术语表

Anthropic 开发的大型语言模型系列。中文书系中保持原名不翻译。不同模型变体包括 Claude Opus（最强）、Claude Sonnet（均衡）、Claude Haiku（最快）。

发送给 Claude 的输入文本，用于引导模型生成期望的输出。可以是问题、指令、上下文或以上组合。中文书系统一译为「提示词」，不使用简短形式「提示」。

模型在一次推理中能处理的最大 token 数量，包括输入和输出。Claude 模型的上下文窗口从 200K 到 500K tokens 不等。超出窗口的内容会被截断。

模型处理文本的最小语义单元。英文中约 1 token ≈ 0.75 个单词，中文约 1 token ≈ 0.5 个汉字。计费和上下文限制均以 token 为单位。输入 token 和输出 token 通常分开计费。

经过训练的神经网络，能根据输入生成文本输出。Claude 系列包括多个模型变体，按能力和速度区分：Opus（最强推理）、Sonnet（均衡性能）、Haiku（最快响应）。

Claude 的母公司，AI 安全研究机构。开发了 Constitutional AI 训练方法和 Claude 模型系列。也是 Claude Code CLI 工具和 MCP 协议的创建者。

Anthropic 开发的模型训练方法。模型基于一套原则（宪法）自我批评和自我改进，而非完全依赖人类反馈。这使得 Claude 在安全性和有用性之间取得更好的平衡。

模型生成看似合理但事实上不正确的内容。在架构设计中需要考虑通过工具调用、事实核查和来源引用来降低幻觉风险。

能够自主调用工具、执行多步任务、在循环中迭代推理的 AI 系统。与单次问答不同，智能体在 agentic loop 中持续工作直到任务完成。Claude Code 中的 Claude 即为智能体。

智能体的核心运行模式：向模型发送消息 → 模型响应（可能包含 tool_use）→ 执行工具调用 → 将结果传回模型 → 重复直到模型返回 end_turn。循环终止应基于 stop_reason 而非文本解析或固定迭代次数。

API 响应中的结构化字段，指示模型为何停止生成。end_turn 表示模型认为任务完成（应退出循环），tool_use 表示模型需要调用工具（应继续循环），max_tokens 表示达到输出长度上限，stop_sequence 表示触发了自定义停止序列。

在主智能体的协调下运行的独立智能体实例。每个子智能体拥有独立的上下文窗口、系统提示词和工具权限。适合并行处理、专业化分工和上下文隔离。通过 CLAUDE.md 或 SDK 代码配置。

封装可复用智能体能力的包。由 SKILL.md 入口文件定义，存放在 .claude/skills/ 目录下。Skill 支持多文件结构、上下文分叉（context forking）和 allowed-tools 权限预审批。适合需要隔离上下文和限制工具权限的复杂任务。

Agent Skill 的入口定义文件，包含 Skill 的名称、描述、工具权限（allowed-tools）、参数和指令。类似 CLAUDE.md 对于项目的作用，SKILL.md 定义了 Skill 的行为边界。

多智能体编排模式：一个协调者智能体（hub）将子任务分发给多个独立子智能体（spoke），各自在隔离上下文中执行并返回结果，由协调者汇总合成。适合并行独立任务。

Claude Code 中在特定生命周期事件触发时执行的自定义逻辑。PreToolUse hook 在工具调用前触发（可拦截），PostToolUse hook 在工具调用后触发（可用于日志和审计），Stop hook 在会话结束时触发（可用于生成摘要）。

Anthropic 发布的开放协议，用于标准化 AI 应用与外部工具和数据源的连接方式。替代了碎片化的工具集成模式，提供统一的 client-server 架构。中文书系中首次出现时使用全称"模型上下文协议（MCP）"，之后用缩写。

实现 MCP 协议的服务端，暴露 Tools（操作）、Resources（数据）和 Prompts（模板）三种原语。每个 server 按业务领域划分，避免将过多功能塞入单一 server。

连接和使用 MCP server 的消费方，如 Claude Code、Claude Desktop 或其他 AI 应用。客户端负责管理 server 连接、处理传输和呈现 server 提供的工具/资源给模型。

MCP 中用于执行操作的原语。Tool 接受结构化参数，返回结构化结果。适合需要参数化查询、实时计算或产生副作用的场景。每个 Tool 有 schema 定义（参数类型和约束）和 description（说明何时使用）。

MCP 中用于暴露数据的原语。Resource 按 URI 标识，适合相对静态的内容（如文档、配置文件、数据库 schema）。与 Tool 的区别：Resource 暴露数据，Tool 执行操作。

