最近 AI 圈子里新名词层出不穷LLM、Token、Context、Context Window、Prompt、Tool、MCP、Agent、Agent Skill……这些词你大概率都听过。刷文章会看到刷视频会看到听别人分享也会看到。但我想问一个很直接的问题你真的能准确说清楚它们分别是什么意思吗更进一步说你真的知道它们在一个 AI 系统里各自扮演什么角色吗很多人其实并不清楚。表面上看好像大家都在聊 AI。可一旦深入一点你就会发现很多讨论其实都停留在“听过名词”的层面知道 LLM 很火但说不清它本质上在干什么知道 Token 很重要但不知道为什么一长段话会那么费 Token知道 Prompt 影响回答质量但不理解 System Prompt 和 User Prompt 的区别知道 Agent 很高级但不清楚它和普通聊天机器人到底差在哪里知道 MCP 很火却不知道它其实解决的是“工具接入标准”的问题所以这篇文章不讲商业概念。不谈“AI 将重塑未来”也不谈“下一代生产力革命”这种大词。只做一件事从最底层的工程视角出发把这几个概念一一讲清楚。你看完之后最大的变化不是你又多记住了几个术语。而是你会第一次真正看懂今天大多数 AI 产品底层到底是怎么运作的。不喜欢看文字想看视频的朋友们可以移步视频号。视频来源马克的工作坊https://www.youtube.com/watch?v7qO8-kx3gW8一、先从最底层开始LLM1. 什么是 LLMLLM 全称Large Language Model翻译成中文就是大语言模型平时大家也会直接叫它大模型从字面上理解Large规模很大参数很多训练数据也很多Language处理语言包括自然语言、代码、符号等Model它归根到底是一个数学模型所以LLM 不是“电子大脑”这种玄学概念。更准确地说它是一个超大规模的语言建模系统。2. 现在的大模型几乎都站在 Transformer 之上今天主流的大模型基本都是基于Transformer架构训练出来的。如果你看过 Transformer 的那张经典结构图大概率会有一种感觉看不懂但大受震撼。这很正常。因为那张图本来就不是给零基础读者一眼看懂的。今天我们也不打算展开讲它的数学细节比如Self-Attention 怎么算Q、K、V 到底代表什么多头注意力为什么有效前馈层、残差连接、LayerNorm 又分别在干什么这些内容当然重要但不是今天的重点。你现在只需要先记住一句话大模型的核心底层引擎就是 Transformer。3. Transformer 是谁提出来的Transformer 架构最早是由Google 团队在 2017 年提出的。那篇论文的名字非常有名Attention Is All You Need可以说今天这波生成式 AI 大爆发技术火种就是从这里点起来的。但技术史里常常有个很有意思的现象发明火种的人不一定是把世界点燃的人开创架构的人不一定是让全球用户真正感受到冲击的人Google 提出了 Transformer而真正把“大模型”这件事推向全球、推向大众视野的是 OpenAI。4. 为什么 GPT 系列会成为一个时代节点大家应该都记得2022 年底 GPT-3.5 出现时很多人第一次真正感受到原来 AI 已经不是实验室里的概念了。它不是简单地回答几个模板化问题而是真的能聊天写代码改文案总结资料解释概念帮人完成实际任务这和过去那种“智能客服式”的体验完全不是一个量级。接着在2023 年 3 月GPT-4 发布。这一步又把大家对 AI 能力上限的认知整体往上抬了一层。所以你会发现GPT 系列的意义不只是“模型更强了”而是它让全世界第一次大规模意识到大模型是一个通用平台级能力。5. 如今已经不是 OpenAI 一家独大当然现在的 AI 世界早就不是 OpenAI 的独角戏了。后面陆续出现了很多强力选手比如ClaudeGemini各种开源模型各类垂直场景模型它们在不同方向上各有优势有的擅长长上下文有的擅长代码生成有的擅长工具调用有的擅长多模态有的擅长企业落地这说明一件事今天的大模型竞争已经从“谁先做出来”进入到“谁在哪些场景更强”的阶段。6. LLM 的本质其实非常朴素很多人第一次接触 AI会下意识把它想得很神秘。但如果你从最底层原理去看会发现它的本质其实很朴素它就是在做“下一个 Token 预测”。