這是一個非常特殊的開源庫，它沒有提供可執行的程式碼框架，而是一本為 AI 時代開發者準備的術語字典。如果你在閱讀 AI 工程文件、使用 Cursor 或 Claude Code 時，對那些看似專業但模糊的詞彙感到困惑，這個 Repo 就是為了幫你建立一套精準的認知體系。
對於 Junior 工程師來說，AI 編程最容易陷入的誤區是將 AI 當作一個有記憶的個體。這本字典的核心目的，就是透過定義術語，讓你意識到 AI 其實是一個被封裝在 Harness（外殼）中的 stateless（無狀態）模型。
這個 Repo 解決的問題是 AI 開發中的認知不對稱。很多開發者會抱怨 AI 突然變笨、費用莫名飆高或輸出不穩定，但因為缺乏精確的詞彙，無法準確診斷問題。例如，將 AI 變笨描述為進入了 Dumb Zone（笨區），其背後真正的技術原因是 Attention Degradation（注意力退化）。
核心概念分析
首先是模型與外殼的區分。模型（Model）僅僅是執行下一個 token 預測的數學函數，而 Agent（代理）則是將模型加上 System Prompt、工具（Tools）與上下文管理後產生的實體。這解釋了為什麼同一個模型在不同工具中表現迥異，因為它們的 Harness 不同。
其次是上下文的生命週期。字典詳細區分了 Context（相關資訊）、Context Window（模型能看到的上限）與 Session（一次對話過程）。這對於理解為什麼對話久了 AI 會出錯至關重要，因為 Session 會填滿 Context Window，導致注意力被稀釋。
最後是工作模式的定義。它提出了如 AFK（離線運行）、Vibe Coding（不看 Diff 直接跑結果）以及 Grilling（蘇格拉底式詢問）等實務模式，將 AI 編程從簡單的聊天提升到工程化流程。
技術亮點與實務價值
該庫的價值在於它提供了診斷 AI 失敗模式的框架。它將幻覺（Hallucination）細分為事實性幻覺（缺乏參數知識）與忠實性幻覺（無視已提供的上下文），這讓工程師知道該補文件（增加 Context）還是該重開對話（Clear Session）。
此外，它對成本的解釋非常務實。透過 Prefix Cache（前綴快取）與 Cache Tokens 的概念，解釋了為什麼微小的 Prompt 變動（如在頂端加入時間戳記）會導致快取失效，進而讓 API 帳單暴增。
適合誰使用
這份資源非常適合剛開始嘗試將 LLM 導入工作流的開發者，以及需要建立團隊 AI 協作標準的 Lead 工程師。如果你發現自己經常對 AI 說「你剛才明明知道」或「為什麼這次不一樣」，你應該閱讀這份字典。
導入成本與風險
由於這是一個知識庫而非工具，因此沒有技術導入風險。唯一的成本是閱讀與內化這些概念。
成熟度判斷
這是一個高度成熟的知識整理專案。它不僅定義了詞彙，還提供了真實的對話場景（Usage），將抽象概念轉化為可應用的工程語言。雖然它沒有程式碼邏輯，但其對 AI 編程心智模型的建構具有極高價值。