MCP 中用于定义可参数化提示词模板的原语。Server 可以预定义常见任务的提示词模板（如代码审查、PR 总结），client 获取后注入到对话中。确保专业场景下的提示词质量和一致性。

MCP 的本地传输机制：client 作为父进程启动 MCP server 子进程，通过 stdin/stdout 管道通信。零网络配置，天然安全。适合本地工具和开发环境。

MCP 的远程传输机制：client 通过 HTTP 请求与远程 server 通信，SSE（Server-Sent Events）用于服务器向客户端推送通知。支持 TLS 加密、OAuth 认证和负载均衡。适合远程服务和 Web 应用。

Anthropic 的命令行开发者工具，将 Claude 集成到终端工作流中。支持代码编辑、Git 操作、文件系统交互、子智能体编排。可通过 CLAUDE.md、hooks、commands 和 settings.json 高度定制。

Claude Code 的配置文件，用于为 Claude 提供项目级或用户级指令。支持层级继承：子目录的 CLAUDE.md 追加到父目录之后，冲突时子目录指令优先。全局配置位于 ~/.claude/CLAUDE.md。

在 .claude/commands/ 目录下以 Markdown 文件定义的命令。文件名即命令名（如 deploy.md → /deploy）。支持项目级覆盖全局命令，用于封装团队常用的操作流程。

Claude Code 的项目级配置目录，存放 CLAUDE.md、commands/、hooks/、settings.json、skills/ 等配置。应提交到 Git 进行版本管理，作为 IDE-agnostic 的单一配置源。

Claude Code 中的工作模式：在实施代码变更前先制定计划并寻求用户确认。可通过 Hook 系统强制执行（PreToolUse 检查 plan 文件存在性），确保"先计划后编码"的流程。

Git worktree 的扩展使用：Claude Code 可通过 EnterWorktree 机制为每项任务创建隔离的文件系统环境。不同 worktree 共享同一个 .git 目录，创建速度快，适合任务级隔离和并行工作。

Claude Code 的运行时配置文件，支持全局（~/.claude/settings.json）和项目级（.claude/settings.json）。配置主题、默认模型、权限策略、telemetry 等。项目级设置覆盖全局设置。

应用程序编程接口。在 Claude 语境中通常指 Anthropic Messages API，用于向 Claude 模型发送消息并接收回复。支持文本、图片（多模态）、tool_use 和流式输出。

Anthropic 的核心 API 端点。接受 system prompt 和 messages 数组，返回模型的响应。是构建智能体、工具调用和多轮对话的基础。支持 content blocks 结构用于多模态输入。

Software Development Kit。Anthropic 提供 Python 和 TypeScript/JavaScript SDK，封装了 API 调用、重试、流式处理和错误处理逻辑。推荐在新项目中使用 SDK 而非直接调用 HTTP API。

API 的一种响应模式：模型逐 token 返回输出，而非等待全部完成后再返回。在 Claude Code 和用户界面中提供实时打字效果。不影响上下文窗口中的 token 计数。

API 对调用频率的限制，以 RPM（每分钟请求数）和 TPM（每分钟 token 数）计。不同模型层级有不同的速率限制。架构设计中需要考虑指数退避重试和排队策略。

在对话开始前设定的基础指令，定义模型的行为、角色、语气和边界。系统提示词内容应在整个会话中持续生效。应精简（≤1500 tokens），将事实性数据移到工具中返回。

模型在生成文本的过程中输出结构化的工具调用请求（而非纯文本）。包含工具名称和 JSON 格式的参数。模型被训练为在需要外部数据或执行操作时自动使用工具。注意 tool_use 保证 JSON 结构合法但不保证语义正确。

工具的 JSON Schema 定义，包含参数名称、类型、描述、必填/可选标记。设计原则：核心参数显式定义，扩展参数通过 filters 对象传入；description 包含 what + when + when-not + behavior。

在提示词中提供少量示例来引导模型的输出格式和风格。动态 few-shot 优于静态 few-shot：先识别任务类型，从示例库中检索最相关的 2-3 个示例注入当前对话。

引导模型按结构化步骤推理的提示技术。通过明确定义推理步骤（如"先分析 → 再对比 → 综合判断"），模型在给出结论前经过深度推理。提升多步推理任务的准确率。

攻击者通过在用户输入中嵌入指令来覆盖或绕过系统提示词。防御需要多层纵深防护：提示词结构分离（XML 标签）、输入安全扫描、工具调用前校验（PreToolUse hook）、高敏感操作人工审批。

