From c5e3c6157855a2a0d771edc8241e432e7e1c7075 Mon Sep 17 00:00:00 2001
From: "yupi-translate-app[bot]"
 <256304331+yupi-translate-app[bot]@users.noreply.github.com>
Date: Thu, 5 Feb 2026 14:48:20 +0000
Subject: [PATCH] =?UTF-8?q?[GitHub=20Global]=20Translate=20Vibe=20Coding?=
 =?UTF-8?q?=20=E9=9B=B6=E5=9F=BA=E7=A1=80=E6=95=99=E7=A8=8B/70=20Vibe=20Co?=
 =?UTF-8?q?ding=20=E6=A6=82=E5=BF=B5=E5=A4=A7=E5=85=A8.md=20to=20zh-TW?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 .../70 Vibe Coding 概念大全.md                | 405 ++++++++++++++++++
 1 file changed, 405 insertions(+)
 create mode 100644 translations/zh-TW/Vibe Coding 零基础教程/70 Vibe Coding 概念大全.md

diff --git a/translations/zh-TW/Vibe Coding 零基础教程/70 Vibe Coding 概念大全.md b/translations/zh-TW/Vibe Coding 零基础教程/70 Vibe Coding 概念大全.md
new file mode 100644
index 0000000..7ff7409
--- /dev/null
+++ b/translations/zh-TW/Vibe Coding 零基础教程/70 Vibe Coding 概念大全.md	
@@ -0,0 +1,405 @@
+# Vibe Coding 概念大全
+
+> 一文搞懂 AI 編程的所有核心術語
+
+
+
+你好，我是程式員魚皮，前騰訊全端開發，全網 200 萬粉的 [AI 編程博主](https://space.bilibili.com/12890453)，也是 [AI 導航](https://ai.codefather.cn) 和 [編程導航](https://www.codefather.cn) 等 10+ 自研產品的創造者。
+
+在學習 Vibe Coding 的過程中，你一定會遇到各種陌生的名詞和術語。比如什麼是 Token？什麼是上下文窗口？什麼是 RAG？這些概念聽起來很高大上，但其實理解起來並不難。
+
+這篇文章就是你的 **AI 編程術語詞典**，我會用最通俗易懂的語言，把 Vibe Coding 中最常見、最重要的概念講清楚。你可以把它收藏起來，遇到不懂的詞就來查一查。
+
+
+
+## AI 基礎概念
+
+
+### 人工智慧（AI）
+
+人工智慧（Artificial Intelligence）是讓電腦模擬人類智慧的技術。簡單來說，就是讓機器能像人一樣思考、學習和解決問題。
+
+在 Vibe Coding 中，AI 就是你的編程助手。你告訴它要做什麼，它幫你寫程式碼。就像你有一個 24 小時在線的程式員朋友，隨時可以幫你幹活。
+
+
+
+
+### 大語言模型（LLM）
+
+大語言模型（Large Language Model）是一種能夠理解和生成人類語言的 AI 系統。ChatGPT、Claude、Gemini、DeepSeek 都是大語言模型。
+
+為什麼叫 “大” 呢？因為這些模型的參數量非常龐大，動輒幾十億甚至上萬億個參數。參數越多，模型通常越聰明，但也越消耗計算資源。
+
+你可以把大語言模型理解成一個讀過海量書籍和程式碼的超級學霸，它見過無數的編程案例，所以能幫你寫程式碼、解釋程式碼、修復 bug。
+
+![](https://pic.yupi.icu/1/1745384872015-f84a47fc-0925-4797-9dfc-e4dfae01a3fa.png)
