术语小词典（Glossary）¶

看到陌生英文时，不用停下整章。先在这里找到一句白话解释，再回原来的 Stage 继续做。

⚡ 先从 12 个词开始¶

Prompt（提示词） — 你交给模型的完整任务包，包含要做什么、数据、示例和限制。
Token — 模型切分文字时使用的小单位；计费和可读长度常用它计算。
Context Window（上下文视窗） — 模型这一次最多能一起参考的信息空间。
Agent — 能为了人的目标，自己判断下一步并采取行动；只在规则和权限内自动做事的 AI 系统。
Tool Use（工具使用） — 模型提出工具请求，程序检查后才真正执行。
Agent Loop — Agent 重复“决定、行动、观察”，直到完成或停止的执行循环。
RAG（Retrieval-Augmented Generation） — 先找数据，再把证据交给模型回答。
Memory（记忆） — 把以后还要用的信息保存起来，再在需要时读回。
MCP（Model Context Protocol） — 让 AI 应用用共同方式连接工具和数据的开放协议。
Eval（评估） — 用固定题目和成功条件检查改动是否真的变好。
Agent Harness（执行工作台） — 包住模型并管理工具、权限、状态、记录和停止规则的系统。
Workflow Graph（工作流程图） — 用节点和连接把工作步骤、分支和状态画清楚。

🧭 先分清五种工具身份¶

同一个界面可能同时出现模型、Router 和 Agent。先问“它负责哪一件事”，就不会把产品名称混在一起。

身份	白话工作	示例和边界
Model Provider／API（Application Programming Interface）	模型公司的服务入口。	Anthropic API；它返回模型结果，不是会修改文件的 Agent。
LLM（Large Language Model） Router	LLM 是读写语言的模型；Router 用一个入口转接供应商。	OpenRouter；它不是模型，也不是 coding agent。
Model Runtime	把模型在本机或服务上运行起来。	Ollama；它提供模型 API，本身不会自动修改项目。
Coding Agent／Harness	读取文件、修改文件、运行命令并报告结果。	OpenCode、Pi；里面的模型可以更换。
Agent Framework	让开发者组合 Agent、工具、状态和流程。	Microsoft Agent Framework；它是工具箱，不等于一个模型。

维护者：项目固定术语对照（37 个）

这张表用来保持跨 Stage 命名一致。普通读者不用先背。

类型	英文术语	中文理解名	主要 Stage
输入和信息	Prompt Engineering	Prompt 设计	Stage 2
输入和信息	Context Engineering	上下文管理	Stage 6／7
Agent 执行	Agent Production Engineering	Agent 可用化工程	Stage 7
	Harness Engineering	Agent 执行系统设计	Stage 7
	Loop Engineering	Agent 循环设计	Stage 7
	Graph Engineering	Workflow Graph 工程	Stage 4／7
	Tool Use	工具使用	Stage 3
	Function Calling	函数／工具调用	Stage 3
	Tool Schema	工具纲要／工具说明卡	Stage 3
	Tool Call	工具请求	Stage 3
	Tool Result	工具结果	Stage 3
	Structured Output	结构化输出	Stage 3
	Agent Loop	Agent 执行循环	Stage 3
	Framework	框架／工具箱	Stage 4
	Orchestration	协调和编排	Stage 4／7
	Handoff	任务交接	Stage 7
	Supervisor／Worker	协调者／执行者	Stage 7
	Runtime	执行层	Stage 7
	Scaffolding	支撑架构	Stage 7
质量和上线	Observability	观测和记录	Stage 7
	Telemetry	运行记录	Stage 7
	Eval	效果评估	Stage 7
	Evaluation Harness	评估框架	Stage 7
	Production	可稳定使用／上线化	Stage 7
	Production-grade	可长期稳定使用的	Stage 7
	Deployment	部署	Stage 7
	Cost Tracking	成本跟踪	Stage 7
	Latency	延迟／等待时间	Stage 7
检索和模型	Vector DB	向量数据库	Stage 6
	Retrieval	检索	Stage 6
	Reranking	重排序	Stage 6
	Long Context	长上下文	Stage 6
	Fine-tuning	模型微调	Stage 6
操作界面	Agent Interfaces	Agent 操作界面	Stage 8
	Code Sandbox	隔离代码执行环境	Stage 8
	Cold Start	启动延迟	Stage 8
	Reward Hacking	钻评分漏洞	Stage 7／8