也就是说大模型的核心任务不是“理解世界”而是根据当前已经看到的内容去预测下一个最可能出现的 Token 是什么。举个最简单的例子假设你问模型一句话繁光的文章怎么样模型不会一下子把整句回答全部想好再吐出来。它真正的工作方式更像这样第一步它看着输入内容预测下一个最可能出现的 Token。比如它预测出特别然后它把这个“特别”重新拼回上下文里。输入就变成了繁光的文章怎么样 特别接着它再继续预测下一个 Token。比如预测出得然后再拼回去。继续预测棒于是回答就一步一步长出来了特别得棒等它觉得该说的话说完了就会输出一个结束标记整段回答到此结束。7. 为什么 AI 总是一个字一个词往外冒因为它本来就是这么工作的。它不是先写完一整篇文章然后再一次性显示给你。它是先看当前输入预测下一个 Token把这个 Token 接回去再继续预测下一个如此循环直到结束这也是为什么很多 AI 产品都支持“流式输出”。因为这不是表演形式而是它的真实生成机制。二、Token大模型真正处理的不是“词”而是 Token刚才为了让大家容易理解我们用了“一个词一个词生成”的说法。但严格来讲大模型真正处理的不是词而是Token这是理解大模型最重要的基础概念之一。1. 为什么模型不能直接处理文字因为模型本质上是个数学系统。它内部做的是向量运算矩阵乘法概率分布计算它认识的是数字不是汉字不是英文不是代码字符本身。所以在人类文字和模型之间必须有一个“翻译层”。这个翻译层就是Tokenizer2. Tokenizer 是干什么的Tokenizer 负责两件事情1编码 Encode把人类的文字转换成模型能处理的数字。2解码 Decode把模型输出的数字再还原成人类能读懂的文字。你可以把它理解成一个双向翻译官。人类说的是自然语言模型吃的是数字序列Tokenizer 负责来回转换3. Token 是怎么来的还是用前面的句子举例繁光的文章怎么样Tokenizer 在编码时一般会做两步第一步切分把这句话拆成一个一个最小片段。这些片段就叫Token。第二步映射再把每个 Token 映射成一个数字。这个数字叫Token ID。于是Token 是文本层面的单位Token ID 是数值层面的编号最后模型真正接收到的不是这句汉字本身而是一串 Token ID。4. 模型输出时也是一样的模型内部一通计算之后吐出来的仍然不是“文字”而是一个新的 Token ID。然后 Tokenizer 再把这个 Token ID 解码成对应的文本你才会在界面里看到一个字、一个词、一个符号。所以从头到尾大模型真正处理的基本单位都不是“句子”也不是“词语”而是Token5. 很多人会误会Token 不就是词吗不是。这是一个非常常见、但也非常关键的误解。Token 和“词”不是一一对应的关系。有时候它们看起来像一样那只是碰巧。比如繁光的文章怎么样这个例子里它可能正好被切成繁光的文章怎么样这会让人误以为“哦原来一个词就是一个 Token。”但换个例子你就会发现不是这样。6. 为什么 Token 不等于词例如这句话繁光的智能工作室从人的直觉出发可能会觉得可以切成繁光的智能工作室但在很多 Tokenizer 里“工作室”并不一定是一个 Token它可能会被拆成工作室于是总共就变成了 6 个 Token而不是 4 个。再比如工程师从语义上讲这是个完整的词。但在 Tokenizer 眼里它也可能被拆成工程师也就是说词是人类语言学上的概念Token 是模型为了计算方便学出来的一套切分规则。这两者不必完全一致。7. 英文是不是就一定一个单词一个 Token也不是。有些常见英文单词确实可能正好对应一个 Token。比如hellogoing但这并不是固定规则。例如helpful它就可能被拆成helpfulhttps://platform.openai.com/tokenizer甚至某些特殊字符一个字符还可能对应多个 Token。所以不要把 Token 简单理解成“词”。更准确的理解是Token 是模型可处理的最小文本单元。8. Token 的一个实用理解方式你可以这样记Token 不是语文老师定义的“词”而是模型自己学会的一套“最合适的文本切分颗粒度”。这个定义非常接近真实工程含义。9. Token 和字数怎么换算很多人第一次看到“100 万 Token”的时候没概念。