+
+
+
+### 模型參數
+
+參數是模型在訓練過程中學到的 “知識點”，用數字的形式存儲在模型中。參數越多，模型能記住的知識就越豐富，通常也越聰明。
+
+比如：
+
+- GPT-4 大約有 1.8 萬億參數
+- Claude 3.5 Sonnet 的參數量未公開，但估計在千億級別
+- DeepSeek-V3 有 6710 億參數
+
+參數量會影響模型的能力和運行成本。一般來說，參數越多的模型越貴，但效果也越好。
+
+
+
+
+### 訓練和推理
+
+訓練（Training）是讓 AI 模型從大量數據中學習知識的過程。這個過程需要海量的計算資源和時間，通常由 AI 公司完成。你不需要自己訓練模型。
+
+推理（Inference）是模型學完之後，用學到的知識來回答問題、生成內容的過程。當你用 ChatGPT 對話時，就是在進行推理。
+
+打個比方：訓練就像學生上學讀書，推理就像學生參加考試答題。我們日常使用 AI 工具，都是在用推理能力。
+
+
+
+
+### 微調（Fine-tuning）
+
+微調是在已有模型的基礎上，用特定領域的數據繼續訓練，讓模型在某個領域表現更好。
+
+比如，你可以用大量的醫學資料微調一個模型，讓它成為醫學專家。或者用你公司的程式碼庫微調，讓它更了解你的專案風格。
+
+對於普通用戶來說，微調成本較高，一般不需要自己做。直接使用現成的模型就夠用了。
+
+
+
+## Token 和計費
+
+
+### Token
+
+Token 是 AI 模型處理文本的基本單位。你可以簡單理解為 “詞塊”。
+
+在英文中，一個 Token 大約是一個單詞或單詞的一部分。在中文中，一個漢字通常是 1-2 個 Token。
+
+為什麼 Token 重要？因為 AI 服務通常按 Token 收費。你輸入的文字和 AI 輸出的文字都會消耗 Token。Token 用得越多，花的錢就越多。
+
+舉個例子：
+
+- "Hello World" 大約是 2 個 Token
+- “你好世界” 大約是 4-6 個 Token
+
+![](https://pic.yupi.icu/1/image-20260112112612434.png)
+
+
+
+### 輸入 Token 和輸出 Token
+
+AI 服務通常分別計算輸入和輸出的 Token：
+
+- 輸入 Token：你發給 AI 的內容（提示詞、程式碼、文件等）
+- 輸出 Token：AI 返回給你的內容（回答、生成的程式碼等）
+
+一般來說，輸出 Token 比輸入 Token 更貴，因為生成內容比理解內容更消耗算力。
+
+省錢小技巧：寫清楚、寫簡潔的提示詞，讓 AI 一次就能理解你的需求，減少反覆對話。
+
+
+
+### 上下文窗口
+
+上下文窗口（Context Window）是指 AI 模型一次能 “記住” 的最大內容量，用 Token 來衡量。
+
+不同模型的上下文窗口大小不同：
+
+- GPT-4o：128K Token（約 10 萬中文字）
+- Claude 3.5 Sonnet：200K Token（約 15 萬中文字）
+- Gemini 2.0 Pro：2M Token（約 150 萬中文字）
+
+上下文窗口越大，AI 能處理的程式碼量就越多，能記住的對話歷史就越長。如果你的專案程式碼很多，選擇上下文窗口大的模型會更合適。
+
+但要注意，上下文窗口越大，每次請求消耗的 Token 也越多，成本也會更高。
+
+
+
+## 提示詞相關
+
+
+### 提示詞（Prompt）
+
+提示詞是你給 AI 的指令或問題。在 Vibe Coding 中，提示詞就是你用自然語言描述的需求。
+
+提示詞的質量直接決定了 AI 輸出的質量。一個好的提示詞應該：
+
+- 具體明確，不含糊
+- 包含必要的背景信息
+- 說明期望的輸出格式
+
+比如，“做一個網站” 是一個模糊的提示詞，而 “用 React 做一個記賬網站，包含添加支出、查看列表、統計總額三個功能，界面用藍色調” 就是一個好的提示詞。
+
+在 AI 對話中，消息通常分為三種角色：
+
