术语表

AI 工程化的第三代范式。核心公式：Agent = 基础模型 + Harness 驾驭层。通过标准化的约束、封装和编排，让 AI 能力可控、可预期、可规模化。包含双 Harness 体系：Harness for Vibe Coding（AI 编程驾驭）和 Harness for Agent（AI 智能体管控）。

继 Software 1.0（人类编写规则）和 Software 2.0（数据训练模型）之后的新一代软件范式。核心特征：人不再操作软件完成生产，AI 执行，人类决策。软件从"工具"变成"协作伙伴"，开发方式从"编写代码"变成"定义目标和约束"。

氛围编程。通过自然语言和结构化文档驱动 AI 生成生产级代码的开发方式。本质是工程文化的可编程性——将团队的编码规范、架构约束、质量要求通过 SOP 文档编码为 AI 可执行的技能包。区别于传统的 AI 辅助编程，强调"描述需求→AI 理解上下文→AI 生成完整方案→人审核决策"的完整闭环。

能自主感知环境、做出决策并执行行动来完成特定目标的 AI 系统。与传统的 Chatbot（问答式 AI）不同，Agent 具有自主性、持续性、工具使用能力和多步骤规划能力。企业级 Agent 需要 Harness 层的管控，确保其在安全边界内运行。

具有自主行动能力的 AI 系统总称。区别于对话式 AI（如 ChatGPT 聊天界面），Agentic AI 能自主规划任务步骤、调用工具、访问外部系统、执行多步骤复杂工作流。是 Software 3.0 时代的核心技术形态。

模型上下文协议。由 Anthropic 提出的开放标准协议，用于 AI 模型与外部工具、数据源之间的标准化通信。类似于 AI 世界的"USB 协议"——让不同的 AI 模型可以接入统一的工具和数据接口，实现 Agent 能力的标准化集成。

驾驭工程的核心概念。位于基础模型之上、业务应用之下的中间层，包含：SOP 流程约束、知识库管理、Token 预算控制、模型路由、权限管理、输出校验、安全边界等模块。类比汽车的制动系统和方向盘——让 AI 这个"引擎"在可控范围内发挥最大效能。

未来飞马的技术架构理念。BaaS 层提供开箱即用的后端服务（数据库、文件存储、用户认证、消息推送），PaaS 层提供 AI 应用的运行环境和基础设施。两者结合构成"智能中枢"——让 AI Agent 和企业业务系统无缝连接。

AI 商业增益因子。未来飞马提出的企业 AI 投入产出量化模型：Q = (AI 产出价值 - AI 投入成本) / 传统方案成本。用于评估具体业务场景中引入 AI 的经济合理性。Q > 1 表示 AI 方案在经济上优于传统方案，Q 值越高增益越显著。

单一事实来源。在 GEO（生成式引擎优化）和知识管理领域，指为每个核心概念维护一个权威的定义页面。AI 搜索引擎通过这些 SSOT 页面理解概念之间的实体关系，从而在 AI 生成答案时准确引用。

生成式引擎优化。针对 AI 搜索引擎（如 ChatGPT Search、Perplexity、Google AI Overviews）的内容优化策略。不同于传统 SEO（基于关键词和链接），GEO 更注重结构化数据（JSON-LD）、实体关系定义、FAQ 内容覆盖和权威性建设。

通过标准化操作流程（Standard Operating Procedure）文档来定义和控制 AI 行为的工程方法。SOP 是 Harness 层的核心输入——将业务操作流程编码为 AI 可理解、可执行、可验证的结构化指令。三段式模板：输入规范、执行步骤、输出标准。

未来飞马提出的企业 AI 落地陪跑模型。第 1 天完成场景选择和 SOP 编写，第 7 天完成 AI 首次执行和结果验证，第 90 天实现场景的 AI 常态化运行并积累可复制的经验。强调快速启动、小步快跑、持续迭代的务实落地策略。

大语言模型处理文本的基本单位。一个 Token 约等于 0.75 个英文单词或 0.5 个中文字。AI 应用的运营成本主要由 Token 消耗决定。Token 成本管理（包括缓存复用、模型选择、Prompt 精简、输出长度限制）是企业 AI 规模化部署的核心财务考量。

场景选择方法论（Scenario, Labor, Profit）。用于评估哪些业务场景最适合引入 AI：S（场景标准化程度）——输入输出是否规范；L（人力投入）——当前需要多少人力和时间；P（增益潜力）——AI 替代后能带来多少效率提升和成本节约。SLP 评分越高的场景越适合优先 AI 化。