所以这里给一个粗略换算1 个 Token ≈ 0.75 个英文单词1 个 Token ≈ 1.5 到 2 个汉字于是40 万 Token ≈ 60 到 80 万汉字100 万 Token ≈ 150 万到 200 万汉字当然这只是经验值。实际数量会因为文本类型不同而有明显波动比如中文和英文不同代码和自然语言不同JSON、表格、URL 往往更吃 Token特殊符号密集内容也更贵这也是为什么很多人会惊讶“我明明没写多少字怎么 Token 消耗这么快”因为你以为自己给的是“一段文字”模型看到的是一大串细粒度切分后的 Token。三、Context大模型的“临时记忆体”讲完 Token再来看一个几乎所有人都经历过、但不一定认真想过的问题。我们平时和 AI 聊天会发现它似乎能记住前面说过的话。比如你在开头说我叫繁光过一会儿你再问我叫什么它通常能回答出来。这就会让很多人产生一种错觉大模型是不是像人一样真的有记忆其实不是。1. 模型本身并不会天然“记住”你从底层来看大模型依然只是一个函数给它输入它给你输出它不像人一样有一个自然形成的、长期稳定的个人记忆系统。那它为什么还能记住前文答案其实很简单因为程序在每次调用模型时会把前面的对话内容一起发过去。模型不是“记住了”而是“又重新看到了”。2. 这就引出了 Context所谓Context中文通常翻译为上下文它指的是模型在当前这一次处理任务时接收到的全部信息总和。注意是“全部信息总和”而不是只指你最新输入的那句话。3. Context 里面通常包含什么在真实系统里Context 可能包括当前用户输入历史对话记录System Prompt可用工具列表工具调用结果平台追加的控制信息模型当前生成中的内容所以当你觉得模型“记得”你之前说过什么时本质上发生的事情并不是它脑子里有记忆而是之前的信息被重新放进了这次的 Context 里。4. 为什么可以把 Context 理解成“临时记忆”因为从效果上看它很像模型的工作记忆区。它里面装着当前任务所需的信息前面对话留下来的痕迹系统给它的行为规则工具返回的数据模型就是基于这些东西继续往下推理的。所以你可以把 Context 理解为模型每次开工时手边摊开的那一摞材料。不是“永久记忆”而是“本轮工作台上的资料”。四、Context Window上下文窗口既然 Context 是模型每次处理任务时能看到的全部信息那自然就会问它最多能看到多少这就是Context Window中文一般叫上下文窗口1. 它的定义非常直接Context Window 指的是模型一次推理中最多能容纳多少 Token 的上下文。如果某个模型的 Context Window 是 1 万就意味着这次调用中所有上下文加起来最多只能有 1 万 Token。注意这个“所有上下文”不只是你的问题还包括历史对话System Prompt工具结果当前问题模型生成中的内容这些都会一起占用窗口空间。2. 为什么 Context Window 很重要因为它直接决定了模型很多能力边界。比如能不能看长文档能不能记住长对话能不能处理大代码仓库Agent 能连续跑多久工具返回内容会不会把上下文撑爆你平时遇到很多“AI 突然变笨”的现象其实背后都可能和 Context Window 有关。比如聊久了开始忘前面内容做长任务做到后面质量下降明明刚刚说过的规则后面又被忽略多轮工具调用后回答突然混乱这些都不是玄学。很多时候它只是因为上下文压力变大了。3. 100 万 Token 到底是什么概念前面说过1 个 Token 大概等于 1.5 到 2 个汉字。所以100 万 Token大约就是 150 万到 200 万汉字这个量级已经非常惊人了。从直觉上说很多超长文档、整本书甚至多本书拼起来都可能塞得进去。这也是为什么近两年很多模型都在强调自己支持“超长上下文”。因为这会显著提升长文档问答长代码分析大项目理解多步 Agent 执行4. 但窗口再大也不代表你应该什么都往里塞这里有个特别容易误解的点Context Window 大不等于最佳做法就是“把所有内容一股脑全塞进去”。为什么第一成本会失控Token 越多调用成本越高。第二信息噪音会增大上下文太长不相关信息太多反而可能干扰模型判断。所以在工程里真正重要的不是“塞得越多越好”而是给模型最相关的信息。5. 这就是 RAG 的意义假设你有一本几千页的产品手册希望模型根据它回答用户问题。这时候你当然可以尝试把整本书都塞进上下文。