使用 Claude 最常遇到的 10 個術語依重要性排列：Token（計量單位）、Context Window（記憶上限）、Hallucination（幻覺輸出）、Temperature（隨機性控制）、System Prompt（幕後指令）、Prompt Engineering（指令優化）、RAG（外部知識整合）、Fine-Tuning（專屬模型訓練）、AI Agent（自主多步驟任務）、MCP（外部工具連接協議）。理解這 10 個術語，你就能讀懂 90% 以上的 Claude 和 AI 相關討論。
這 10 個術語之所以重要，是因為它們代表了使用 AI 工具時最核心的「決策點」：什麼時候幻覺最容易發生（讓你知道何時需要驗證）、Context Window 的限制如何影響你的使用方式（讓你知道怎麼組織資訊）、RAG 和 Fine-Tuning 在什麼情況下各自適合（讓你知道怎麼選工具）。掌握這些術語，不只是知道詞語的意思，而是理解了 AI 工具的底層邏輯，讓你能更有策略地使用它。
這 10 個術語對你最直接的影響是讓你在 Claude 輸出有問題時，能正確診斷原因。Claude 給了一個看起來有把握但你覺得可疑的答案？那可能是 Hallucination，你知道要去驗證。對話越來越長，Claude 開始忘記前面說的事？那是 Context Window 的問題，你知道要開新對話或重申關鍵資訊。你在用一個 Claude-based 的工具但它表現和 Claude.ai 不一樣？那是 System Prompt 的差異，你知道背後發生了什麼。
把這 10 個術語的理解轉化為實際行動：在你的 Claude.ai Projects 的 Instructions 欄位，用 System Prompt 的概念設定你的常用指令；當 Claude 給你一個你不確定的答案，問它「你對這個資訊有多確定？有沒有我應該自己驗證的地方？」（應對 Hallucination）；如果你在 API 裡用 Claude，在 console.Anthropic.com/settings/usage 追蹤你的 Token 用量，避免月底超出預算。
AI 的術語讓很多人望而卻步。Token、Hallucination、Context Window、Temperature——這些詞出現在每一篇 Claude 教學裡，但很少有人解釋清楚它們在實際使用時到底意味著什麼。
這篇文章選出 10 個最關鍵的術語，每個都給你一個「能馬上用上的理解」，而不是教科書式的定義。
能馬上用上的理解：Token 是 Claude 計算文字長度的單位，大約等於 0.75 個英文單詞，或中文裡的 1-2 個字。重要性：它決定了你每次對話能放多少內容（Context Window），以及 API 使用的費用。
為什麼重要：當你在 API 裡使用 Claude，費用按 Token 計算，不是按字數。一篇 1,000 字的中文文章大概是 1,500-2,000 Tokens。
能馬上用上的理解：Context Window 是 Claude 在一次對話裡「能記住的總文字量」的上限。就像短期記憶——超出這個範圍，Claude 就會開始「忘記」對話開頭的內容。
Claude 的 Context Window 是 20 萬 Token，很大，但在處理非常長的文件時仍然有邊界。
能馬上用上的理解：Hallucination 是指 Claude 用有把握的語氣說出了不正確的資訊。它不是在說謊——它是在用它的預測機制輸出「最可能的答案」，只是那個答案恰好是錯的。
什麼時候最容易發生：詢問具體的數字、日期、人名；詢問訓練資料截止日之後發生的事情；詢問非常小眾或專業的領域知識。
能馬上用上的理解：Temperature 控制 Claude 輸出的「隨機性」。低 Temperature（接近 0）：每次輸出幾乎一樣，適合需要精確一致的任務（程式碼、資料分析）。高 Temperature（接近 1）：輸出更多樣、更有創意，適合創意寫作。
Claude.ai 用戶：你不需要手動調整，Claude 會根據任務類型自動選擇合適的 Temperature。
能馬上用上的理解：System Prompt 是在對話開始前就送給 Claude 的「幕後指令」，定義它在這個對話裡是什麼角色、能做什麼、不能做什麼。你在 Claude.ai 的 Projects 裡設定的 Instructions，就是一種 System Prompt。
為什麼重要：你用的每個 AI 工具背後都有一個 System Prompt，它決定了那個工具和裸 Claude 的行為差異。
能馬上用上的理解：設計和優化你給 Claude 的指令，讓它輸出更符合你需求的結果。不是程式設計，任何人都能學——核心是「清楚告訴 Claude 是誰、為誰、要達成什麼、有什麼限制」。
能馬上用上的理解：一種讓 AI 在回答前先「查資料」的技術——把你的外部文件或知識庫放在一個可以搜尋的地方，AI 在回答問題前先搜尋相關片段，再根據搜尋結果生成回答。Claude Projects 裡的文件上傳，本質上就是一種簡化版的 RAG。
為什麼重要：RAG 讓 AI 能根據你的最新資料回答，而不只靠訓練時的舊知識。
能馬上用上的理解：用你的特定資料再訓練一個已有的模型，讓它在你的特定任務上表現更一致。類比：預訓練是大學通識教育，Fine-Tuning 是在職培訓。成本比 RAG 高得多，但不需要每次對話都提供背景資料。
什麼時候需要考慮：你有大量重複性任務，需要 Claude 的輸出格式和語氣高度一致，而 Prompt Engineering 和 RAG 已經不夠滿足需求。
能馬上用上的理解：能自主執行多步驟任務的 AI——不只是回答問題，而是「自己決定怎麼做、用哪些工具、執行行動、看結果、再調整」。Claude Code 就是一種 Agent：你告訴它「把這個模組的測試覆蓋率提升到 80%」，它自己去讀代碼、寫測試、執行、修復問題。
能馬上用上的理解：讓 Claude 連接外部工具（GitHub、Google Drive、資料庫等）的標準協議，就像 AI 界的 USB 介面。有了 MCP，你可以讓 Claude 直接去讀你的 Google Drive 文件、在 GitHub 開 Issue、或者查詢你的資料庫，而不需要你手動複製貼上。
理解這些術語最好的方式，是把它們看成一個互相連接的生態系：
把這 10 個術語搞清楚，你就有了理解大多數 AI 討論的基礎詞彙。