📚 按主题查词¶

下面不是新的阅读顺序。直接跳到你刚看到的词即可。

1. 基本概念¶

LLM（Large Language Model，大语言模型）¶

LLM 是会按照输入和已经学到的模式生成内容的模型。它可以提出工具请求，但真正读取文件、联网或发送信息的，是外面的程序。

📍 详情：Stage 1

Model Provider / Provider API（模型供应商／模型 API）¶

Model Provider／Provider API 是模型公司的服务入口。你的程序发送消息，供应商返回结果并按照方案计费；它不是 coding agent。

LLM Router / API Router（模型路由器）¶

LLM Router／API Router 像总机：同一个 API 可以按照设置转到不同模型或后端。Router 帮你选路，不会自己变成模型或 Agent。

Model Runtime（模型执行环境）¶

Model Runtime 是把模型加载起来并提供推理 API 的执行环境。Ollama、llama.cpp 和 MLX LM 属于这一类；要让它读取文件或运行命令，还要接上 Agent 或应用程序。MLX 本身是 array framework；这里指的是用 MLX 运行 LLM 的 MLX LM。

Token¶

Token 是模型切分文字或其他输入时使用的小单位。每个 tokenizer 的切法不同，所以不要用固定的“一个字等于几个 token”公式；需要估算时使用所选模型的计数工具。

📍 详情：Stage 1

Context Window（上下文视窗）¶

Context Window 是模型这一次能一起参考的 token 空间。空间大不代表每段数据都会受到同样注意；先放任务真正需要的内容，再到 Stage 1查看当前型号的正式上限。

Prompt（提示词）¶

Prompt 是交给模型的完整任务包，不只是一句问题。它可以包含指令、输入数据、背景、示例、成功条件和输出格式；Prompt Engineering 是设计并用 Eval 测试这份任务包。

📍 详情：Stage 2

Zero-shot / One-shot / Few-shot¶

这三个词只是在数 Prompt 里有几个示范：

Zero-shot：不给示范，直接交代任务。
One-shot：先给一个输入和答案的示例。
Few-shot：先给少量示例，展示格式或边界。

示例多不一定更好；用同一组 Eval 比较才知道。

Chain-of-Thought（CoT，思维链）¶

Chain-of-Thought（CoT） 是让模型经过中间推理步骤再回答的 prompting 研究方法。早期研究包含 Few-shot CoT 和 Zero-shot CoT。实际使用时通常要求简短、可核对的理由和证据，不要求公开模型的私有推理全文。

模型训练与调整¶

Pre-training（预训练）¶

Pre-training 是用大量数据让模型先学会一般模式。它会改变模型权重，产生之后还能继续调整的 Base Model。

Post-training（后训练）¶

Post-training 是 Base Model 完成后的训练阶段。它用示范、偏好或反馈，让模型更会遵循指令、安全地完成任务。

Inference（推理）¶

Inference 是模型训练完成后，收到这一次输入并产生这一次结果。它是在使用模型，不是在重新训练模型。

Fine-tuning（模型微调）¶

Fine-tuning 用较小、较专门的数据继续调整模型权重。它适合反复出现的行为或格式；每天变化的事实通常改用 RAG 或工具读取。

SFT（Supervised Fine-Tuning）¶

SFT 把好的输入和答案交给模型模仿。它是常见的 Post-training 方法，会调整模型权重。

DPO（Direct Preference Optimization）¶

DPO 让模型从“较好答案”和“较差答案”的配对中学习偏好。它需要可信的偏好数据，也会调整权重。

RLHF / RL¶

RLHF（Reinforcement Learning from Human Feedback）/RL（Reinforcement Learning）用人类或规则的反馈来训练模型。反馈设计错误时，模型也可能学会钻评分漏洞，所以仍要做独立 Eval。

GRPO¶

GRPO（Group Relative Policy Optimization）让同一问题的多个答案互相比较，再根据相对表现更新模型。它是 Post-training 方法之一，不是每个项目都必须使用。

PEFT / LoRA¶

PEFT（Parameter-Efficient Fine-Tuning）是只训练较少参数的一组方法；LoRA（Low-Rank Adaptation）会冻结原来的权重，再训练新增的低秩矩阵。它们能减少需要更新的参数，但仍需要数据与 Eval。

Distillation（蒸馏）¶

Distillation 让较小的 Student Model 学习较大的 Teacher Model。目标常是缩小模型或降低推理成本，但效果要用自己的任务测试。