但在大多数实际工程里更合理的做法是RAG检索增强生成Retrieval-Augmented Generation它的基本思路是先把大文档切分并建立索引当用户提问时先去检索最相关的几个片段只把这些最相关片段放进 Context再让模型基于这些片段回答这样做的好处很明显节省成本降低噪音提高相关性更适合企业知识库、客服问答、文档检索场景所以长上下文很重要但“检索出对的问题片段再喂给模型”同样重要。五、Prompt你给模型下达的任务指令接下来讲一个很多人最早接触、但也最容易被神化的概念Prompt中文通常翻译成提示词但其实你完全不用把它想得很玄。它本质上就是你给模型输入的问题、指令、要求、规则。1. 最简单的 Prompt就是你说的话比如你对模型说帮我写一首诗这句话本身就是一个 Prompt。所以 Prompt 不一定是什么复杂模板、神秘黑话。它最朴素的定义就是你让模型做什么。2. 为什么 Prompt 很重要因为模型的输出质量很大程度上取决于你有没有把要求说清楚。比如你只说帮我写一首诗模型可能写古诗现代诗打油诗抒情诗搞笑诗因为你的要求太模糊了。但如果你这样说请帮我写一首五言绝句主题是秋天的落叶风格偏悲凉那模型的输出就会稳定得多。因为它知道了体裁主题情绪风格这就是 Prompt 的价值。3. Prompt Engineering到底在干什么所谓Prompt Engineering说白了就是研究怎么把话说明白让模型更准确理解你的意图。过去这个概念非常火因为早期模型能力没那么强Prompt 稍微写得好一点效果差别就会很明显。但今天模型能力越来越强很多模糊表达它也能大概猜出来。所以 Prompt Engineering 的神秘感下降了。不过这并不意味着 Prompt 不重要。它只是意味着炫技式 Prompt 没那么重要了清晰表达仍然很重要在复杂系统和 Agent 场景里高质量 Prompt 依然是基础功六、Prompt 还分两类User Prompt 和 System Prompt事情到这里还没有结束。因为在真实系统里模型接收到的“指令”往往不只有用户输入的那一句话。有时候我们还需要提前告诉模型你是谁你应该扮演什么角色你必须遵守什么规则你不能怎么做你的输出风格是什么于是Prompt 就分成了两类。1User Prompt用户提示词User Prompt 很简单就是用户在界面里直接输入给模型的话。例如帮我写一首诗3 加 5 等于几总结一下这篇文章帮我改写这段文案这些都属于 User Prompt。2System Prompt系统提示词System Prompt 则是开发者在后台设置的规则。用户通常看不到但它会持续影响模型行为。比如开发者可以写你是一个耐心的数学老师不要直接告诉学生答案要引导对方一步一步思考回复语气要温和不要使用过于复杂的术语这些就属于 System Prompt。一个特别经典的例子数学辅导机器人假设你要做一个数学辅导机器人你的目标不是让它直接报答案而是引导学生思考。那你就可以这样设计System Prompt你是一个耐心的数学老师。当学生问你数学题时不要直接给出答案而是一步一步引导他们理解解题思路。User Prompt3 加 5 等于几模型同时看到这两层信息后回答很可能会变成我们可以这样想你手里有 3 个苹果又拿了 5 个苹果现在一共有多少个呢你可以试着数一数。如果没有 System Prompt它很可能直接回答8所以你会发现User Prompt 决定“做什么”System Prompt 决定“以什么方式做”这两者叠加在一起才构成了模型实际行为的控制逻辑。七、ToolAI 为什么突然“能查天气、能读文件、能执行代码”了下面进入一个真正让大模型从“会聊天”升级到“能做事”的关键概念Tool很多人第一次听“工具”这个词会觉得太抽象。但如果换个说法就立刻清楚了Tool本质上就是函数。1. 为什么大模型需要 Tool因为大模型有一个天然弱点它没法直接感知外部世界。比如你问它今天上海天气怎么样如果它没有联网、没有外部查询能力它只能说我无法获取实时天气我的知识截止到某个时间我无法提供今天的实时信息为什么因为大模型的能力来源于训练数据和当前上下文。它不会自己去打开天气网站也不会自己去查实时数据库。它需要一个外部接口替它完成“查”的动作。这就是 Tool 的价值。