+- 系統提示詞（System）：設置 AI 的角色和行為規則，對用戶不可見
+- 用戶提示詞（User）：你發送給 AI 的消息
+- 助手提示詞（Assistant）：AI 回覆給你的消息
+
+理解這 3 種角色有助於你更好地構造對話。比如在調試時，你可以在提示詞中模擬之前的對話歷史，讓 AI 更好地理解上下文。
+
+
+
+### 系統提示詞
+
+系統提示詞（System Prompt）是在對話開始前設置的指令，用來定義 AI 的角色、行為和限制。
+
+比如，你可以設置系統提示詞：“你是一位資深的 React 開發專家，請用簡潔清晰的程式碼風格回答問題。”
+
+系統提示詞在整個對話過程中都會生效，是定制 AI 行為的重要方式。
+
+![](https://pic.yupi.icu/1/1745462990451-6f2b5727-d47b-436c-9da2-50dac64fb790.png)
+
+
+
+### 提示詞工程
+
+提示詞工程（Prompt Engineering）是設計和優化提示詞的技術，目的是讓 AI 更好地理解你的意圖，生成更符合預期的結果。
+
+這是 Vibe Coding 的核心技能之一。好的提示詞工程師能用更少的對話輪次，讓 AI 生成更高質量的程式碼。
+
+
+
+### 零樣本提示（Zero-shot）
+
+零樣本提示是指直接給 AI 一個任務，不提供任何示例。
+
+比如：“請把這段英文翻譯成中文。”
+
+AI 會根據自己的訓練知識來完成任務。對於簡單任務，零樣本提示通常就夠用了。
+
+
+
+### 少樣本提示（Few-shot）
+
+少樣本提示是在提示詞中提供幾個示例，讓 AI 學習你想要的格式或風格。
+
+比如：
+
+```
+請按以下格式翻譯：
+英文：Hello → 中文：你好
+英文：Thank you → 中文：謝謝
+英文：Good morning → 中文：
+```
+
+通過提供示例，AI 能更準確地理解你的需求，輸出更一致的結果。
+
+
+
+### 思維鏈提示（Chain-of-Thought）
+
+思維鏈提示是讓 AI 一步一步思考問題，而不是直接給出答案。這對於複雜的推理任務特別有效。
+
+你可以在提示詞中加上 “請一步一步思考” 或 "Let's think step by step"，AI 就會展示它的推理過程，通常能得到更準確的答案。
+
+在編程中，思維鏈提示能幫助 AI 更好地理解複雜需求，生成更合理的程式碼結構。
+
+![](https://pic.yupi.icu/1/chainofthought.png)
+
+
+
+### Markdown 語言
+
+Markdown 是一種輕量級的文本標記語言，用簡單的符號來表示格式。比如用 `#` 表示標題，用 `**文字**` 表示加粗，用 `-` 表示列表。
+
+在 Vibe Coding 中，Markdown 非常重要，因為：
+
+- AI 生成的回答通常是 Markdown 格式
+- 專案文檔（如 README）用 Markdown 編寫
+- 規則文件也是 Markdown 格式
+
+學會 Markdown 能讓你更好地與 AI 交流，也能寫出更規範的專案文檔。
+
+
+
+
+## AI 編程模式
+
+
+### Vibe Coding
+
+Vibe Coding 是由計算機科學家 Andrej Karpathy 在 2025 年 2 月提出的概念。它描述了一種全新的編程方式：通過自然語言和 AI 對話，讓 AI 幫你寫程式碼，你只需要描述需求、測試結果、指導方向。
+
+Vibe Coding 的核心理念是：你不需要精通編程語法，只需要能清楚表達你的想法。AI 負責把你的想法變成可運行的程式碼。
+
+這就像點外賣一樣：你告訴外賣平台你想吃什麼，餐廳幫你做好送到手上。你不需要會做飯，但要知道自己想吃什麼。
+
+
+
+### Agentic Coding 智能體編程
+
+Agentic Coding 是指讓 AI 像一個自主的 “智能體”（Agent）一樣工作，能夠自己規劃任務、執行操作、驗證結果，而不只是被動地回答問題。
+
+在 Cursor 的 Agent 模式中，AI 可以：
+
