2026 AI 名词词典（工程实践版）：从 Vibe Coding 到可落地研发体系

参考灵感：https://linux.do/t/topic/1664794
说明：本文保留“词汇+注解+项目地址”的表达形式，但去掉 LinuxDo 社区特定黑话，聚焦通用 AI 研发语境，并补充 X/Twitter 上 2026 年高频工程话题。

为什么要做这份词典

2026 年大家都在说 AI，但很多讨论混在一起：模型名、工具名、协议名、工作流名、公司名、甚至社区梗。信息密度高，但可执行度低。

这份词典目标很明确：

1. 只收录对研发团队“可执行”的词；
2. 每个词给一个工程化注解；
3. 配一个项目地址，方便直接开工；
4. 最后给出一套 Vibe Coding 代码规则体系（可直接落地）。

一、2026 高频 AI 词汇（工程语境）

1）Agent 与编程执行层

词汇
注解（工程视角）
项目地址

Vibe Coding
人定义目标和边界，AI 迭代执行（写码→测试→修复→提交）的开发方式
https://github.com/openclaw/openclaw

AI Coding Agent
在代码库内可自主规划与执行的代理，不只是“聊天补全”
https://github.com/All-Hands-AI/OpenHands

Claude Code
终端原生 coding agent，强调代码库理解和任务执行
https://github.com/anthropics/claude-code

Codex CLI
面向终端任务的代码代理形态（多用于自动化开发流）
https://platform.openai.com/docs

Multi-Agent Workflow
多代理分工协作：实现、测试、审查、文档并行
https://github.com/microsoft/autogen

Agent Orchestration
代理调度与状态编排（谁在何时做什么）
https://github.com/langchain-ai/langgraph

2）协议与互操作层

词汇
注解（工程视角）
项目地址

MCP (Model Context Protocol)
大模型与外部工具/数据源的标准连接层，降低工具集成成本
https://modelcontextprotocol.io

Tool Calling
模型结构化调用外部工具的能力，是“能做事”前提
https://platform.openai.com/docs/guides/function-calling

A2A / Agent2Agent
代理之间任务交接与协同（跨系统协作关键）
https://developers.googleblog.com/

API Gateway for LLM
统一模型接入、鉴权、限流、观测、路由
https://github.com/BerriAI/litellm

Model Router
按成本/时延/质量动态分流到不同模型
https://openrouter.ai

3）RAG 与数据层

词汇
注解（工程视角）
项目地址

RAG
检索增强生成，用外部知识提高回答准确性
https://docs.llamaindex.ai

Agentic RAG
由代理自动完成检索策略、重写查询、证据合并
https://github.com/langchain-ai/langchain

Vector DB
向量检索底座，支撑语义搜索和记忆召回
https://qdrant.tech

Embedding
文本向量化，决定检索语义质量
https://platform.openai.com/docs/guides/embeddings

Reranker
对初筛结果二次排序，提高命中质量
https://www.cohere.com/rerank

Memory Layer
会话长期记忆/用户偏好沉淀层（多会话连续性）
https://github.com/mem0ai/mem0

4）推理与部署层

词汇
注解（工程视角）
项目地址

Inference Stack
模型推理服务全链路（调度、批处理、缓存）
https://github.com/vllm-project/vllm

Local LLM
本地模型运行（隐私与可控性优先）
https://ollama.com

Distillation
大模型知识蒸馏到小模型，换取低成本推理
https://huggingface.co/docs

Quantization
量化压缩，降低显存与推理成本
https://github.com/ggml-org/llama.cpp

Speculative Decoding
用小模型草拟+大模型验证，提高生成速度
https://arxiv.org/abs/2302.01318

5）评测与治理层

词汇
注解（工程视角）
项目地址

Evals
体系化评估模型/提示词/工作流，不靠“感觉”
https://github.com/promptfoo/promptfoo

LLM Observability
请求、成本、延迟、失败率、质量追踪
https://langfuse.com

Guardrails
输出约束与安全策略（敏感内容、越权操作）
https://github.com/guardrails-ai/guardrails

Hallucination Control
降低幻觉：检索证据、引用约束、评测回归
https://www.deepeval.com

Human-in-the-Loop
人类只介入高风险节点，不做全程手工执行
https://www.pinecone.io/learn/human-in-the-loop/

二、X/Twitter 上 2026 年常见讨论关键词（建议重点跟踪）

下面这些词在 2026 年工程讨论里出现频率高，而且对“能不能落地”影响最大：

• agentic workflow
• MCP server
• tool-use reliability
• eval-driven development
• model routing
• long-context memory
• cost per successful task
• human-in-the-loop gate
• autonomous code loop
• rollback-safe deployment

建议检索语句（可直接用）：

• "agentic workflow" "MCP" "coding"
• "eval-driven" "LLM" "production"
• "model router" "cost" "latency"
• "AI coding agent" "commit" "CI"

三、模型与公司（2026 工程选型视角）

版本更新很快，建议以官方发布为准。这里给的是“选型维度”，不是固定榜单。

公司
常见模型族（示例）
工程侧常见定位

OpenAI
GPT / Codex 系列
通用能力强，工具生态成熟

Anthropic
Claude 系列
代码与长上下文表现稳定

Google
Gemini 系列
多模态能力与生态整合强

xAI
Grok 系列
实时话题与平台联动强

Meta
Llama 系列
开源生态与自部署友好

DeepSeek
DeepSeek 系列
性价比与中文工程语境受关注

Zhipu/智谱
GLM 系列
中文场景与本土生态集成

四、如果我们来构建研发体系：推荐四层架构

1）Policy 层（规则）

• Commit 规范
• PR 模板
• 测试门禁
• 安全边界
• 发布与回滚策略

2）Execution 层（AI 执行）

• 编码代理
• 测试代理
• 修复代理
• 文档代理

3）Gate 层（自动裁判）

• 测试不过不合并
• 安全不过不合并
• 高风险目录需人工确认

4）Delivery 层（可控交付）

• 小步发布
• 监控告警
• 一键回滚
• 复盘留痕

五、Vibe Coding 代码规则体系（v1.0，可直接落地）

1. 提交格式强约束：type(scope): summary
2. 单提交单主题：一次只解决一类问题
3. 小步提交：优先 20~80 行粒度，便于回滚
4. 先测试后合并：CI 不通过禁止入主干
5. Bug 必有用例：先复现再修复
6. 高风险目录加门禁：auth/payment/security 双重审核
7. AI 产出必须可追溯：保留提示词、测试结果、评测结果
8. 发布必须可回滚：每次上线都有回退路径
9. 失败自动转工单：把异常转成可追踪任务
10. 按周复盘规则，不复盘情绪：持续优化规则体系

结语

“2026 AI 名词”不应该只是术语收藏夹，而应该变成团队的操作手册。

真正的差距不在于你会不会某个模型名词，而在于：

• 你有没有把它放进可执行流程；
• 你有没有把流程变成可验证、可回滚、可演进的系统。

一句话总结：

别只追新词，先把规则体系搭起来。