2. Tool 的本质是什么Tool 本质上就是一个函数接口你传入参数它返回结果比如“天气查询工具”可能需要城市日期或者经度纬度它内部也许会调用天气 API查数据库连第三方服务但对模型来说这些都不是重点。模型关心的是这个工具叫什么它能干什么需要什么参数会返回什么信息Tool 调用时系统里到底发生了什么这里通常会涉及四个角色用户平台大模型工具其中平台很关键。你可以把它理解成中间的调度员、传话筒、执行器。因为用户不会直接调用工具模型也不会真的自己执行函数工具也不会自己把结果交给用户平台负责把这一切串起来。3. 一个完整例子查天气比如用户问今天上海天气怎么样流程通常是这样的第一步用户把问题发给平台不是直接发给工具。第二步平台把问题和“可用工具列表”一起发给模型模型看到的不只是问题还有当前可用能力。例如weather 工具calculator 工具search 工具第三步模型判断是否需要调用工具模型会分析用户问的是天气我自己没有实时天气数据但这里有 weather 工具可用所以应该调用它第四步模型输出工具调用指令注意模型不会真的去执行函数。它只能输出一段结构化指令大意像这样调用工具weather参数city上海date今天第五步平台真正执行工具平台看到这个指令后才会实际调用 weather 这个函数。第六步平台拿到工具返回结果比如晴15℃ 到 25℃东风 3 级第七步平台把这个结果再发给模型模型看到工具返回后会把它整理成人类更容易读懂的话。第八步平台把最终结果返回给用户比如今天上海天气晴气温 15 到 25 度整体比较舒适。4. 一个特别容易搞错的点很多人会误以为是模型在调用工具其实不准确。更准确的说法是模型负责决定“用哪个工具、传什么参数”真正执行工具的是平台。模型依然只是一个“生成文本 / 生成指令”的系统。真正对外部世界产生作用的是平台和工具执行层。5. 所以Tool 的意义是什么一句话总结Tool 是模型连接外部世界的手和眼。没有 Tool 的模型本质上仍然只是一个基于训练数据和上下文生成文本的系统。有了 Tool它才开始具备查天气查地图查数据库跑代码读文件调接口控浏览器操作企业系统这些真实能力。也正是从这里开始AI 才逐渐从“会说话”走向“会做事”。八、MCP为什么 AI 工具也需要一个“Type-C 接口”理解了 Tool 之后很快就会遇到一个工程问题工具怎么接进不同平台如果每个平台的接入规范都不一样那开发者会非常痛苦。于是这就引出了MCP1. MCP 是什么MCP全称是Model Context Protocol中文一般翻译成模型上下文协议这个名字听起来稍微有点学术。如果你想快速理解它可以直接把它理解成统一的工具接入标准。2. 为什么会需要 MCP假设你开发了一个很好用的工具。你希望它既能在 OpenAI 生态里使用也能在 Anthropic、Google 或其他平台里使用。如果大家各自有一套不同的工具接入方式你就得按 OpenAI 的标准写一套按 Anthropic 的标准再写一套按 Google 的标准再写一套同一个工具重复适配很多次。这非常低效。于是AI 工具生态就会变得很碎片化。3. MCP 想解决的就是“重复适配”问题它的目标很明确能不能定义一套统一标准让工具开发者只开发一次就能被所有支持该标准的平台接入如果这个目标实现整个生态都会轻松很多工具开发者更省事平台更容易接入工具产品之间更容易互通Agent 更容易复用外部能力4. 用一个特别形象的类比来理解你可以把 MCP 理解成AI 工具世界里的 Type-C 接口。以前不同手机有不同充电口后来大家逐渐统一到 Type-C体验立刻提升。MCP 做的事情很像它不是发明工具也不是发明模型它是在统一“接头规范”这样一来大家接起来就顺多了。5. MCP 的价值不在“变聪明”而在“变顺畅”这一点很重要。MCP 不是让模型突然更聪明它解决的不是“智力问题”而是“工程接入问题”。它的价值是降低接入成本提升生态互联效率让工具更容易跨平台复用让 Agent 和工具生态更容易成长起来所以 MCP 很重要但它的重要性是“基础设施层”的重要不是“模型推理层”的重要。九、Agent从“回答问题”走向“完成任务”到这里为止我们已经有了LLMPromptToolMCP看起来已经很强了。但为什么行业里又多了一个特别火的词Agent因为仅仅“会回答”和“会调一次工具”还不够。真正复杂的任务往往需要多步规划条件判断连续执行动态决定下一步做什么这就是 Agent 的价值所在。