Messages API 中的消息组织结构。一条消息可以包含多个 content block，类型可以是 text 或 image。排序建议：前置文本说明目标 → 图片 → 后置具体问题。用于多模态提示词。

当对话历史接近上下文窗口上限时的处理策略。最佳实践是以语义边界（子任务完成）为单位生成 checkpoint 摘要，而非按时间或 token 数机械截断。关键事实应放入不可变的 case facts 块。

在上下文开头放置的不可变信息块，包含用户偏好、关键约束、已确认的事实等。不参与上下文压缩和摘要，确保关键信息不会在长对话中丢失。是反击"lost in the middle"问题的重要机制。

模型对上下文窗口中部的信息注意力天然衰减的现象。模型对开头和末尾的信息关注度更高。缓解策略：将关键约束放在开头（case facts block）或最近消息中，进行 checkpoint 摘要。

对上下文窗口中各部分 token 占用的分层管理。推荐策略：系统提示词 ≤1500 tokens，历史对话保留最近 10 轮完整 + 早期摘要 ≤2000 tokens，工具返回截断到 3000 tokens，总用量 ≤ 窗口的 80%。

在子任务完成时生成的结构化摘要。包含：来源（哪个子任务）、关键发现、与主任务的关联。存入持久化状态，后续只需参考摘要而非原始对话。是上下文压缩的核心机制。

当外部依赖（API、数据库、服务）不可用时的应对策略。三原则：(1) 提供替代方案而非硬失败，(2) 透明告知用户数据来源和局限性，(3) 让用户自主决策是否接受降级结果。

在 Claude Code 的多个独立会话间持久化关键信息。会话关闭时生成结构化摘要存入 Project memory，新会话启动时自动注入。用户可以通过"继续上次的 X"来恢复对话状态。

AWS 的托管 AI 服务平台，提供 Claude 模型的 API 访问。通过 IAM 角色和策略进行权限管理，支持 VPC 内部署。与 AWS 生态（S3、Lambda、CloudWatch）深度集成。

Google Cloud 的 AI 平台，提供 Claude 模型的托管访问。通过 Service Account 进行认证和授权。与 GCP 生态（BigQuery、Cloud Storage、Cloud Monitoring）集成。

AWS 的权限管理系统。通过 IAM role 和 policy 控制对 Bedrock 中 Claude 模型的调用权限。最佳实践：创建最小权限角色，仅授予必需的 Bedrock API 权限。

Google Cloud 的机器身份认证机制。用于授权应用程序访问 Vertex AI 中的 Claude 模型。通过 JSON 密钥文件或 Workload Identity Federation 进行认证。

Anthropic 官方认证考试。考察 5 个领域：Agentic 架构（24%）、工具设计与 MCP（20%）、Claude Code 配置（20%）、提示词工程（20%）、上下文管理（16%）。题型为情景式选择题，通过分数 720/1000。

考试内容的五大分类：D1 Agentic Architecture & Orchestration (24%)、D2 Tool Design & MCP Integration (20%)、D3 Claude Code Configuration & Workflows (20%)、D4 Prompt Engineering & Structured Outputs (20%)、D5 Context Management & Reliability (16%)。

考试中常见的错误做法或不良设计模式。考试情景题的干扰项通常就是反模式。共有 18 条已知反模式，按严重度分为 Critical（必须避免）、High（强烈建议避免）、Medium（注意场景）。

Claude Architect 考试的标准题型。每道题呈现一个架构情景（如"你正在构建一个客服智能体…"），然后提出具体问题（如"以下哪种终止策略最合理？"）。4 个选项中 3 个干扰项通常是反模式。

Anthropic 使用的在线培训平台，托管官方 Claude 认证培训课程。共 17 门课程、417 个学习项目（lesson、quiz、assessment、survey、certificate）。本书系基于 Skilljar 课程内容构建中文教材覆盖。

Skilljar 课程中的最小学习单元，泛指 lesson（课程页）、exercise（练习）、quiz（测验）、assessment（评估）、survey（问卷）、certificate（证书）。本书系中对每个 Skilljar 项目追踪其教材覆盖状态。

指本地中文教材是否覆盖对应 Skilljar 项目的知识点与练习意图。状态分为：covered（已覆盖）、missing（缺失）、skip-survey（跳过问卷）、skip-certificate（跳过证书）。本书系目标：达到教材覆盖完整。

AI Fluency 课程系列的核心框架：(1) Delegation（委托）— 知道何时以及如何委托任务给 AI，(2) Description（描述）— 清晰描述需求和期望，(3) Discernment（辨别）— 批判性评估 AI 输出，(4) Diligence（勤勉）— 负责任地使用 AI。