📍 选修导览：模型训练与调整指南

2. Agent / 工具使用¶

Agent（代理人）¶

Agent 是能为了人的目标，自己判断下一步并采取行动的 AI 系统。人给它目标后，它会读取当前状态、决定下一步，需要时使用工具，再根据结果继续、修正、停止，或把控制权交还给人。它可以自动替人完成工作，但只能在明确规则和权限内行动。

只回答一次的聊天机器人，或每一步都由程序预先写死的固定脚本，不一定是 Agent。关键在于 AI 是否会在执行过程中，根据状态决定如何达成目标。这个边界参考 OpenAI 的 Agent 指南和 Anthropic 的 Agents 说明。

Tool Use / Function Calling¶

Tool Use／Function Calling 是模型提出结构化工具请求的机制。模型只是在说“想调用什么”；你的程序仍要检查工具名称、参数和权限后才执行。

📍 详情：Stage 3

Tool Schema（工具纲要）¶

Tool Schema 是工具说明卡，列出名称、用途、输入字段、类型和必填条件。Schema 可以限制格式，但不能保证模型给出的内容安全或真实。

Tool Call（工具请求）¶

Tool Call 是模型发送的工具名称和参数。它是不可信输入；程序要先验证，再决定执行、拒绝或请人批准。

Tool Result（工具结果）¶

Tool Result 是程序执行工具后交回模型的结果。成功、失败和原来的 call ID 要对应，模型才知道下一步该做什么。

ReAct（Reasoning + Acting）¶

ReAct 把可观察的 Action 和 Observation 交替放进任务流程，让模型根据新结果决定下一步。它来自 ReAct paper；实际实现仍要有最大步数、工具权限和停止条件。

Structured Output（结构化输出）¶

Structured Output 要求输出符合 JSON Schema 或类型。它能让程序稳定解析格式，但格式正确不等于内容正确，仍要验证数值、来源和业务规则。

Agent Loop¶

Agent Loop 是一次执行里真正重复的流程：模型决定动作，程序执行，模型读回结果，再决定下一步。循环必须能在完成、错误、超时、超预算或达到步数上限时停止。

Workflow Graph（工作流程图）¶

Workflow Graph 用 node、edge、branch 和 state 明确排出工作路线。一个 node 可以放 Agent Loop、普通程序、工具或人工批准；它不是每个 Agent 都必须使用的形状。

📍 详情：Stage 4

Self-Refine（基础反思 / 无记忆）¶

Self-Refine 让模型先生成答案，再根据反馈修改一次或多次。原始方法见 Self-Refine paper；如果没有外部检查和停止条件，重写很多次仍可能一直出错。

3. Memory / Retrieval / RAG¶

Memory（记忆）— 两种正交分类轴¶

Memory 是把以后还要用的信息写入某个存储层，再在需要时读回。可以按照保存时间分成短期／长期，也可以按照内容分成 episodic、semantic、procedural；这是两条不同分类轴。

RAG（Retrieval-Augmented Generation）¶

RAG 是“先检索证据，再让模型根据证据回答”。原始方法见 RAG paper。它不会自动保证正确；还要测试数据质量、检索命中、引用和回答忠实度。

📍 详情：Stage 6

Reflexion（完整反思 / 带 episodic memory）¶

Reflexion 会把以前的尝试、反馈和反思保存为 episodic memory，让以后的尝试参考。它比单次 Self-Refine 多了跨尝试的记忆；原始方法见 Reflexion paper。

Embedding（嵌入）¶

Embedding 把文字、图片或其他数据转成向量，让系统能比较相似度。Dense 和 sparse 表示擅长的信号不同；要用自己的查询集测试，而不是只看维度大小。

Vector DB（向量数据库）¶

Vector DB 保存向量、metadata 和索引，并找出相近项目。它是检索层，不是 RAG 的全部；切块、查询、Reranking 和回答仍是其他步骤。

Semantic Search（语义搜索）¶

Semantic Search 按照意思相近程度查找数据，不只比较相同文字。它适合同义问法，但专有名词、编号和精确字符串常要搭配关键词搜索。

Chunking（切块）¶

Chunking 把长文档切成可检索的小段。切法要和文档结构、实际问题一起测试；不存在适合所有数据的固定大小。

Hybrid Search（混合搜索）¶

Hybrid Search 同时使用语义向量和关键词信号，再把结果合并。它常用来兼顾“意思相近”和“名称必须完全命中”。

Reranking（重新排序）¶

Reranking 让第二个模型或规则重新检查初步候选，把更符合问题的内容排到前面。它可能提高质量，也会增加等待时间和成本。

Contextual Retrieval¶

Contextual Retrieval 先给每个 chunk 补上它在原文档中的简短背景，再建立搜索索引。Anthropic 的方法说明把 contextual embeddings 和 contextual BM25 一起评估；效果仍要用自己的数据测试。