1. 一个简单问题和一个复杂任务的区别如果用户只是问今天上海天气怎么样模型调用一次天气工具拿到结果后总结一下就结束了。这是一个典型的单步任务。但如果用户说今天我这里天气怎么样如果下雨的话顺便帮我查一下附近有没有卖雨伞的店。这个问题就变复杂了。它不是一个动作而是一个多步流程先确定我在哪里再查当前位置天气判断是不是下雨如果下雨再查附近雨伞店最后整合答案这已经不是“简单调用一个工具”了。而是需要边做边判断。2. 从模型视角看Agent 在干什么以这个场景为例模型的内部推理流程很像这样第一步用户问天气。要查天气先得知道位置。当前有定位工具所以先调用定位工具。第二步拿到经纬度后下一步是查天气。当前有天气工具于是调用天气工具。第三步天气结果出来了发现有雨。用户要求说“如果下雨就帮我查卖伞的地方”。于是继续调用店铺搜索工具。第四步店铺结果出来后整合所有信息输出最终回答。注意这里最关键的不是“会用工具”而是它会根据当前状态决定下一步该做什么。2. Agent 的定义所以Agent 可以理解为能够自主理解目标、自主规划步骤、自主调用工具并持续运行直到完成用户任务的系统。它和普通聊天模型最大的区别就在于普通模型更像你问一句我答一句而 Agent 更像你给我一个目标我自己拆步骤把它办完3. Agent 的关键不在“能回答”而在“能持续行动”从工程角度看一个成熟的 Agent通常会涉及这些能力任务理解步骤规划工具选择参数生成条件判断结果利用多轮循环最终归纳所以 Agent 不是某个单点功能而是一种“可持续执行任务”的系统结构。4. 为什么 Agent 这两年这么火因为它把模型的角色从“会聊天的助手”推进到了“会做事的执行者”。这意味着 AI 的应用边界一下子被拉宽了不只是回答问题还可以帮你查资料帮你写代码帮你跑脚本帮你分析项目帮你连接系统帮你完成一条完整工作流这也是为什么市面上开始出现大量 Agent 类产品例如Claude CodeCodexGemini CLI各类自动化智能体AI 开发代理企业级任务助手它们的底层思路虽然不同但核心都在做同一件事让 AI 从“答题”升级为“执行”。十、Agent Skill为什么 Agent 还需要“说明书”你可能会想既然 Agent 都已经能规划、能调用工具、能执行任务了那是不是已经很完美了现实是还差一步。因为 AI 虽然会做事但它不一定会按照你喜欢的方式做事。这时候就需要Agent Skill1. Agent Skill 是什么一句话概括Agent Skill就是写给 Agent 看的说明文档。它不是给终端用户看的而是给 Agent 的“工作手册”。里面会写清楚你要完成什么目标你应该按什么步骤做你要遵守哪些规则你要用什么格式输出你最好参考什么示例2. 为什么 Agent 需要 Skill举个生活化例子。假设你想让 Agent 变成你的“出门助手”。每次出门前它都帮你查天气并提醒你该带什么。但你有自己的一套个人习惯下雨带伞太阳太强带帽子空气差带口罩风大穿防风外套无论如何手机必带而且你还很在意回答格式先一句总结再列物品清单不要啰嗦不要自由发挥太多如果没有预设这些规则那你每次都得重新写一大串 Prompt。这显然很麻烦。所以最好的办法就是把这些规则提前写好做成一个可复用的 Skill。3. Agent Skill 的本质是什么从本质上看它其实就是把反复会用到的任务规则外置成一份结构化说明文档。这件事的价值非常大因为它能让 Agent 的行为从“临场发挥”变成“可复用、可维护、可解释的执行逻辑”。4. 一个 Skill 通常会写什么一般来说一个 Agent Skill 可以分成两部分。第一部分元数据层这相当于封面告诉 Agent这个 Skill 叫什么它是做什么的常见字段至少有NameDescription第二部分指令层也就是正文。这里通常会写目标执行步骤判断规则输出格式示例比如“出门清单”这个 Skill 可以这样设计SKILL.md--- name: go-out-checklist description: 生成出门清单。当用户询问“出门要带什么/要准备什么/今天外出需要带哪些东西”时使用 --- # 目标 你是一个贴心的“出门清单助手”。你的任务是根据用户所在位置的实时天气情况告诉用户出门必须携带的物品。 # 执行步骤 1. 