+- 自動讀取和分析多個文件
+- 規劃實現方案
+- 執行程式碼修改
+- 運行測試驗證
+- 自動修復問題
+
+這比傳統的問答式 AI 更強大，因為它能自主完成複雜的多步驟任務。
+
+![](https://pic.yupi.icu/1/agent-in-cursor.png)
+
+
+
+### 多智能體協作
+
+多智能體協作（Multi-Agent）是指多個 AI 智能體分工合作，共同完成複雜任務。
+
+比如，一個智能體負責設計架構，一個負責寫前端程式碼，一個負責寫後端程式碼，一個負責程式碼審查。它們像一個團隊一樣協作。
+
+這兩年，多智能體系統正在成為 AI 編程的重要趨勢，能夠處理更複雜的專案。
+
+![](https://pic.yupi.icu/1/image-20260112112834637.png)
+
+
+
+### 智能體編排
+
+編排是指協調和管理多個 AI 智能體或 AI 任務的過程，確保它們按正確的順序和方式工作。
+
+就像樂隊指揮一樣，編排器決定哪個智能體在什麼時候做什麼事情，如何傳遞信息，如何匯總結果。
+
+![](https://pic.yupi.icu/1/image-20260112112854174.png)
+
+
+
+### Agent Loop 智能體循環
+
+Agent Loop 是 AI 智能體的核心工作機制，描述了智能體如何持續運行來完成任務。
+
+一個典型的 Agent Loop 包括：
+
+1. 感知：獲取當前環境信息（讀取文件、查看錯誤等）
+2. 思考：分析情況，決定下一步行動
+3. 行動：執行具體操作（寫程式碼、運行命令等）
+4. 觀察：檢查行動的結果
+5. 循環：根據結果決定是否繼續
+
+這個循環會一直進行，直到任務完成或達到終止條件。理解 Agent Loop 能幫你更好地使用 Cursor Agent 等工具。
+
+
+
+### ReAct 推理與行動
+
+ReAct（Reasoning and Acting）是一種讓 AI 智能體交替進行推理和行動的技術框架。
+
+傳統的 AI 要么只思考不行動，要么只行動不思考。ReAct 讓 AI 能夠：
+
+- 先推理：思考當前情況，制定計劃
+- 再行動：執行具體操作
+- 觀察結果：看看行動效果如何
+- 繼續推理：根據結果調整策略
+
+這種 “思考 - 行動 - 觀察” 的循環讓 AI 能更可靠地完成複雜任務，是現代 AI 編程工具的核心技術之一。
+
+![](https://pic.yupi.icu/1/react-agent.png)
+
+
+
+### 工具調用
+
+工具調用（Tool Use / Function Calling）是讓 AI 能夠使用外部工具和功能的技術。AI 本身只能生成文字，但通過工具調用，它可以：
+
+- 讀寫文件
+- 執行命令行命令
+- 搜索網頁
+- 調用 API
+- 操作數據庫
+
+![](https://pic.yupi.icu/1/1746590338968-0240c12b-2956-47f4-b8ff-5b5f831221f6.png)
+
+工具調用的工作流程分為 4 步：
+
+1. 識別需求：AI 判斷當前任務需要使用工具
+2. 選擇工具：從可用工具中選擇合適的
+3. 執行調用：用正確的參數調用工具
+4. 整合結果：將工具返回的結果融入回答
+
+![](https://pic.yupi.icu/1/%E5%B7%A5%E5%85%B7%E8%B0%83%E7%94%A8%E6%B5%81%E7%A8%8B.png)
+
+需要注意的是，AI 模型本身並不直接執行工具，而是生成 “我想調用這個工具，參數是這些” 的指令，由外部程序執行後把結果返回給 AI。
+
+在 Vibe Coding 中，工具調用讓 AI 從 "只會說" 變成 "能動手"。比如 Cursor 的 Agent 模式就是通過工具調用來讀取文件、修改程式碼、運行命令的。
+
+
+
+### Agent Skills 智能體技能
+
+Agent Skills（智能體技能）是 Anthropic 在 2025 年 10 月推出的開放標準，用於給 AI 智能體擴展特定領域的專業能力。
+