4. Multi-Agent¶

Multi-Agent（多 agent）¶

Multi-Agent 是让两个以上 Agent 分工或互相交接。只有当角色、工具、权限或 context 真的需要分开时才值得使用；数量变多不代表答案一定更好。

Handoff¶

Handoff 是把任务和必要 context 从一个 Agent 交给另一个 Agent。好的交接要说清楚目标、已完成事项、证据、剩余工作和停止条件。

A2A（Agent-to-Agent）Protocol¶

A2A 是让彼此独立、内部可能不透明的 Agent 发现能力、交换消息和管理协作任务的开放协议。它处理 Agent 对 Agent 的互通；当前规范和版本看官方 latest specification，不要把版本号写死在教程里。

5. Claude Code 生态¶

MCP（Model Context Protocol）¶

MCP 是 AI 应用连接外部数据和能力的开放协议。Server 可以提供 Prompts、Resources 和 Tools；Host／Client 决定怎样呈现、授权和传递。完整字段、transport 和安全规则以现行规范为准。

📍 详情：Stage 5.2

Project Instructions（项目规则）¶

Project Instructions 是工具在项目中读取的共同规则，适合放用途、禁止事项、验证命令和交付格式。不同工具的文件名和加载顺序不同，不能假设一份设置在所有 CLI 中完全相同。

📍 入门：Track A A2

Skills / SKILL.md¶

Skill 是需要时才加载的操作卡。按照 Agent Skills 规范，一个 Skill 至少是一个包含 SKILL.md 的目录，也可以附带 scripts、references 和 assets；安装第三方 Skill 前仍要阅读内容和权限。

One-off Prompt（单次提示）¶

One-off Prompt 是只服务当前任务的一次性交代。每次都要遵守的规则放 Project Instructions；重复使用的流程才整理成 Skill。

Plugin / Marketplace¶

Plugin 是把 Skills、commands、hooks 或 MCP 设置等组件打包在一起的发布单位；Marketplace 是查找和安装这些软件包的目录。这是产品层功能，不是所有 Agent 的通用必备组件。

Slash Command¶

Slash Command 是以 / 开头、由应用程序提供的指令。它可能打开功能、设置或可复用流程；实际名称和行为要看该工具的当前文档。

CLAUDE.md¶

CLAUDE.md 是 Claude Code 可以读取的项目指示文件之一，用来告诉 Agent 这个项目怎样工作。它是给模型遵循的 context，不是能够强制阻挡危险操作的安全边界。

Hooks¶

Hooks 会在指定事件发生时执行固定检查或动作。它适合 lint、记录、通知或拦截高风险操作；事件和设置格式会更新，所以直接看 Claude Code Hooks reference，不要背固定数量。

Deep Agent（深度 agent）¶

Deep Agent 不是跨供应商的单一正式标准。LangChain 的 deepagents用这个名称描述一套包含规划、文件、子 Agent 和 context 管理的 agent harness；看到这个词时要先确认作者采用哪种定义。

Subagent（子 agent）¶

Subagent 是主 Agent 委派出去的隔离工作者，通常有自己的 context，完成后把结果交回。Claude Code 的当前设置、继承和权限边界见官方文档；Subagent 不会自动正确，也要有明确任务和验证。

📍 教程：Stage 5.5 · 可复制 recipes · 进阶组合

6. Production / Eval / Cost¶

CI（Continuous Integration，持续集成）¶

CI 在 push 或 PR 时自动运行固定检查，例如测试、lint 和安全扫描。CI 通过只代表已经设置的检查通过，不代表可以跳过 review 或直接部署。

Eval（评估）¶

Eval 用固定输入、成功条件和记录方式比较 Prompt、模型或 Agent。先从少量代表题开始；在改动前后运行同一组，才能知道质量、成本和延迟怎样变化。

📍 入门：Stage 2；Agent 系统：Stage 7

Case/Task（案例/任务）¶

Case/Task 是 Eval 考卷上的一道题：固定输入、测试环境和成功条件。没有清楚的 case，就不知道两次执行是不是在考同一件事。

Suite（测试组）¶

Suite 是一起执行和版本化的一组 cases。报告要记录 suite 的版本，否则“这次 90 分”不能和换过题目的上次直接比较。

Golden Set/Reference Set（黄金集/参考集）¶

Golden Set/Reference Set 是人先审查过、能代表真实工作的案例与预期标准。Golden Set 是常见实践叫法，不是跨供应商的正式规范；它用来检查系统，不等于训练数据或 Few-shot 示例。

