维护。
环境变量
就像你手机里的备忘录，存着各种账号密码，但只有你自己能看。
一种存储配置信息的方式，比如 API Key、密码等敏感信息通常存放在环境变量中。这样既安全又方便管理。
Webhook（网络钩子）
就像门铃，有人按了（事件发生），你家里就能听到（收到通知）。
一种让应用程序之间自动通信的方式。当某个事件发生时（比如收到新邮件），Webhook 会自动通知另一个应用（比如 OpenClaw），让它立即采取行动。
RAG（检索增强生成）
就像开卷考试，AI 先翻阅你的资料再作答，而不是凭记忆瞎编。
让 AI 在回答问题前先搜索你的私有文档和知识库，而不是只依赖训练数据。这样 AI 就能回答关于你公司、你项目的问题，而不仅仅是通用知识。
多模态（Multimodal）
就像一个全能翻译官，不仅会读写，还能看图听音。
AI 同时理解文字、图片、语音、视频等多种信息形式的能力。比如你可以发给 AI 一张截图，让它帮你分析数据，或者发一段语音让它整理成文字。
向量数据库
就像图书管理员不仅按书名找书，还能按「内容和某某类似」来找。
专门存储 AI 记忆的数据库。它不像传统数据库那样按关键词匹配，而是按「意思相似度」搜索，所以 AI 能理解你说「差不多的意思」并找到相关内容。
微调（Fine-tuning）
就像买了一件成衣再找裁缝改到合身——基础能力有了，再针对你的需求定制。
在已有 AI 模型基础上，用你自己的数据进一步训练，让它在特定领域表现更好。比如用你公司的客服记录微调，AI 就能更好地回答客户问题。
上下文窗口（Context Window）
就像你一次能看多少页书——看的多，理解的就全面。
AI 一次能「记住」和处理的文字数量上限。窗口越大，AI 能参考的信息就越多。GPT-4 最多能处理约 128K 个 Token，Claude 最高支持 200K。
MCP（模型上下文协议）
就像 USB-C 接口统一了充电线，MCP 统一了 AI 连接外部工具的方式。
Model Context Protocol，一个开放标准，让 AI 助手能安全地连接外部工具和数据源。通过 MCP，OpenClaw 可以访问你的文件系统、数据库、API 等各种资源。
Function Calling（函数调用）
就像让助手打电话确认信息，而不是凭记忆回答。
让 AI 能够调用外部函数或 API 的能力。比如你说「查一下北京天气」，AI 可以调用天气 API 获取实时数据，而不是瞎编一个答案。
系统提示词（System Prompt）
就像给新员工发的工作手册——规定了怎么做事、什么能说什么不能说。
在用户对话之前设定 AI 的角色和行为规则。比如你可以设定「你是一个专业的客服代表，用礼貌的语气回答」。系统提示词决定了 AI 的基本行为模式。
Temperature（温度参数）
就像调节水龙头——左边冷水（精确稳定），右边热水（创意奔放）。
控制 AI 回答的「创造力」。温度低（0-0.3）回答更精确稳定，适合写代码、翻译；温度高（0.7-1.0）回答更有创意变化，适合写故事、头脑风暴。
流式输出（Streaming）
就像视频流媒体——边下载边播放，不用等整个视频下载完。
AI 不是等全部想好再一次性输出，而是像打字一样一个字一个字地实时显示。这样你可以更快看到 AI 的回答，体验更流畅。
Embedding（向量嵌入）
就像给每本书分配一个独特的坐标——内容相近的书坐标也相近。
把文字转换成数字向量的技术，让 AI 能够理解和比较文本之间的语义相似度。这是 RAG 和语义搜索的基础技术。
部署方式 共 2 个术语
本地部署
就像在自己家做饭（自己买食材、自己做）vs 去餐厅吃饭（别人做好端上来）。
把软件安装在你自己的电脑或服务器上运行，而不是用网上的云服务。好处是你的数据完全由自己掌控，坏处是需要自己维护。
云端托管
就像租房 vs 买房——租房省心但不是自己的，买房麻烦但是自己的。
让别人帮你运行软件，你只需要通过网页或 App 使用。好处是不用自己维护，坏处是数据存在别人服务器上。
计费相关 共 3 个术语
Token（令牌/字元）
就像出租车的计价器，跑得越远费用越高。
AI 计费的最小单位。简单理解，约 4 个英文字符或 1-2 个中文字算一个 Token。你发送的内容和 AI 回复的内容都会消耗 Token，费用就是按 Token 数量计算的。
Prompt（提示词）
就像给员工下达任务，说得越清楚，完成得越好。
你发给 AI 的指令或问题。写好 Prompt 是用好 AI 的关键，越清晰具体的指令，AI 的回答就越好。
模型路由（Model Routing）
就像打车——短途叫经济型，长途出远门叫商务型，按需选择。
根据任务类型自动选择最合适的 AI 模型。简单问题用便宜快速的模型，复杂推理用高端模型。这样既保证质量又控制成本。
工具 共 1 个术语
Ollama
就像在家里建了个小型发电站，不用交电费但需要自己买设备维护设备。
一个让你在本地电脑运行 AI 模型的工具。使用 Ollama 可以完全免费使用 AI，但需要你的电脑配置比较好（至少 8GB 内存，推荐 16GB 以上）。