+簡單來說，Skill 就是一個包含 `SKILL.md` 文件的文件夾，裡面可以放置指令說明、腳本程式碼、參考資料等。當 AI 遇到相關任務時，會自動加載對應的 Skill 來增強自己的能力。
+
+![](https://pic.yupi.icu/1/agent%2520skills.jpeg)
+
+你可以把 Skill 理解成給 AI 的 “新員工入職指南”。比如：
+
+- 一個 PDF 處理 Skill，教會 AI 如何填寫 PDF 表單
+- 一個專案部署 Skill，包含你團隊特有的部署流程和腳本
+- 一個程式碼審查 Skill，定義了你專案的程式碼規範和檢查清單
+
+Skills 的核心設計是 **漸進式披露**：AI 只在需要時加載相關內容，不會一次性把所有信息都塞進上下文，既節省 Token 又保持靈活性。
+
+![](https://pic.yupi.icu/1/agent%20skills%20bundling.jpeg)
+
+💡 想要發現更多好用的 Agent Skills？可以訪問 [魚皮 AI 導航 - Skills 大全](https://ai.codefather.cn/skills)，持續更新優質技能，釋放 AI 執行潛力。
+
+
+
+### A2A（Agent-to-Agent）
+
+A2A（Agent-to-Agent）是指 AI 智能體之間相互通信和協作的協議或方式，是多智能體系統的基礎技術。
+
+就像人和人之間需要語言來溝通，AI 智能體之間也需要標準化的方式來交換信息、分配任務、匯報結果。
+
+A2A 協議讓不同的 AI 智能體能夠組成團隊，分工合作完成複雜任務。
+
+![](https://pic.yupi.icu/1/a2a-agent.png)
+
+
+
+### BMAD 敏捷 AI 開發方法
+
+[BMAD-METHOD](https://github.com/bmad-code-org/BMAD-METHOD)（Breakthrough Method of Agile AI-Driven Development，突破性敏捷 AI 驅動開發方法）是一套系統化的 AI 智能體開發框架，旨在將原本混亂的 AI 編程過程變得結構化、可復用。
+
+BMAD 使用 **角色化智能體** 的方式組織開發流程，每個智能體扮演特定角色：
+
+- Analyst Agent（分析師）：創建專案簡報，包含市場分析和用戶畫像
+- PM Agent（產品經理）：將簡報轉化為詳細的產品需求文檔（PRD）
+- Architect Agent（架構師）：設計技術實現方案和系統架構
+
+BMAD 中的智能體分為兩種類型：
+
+- Simple Agents（簡單智能體）：單文件、自包含，適合程式碼審查、文檔生成等聚焦任務
+- Expert Agents（專家智能體）：具有跨會話持久記憶，配有專屬文件夾存放資源，適合複雜的多步驟工作流
+
+每個智能體都有標準化的組成部分：人設（角色、身份、溝通風格、原則）、能力列表、交互菜單，以及可選的關鍵行動。
+
+BMAD 在 GitHub 上獲得了幾萬+ Star，說明這種結構化的 AI 開發方法正在被越來越多的開發者認可。
+
+![](https://pic.yupi.icu/1/image-20260201143945594.png)
+
+
+
+
+### Browser Use 瀏覽器使用
+
+Browser Use（瀏覽器使用）是讓 AI 智能體能夠自動操控網頁瀏覽器的技術能力。通過 Browser Use，AI 可以像人類一樣瀏覽網頁、點擊按鈕、填寫表單、提取數據。
+
+Browser Use 的典型應用場景：
+
+- 自動化研究：讓 AI 在多個網站上搜索、整理信息
+- 數據採集：從網頁中提取結構化數據
+- 表單填寫：自動完成繁瑣的在線表單
+- 跨平台操作：在不同網站間完成多步驟任務
+
+比較知名的開源項目是 [Browser-Use](https://github.com/browser-use/browser-use)，支持通過 Python 調用多種大模型來控制瀏覽器。此外，Cursor、
\ No newline at end of file