Reference Solution/Criteria（参考答案/标准）¶

Reference Solution/Criteria 说明怎样才算成功。Agent 任务常有不止一种好答案，所以可以写必要证据、允许范围、禁止行为和 rubric，不一定只放一段标准文字。

Trial（试跑）¶

Trial 是同一个 case 的一次完整执行。模型输出可能变化，所以高风险或不稳定案例要跑多次，不能用一次结果假装成固定能力。

Grader（评分器）¶

Grader 按规则判断 trial。能用程序精确检查的先用 deterministic grader；模糊质量可以加模型或人工评分，但要留下 rubric、版本和原始证据。

Baseline（基线）¶

Baseline 是修改前的比较起点。它必须使用同一版 cases、环境、trial 次数和阈值，否则前后分数不能公平比较。

Regression（回归）¶

Regression 是新版本相对 baseline 出现超过阈值的退步，可能发生在质量、成本、安全或可靠性。先看多次 trials 和失败案例，再决定是否阻挡发布。

Holdout Set（保留测试集）¶

Holdout Set 是平常不拿来反复调整的冻结案例。开发时使用 development/reference cases；准备发布或做最后验证时才打开 holdout，避免把系统调成只会回答已经看过的考题。

Observability¶

Observability 把 Agent 的步骤、工具、状态、时间、usage 和结果留下可查询记录。它像行车记录仪；记录时仍要遮住 secret、私人数据和不必要的 Prompt 内容。

Prompt Caching¶

Prompt Caching 重用已经写入缓存、内容完全相同的 Prompt 前缀，减少重复处理；相似但不同的内容不会命中。最低长度、保存时间和价格因供应商而变化，实现前查看当前缓存说明并记录实际 usage。

Streaming（流式输出）¶

Streaming 是模型生成一小段就先传一小段，不必等完整答案。界面会更快有反应，但客户端要能处理部分内容、取消、错误和尚未完成的 tool call。

Batch API（批量 API）¶

Batch API 把不需要马上回复的多条请求一起发送。它适合离线分类、摘要或 Eval；完成时间、限制和折扣以当前供应商文档为准。

Token Cost / Inference Cost¶

Token Cost／Inference Cost 是模型推理费用。最小公式是输入用量乘输入单价，加输出用量乘输出单价；Agent 还要把每一轮、工具服务和计算成本一起算入。

Guardrails¶

Guardrails 是限制输入、输出和动作的规则层，例如 schema 验证、allowlist、权限和人工批准。它们能降低风险，但不能代替最小权限、隔离和测试。

Prompt Injection（提示注入）¶

Prompt Injection 是把恶意指令藏在网页、文档或工具结果中，诱导 Agent 偏离原任务。把外部内容视为不可信数据，高风险动作使用最小权限和人工审核。

Lethal Trifecta（致命三角）¶

Lethal Trifecta 指 Agent 同时能读取私密数据、接触不可信内容、又能对外通信时，Prompt Injection 可能把数据带出去。这个概念由 Simon Willison整理；防护重点是切断至少一条危险路径。

7. 术语 / Buzzword¶

CLI Agent¶

CLI Agent 是在终端中读取文件、修改文件和执行命令的 Agent／Harness。Claude Code、Codex、OpenCode、Pi、Aider 和 Gemini CLI 都属于这一类；它是工作台，不是里面的 LLM。

BYO API Key（Bring Your Own）¶

BYO API Key 表示工具允许你提供自己的模型供应商密钥。它可能方便切换供应商，但密钥的计费、权限、保存和撤销仍由你管理。

Local LLM / On-Device¶

Local LLM／On-Device 表示模型在你的设备或自管机器上运行。只有模型、工具、数据和记录都没有另外发送到云端时，才能说这次流程完全留在本机。

Quantization（量化）¶

Quantization 用较低精度表示模型权重，通常能减少内存和计算需求。速度、大小和质量的变化取决于模型、格式和硬件，需要实际测试。

Hallucination（幻觉）¶

Hallucination 是模型生成看起来合理但没有可靠依据的内容。引用、RAG、工具和 Structured Output 都只能帮忙；重要事实仍要查看来源或用 Eval 验证。

Frontier Model¶

Frontier Model 是某个时间点能力位于前沿的模型类别，不是一个永久名单。型号、价格、Context 和可用状态变化很快；当前数据统一查看 Stage 1 的官方来源表。

Context Engineering¶

Context Engineering 是决定每次模型调用前“要放入哪些信息、按照什么顺序放、什么时候删除或压缩”的系统工作。它和 Prompt Engineering 互相配合，不是新术语淘汰旧术语；可读 Anthropic 的实践说明。

Agent Production Engineering¶

Agent Production Engineering 是本学习地图对“让 Agent 可以长期、安全、可观察地运行”的上位名称。它把 Harness、Loop、Workflow Graph、Eval、Guardrails、成本、恢复和人工批准放在同一章讨论。

学习顺序是 Stage 3 的 Agent Loop → Stage 4 的 Workflow Graph／Agent Framework → Stage 7 的 Agent Production Engineering。Prompt、Context、Harness、Loop、Graph 会一起工作；它们不是五层，也不是互相取代的产品世代。

📍 完整章节：Stage 7

Agent Harness（执行工作台）¶

Agent Harness 是包在模型外面的执行系统。它连接工具和 context，管理权限、状态、记录、错误和停止规则；同一个 Harness 可以包含 Agent Loop，也能成为 Workflow Graph 的一个 node。

Harness Engineering¶

Harness Engineering 是设计和改进 Agent Harness 的工程工作。OpenAI 的案例强调环境、知识、测试和反馈循环；它不是只把某个 framework 包在外面，也不会被 Loop Engineering 替代。

Loop Engineering（循环工程）¶

Loop Engineering 是设计 Agent 怎样开始、反复行动、检查、保存进度、停止或找人的工程工作。IBM 把它描述为新兴实践，包含 goal、action、observation 和 adjustment；看当前说明。

Agent Loop 是真正运行的循环；Loop Engineering 是把这个循环和外围规则设计好。它可能使用 Harness、Hooks、Skills、Subagents 和 Workflow Graph，而不是替代它们。

Graph Engineering（图工程）¶

Graph Engineering 是有人用来描述 Workflow Graph 设计的新兴名称，但不是所有供应商共同采用的标准。稳定的学习对象仍是 node、edge、branch、state 和 checkpoint；研究用法可看当前的 survey preprint。

这里的 graph 是执行流程，不是 Stage 6 的 GraphRAG 知识图谱。先在 Stage 4学习基本 Workflow Graph，再到 Stage 7加入上线边界。

8. Agent Interfaces¶

Computer Use（屏幕级 agent）¶

Computer Use 让模型读取画面并提出鼠标或键盘动作。Harness 必须先检查规则，executor 才执行；能用更小、可验证的 API 或 typed tool 时，通常先用那个。

Browser Use（web 级 agent）¶

Browser Use 让 Agent 在网页中读取数据、查找元素、填写表单或切换页面。它可以使用 DOM、Accessibility Tree 和 screenshot；browser-use是开源实现之一。

Sandbox（代码隔离环境）¶

Sandbox 是限制程序能看到和能做什么的隔离环境。真正的边界要看文件、网络、进程、secret、CPU／内存和生命周期设置，不能只因为使用了容器就宣称安全。

要比较 Search／Fetch、Browser Use、Computer Use 与 Sandbox，回到 Stage 8。

microVM（micro Virtual Machine）¶

microVM 是启动更精简、仍使用虚拟机隔离边界的执行环境。它常用于运行不可信代码，但安全仍取决于镜像、网络、权限和宿主设置。

Firecracker¶

Firecracker 是使用 KVM 创建 microVM 的开源 Virtual Machine Monitor。它提供隔离技术，不会自动替你完成镜像更新、网络策略或租户安全；见官方 repository。

gVisor¶

gVisor 在应用程序和主机 kernel 之间加入 userspace application kernel，减少容器直接接触主机系统调用的范围。它不是完整虚拟机，支持和性能取舍看官方文档。

找不到的词？¶

先回到你正在阅读的 Stage；重要词第一次出现时也应该有一句白话定义。
看 Stage 5.2 的 MCP、Stage 5.3 的 Skills或 Stage 7 的 production 边界。
仍然找不到时打开 issue；请附上“在哪一页看到”和“哪一句不懂”。

来源和核查

上面的易变产品和协议说明只采用官方文档；研究术语链接到原始 paper。完整型号、价格和 Context 清单集中在 Stage 1，不在词典中复制。

官方链接、产品身份和模型生命周期核查：2026-08-31 UTC。