调用“定位工具”获取用户当前所在位置的经纬度。 2. 将获取到的经纬度作为参数调用“天气工具”一次性获取降雨情况、光照强度、空气质量和风力大小这四项数据。 3. 根据天气数据结果按照下方的“判断规则”整理出门需要携带的物品。 4. 严格按照下方的“输出格式”向用户输出最终结果。 # 判断规则 1. 手机无条件必带。 2. 伞当“天气工具”返回“有雨”时必须携带。 3. 帽子当“天气工具”返回“光照强”时必须携带。 4. 口罩当“天气工具”返回“空气质量差”时必须携带。 5. 防风外套当“天气工具”返回“强风”时必须携带。 # 输出格式 你必须输出两段 【结论一句话】 用一句话总结今天出门最关键的注意点例如“有雨 光照强”或“风力大”。 【出门清单】 - 物品原因 - 物品原因 # 示例 ## 用户问题 我马上要出门帮我看看今天需要准备带些什么 ## 工具返回 ### 定位工具 { 经度: -73.9855, 纬度: 40.7580 } ### 天气工具 { 降雨情况: 有雨, 光照强度: 弱, 空气质量: 良, 风力大小: 强风 } ## 最终输出 【结论一句话】 有雨 强风 【出门清单】 手机必带 伞有雨 防风外套强风5. Agent Skill 为什么这么有用因为它把“经验”变成了“规则”。这在工程里特别重要。任何靠模型临场猜测的行为都可能波动。而显式写出来的规则则会大幅提升输出一致性行为可控性修改便利性团队协作效率复用能力所以你可以把 Agent Skill 理解成Agent 的岗位 SOP。6. 它在系统里怎么落地以 Claude Code 这类产品为例Skill 往往不是随便放个文档就行而是有明确约定。例如存放在特定目录每个 Skill 一个独立文件夹例 go-out-checklist文件夹名和 Skill 名要一致正文文件名必须叫SKILL.md这说明一件事Agent Skill 不是普通文档而是被系统识别和加载的一类特殊文档。7. Skill 不只是“文档”而是行为配置层更进一步讲Agent Skill 的价值不只是“省得你重复打字”。它实际上把 Agent 的行为逻辑从部分代码层外置到了文档层。这会带来很多高级价值降低开发门槛让业务人员也能参与规则定义方便版本管理方便团队复用便于形成领域技能库节省 Context 中重复注入的大量 Token所以 Agent Skill 的出现标志着 Agent 系统开始往“工程化、产品化、团队化”方向走了。十一、把这整套体系串起来你就真正看懂 AI 了到这里我们已经把这些概念一个个拆开讲完了。现在把它们重新串起来看你会更容易理解整个 AI 系统的结构。第一层LLM这是核心大脑。负责推理、生成、判断、规划本质是不断预测下一个 Token。第二层Token这是最小处理单位。模型不是按“词”处理而是按 Token 处理。第三层Context这是模型本轮任务看到的信息总和。你可以把它看成模型的临时工作记忆。第四层Context Window这是这块临时记忆的容量上限。它限制了模型一次最多能看多少 Token。第五层Prompt这是当前给模型下达的任务说明。包括用户要求和系统规则。第六层Tool这是模型连接外部世界的函数接口。它让模型具备查数据、做动作、调系统的能力。第七层MCP这是统一工具接入格式的标准协议。它让工具生态更容易互联。第八层Agent这是会自主规划和连续执行的系统。它不只是回答而是持续完成任务。第九层Agent Skill这是给 Agent 看的说明文档。它规定规则、步骤、格式和示例让 Agent 更稳定地做事。十二、为什么理解这几个词比追热点更重要因为今天 AI 圈子里几乎所有新产品、新技术、新包装最后都逃不开这套框架。无论你看到的是Claude CodeCodexGemini CLIAI IDE企业知识库智能客服自动化工作流编程代理智能运维助手它们本质上都在这几个层面做增强和组合模型更强上下文更长Prompt 管理更成熟Tool 更丰富MCP 更统一Agent 更会规划Skill 更可复用所以真正重要的不是死记硬背名词。而是看懂它们分别属于哪一层、解决的是什么问题。当你具备这种视角之后别人再抛给你一个新名词你的第一反应就不会是这个词好高级我得去背一下而会变成它到底是在讲模型能力上下文管理工具接入还是 Agent 编排这时候你才算真正拥有了“理解 AI”的框架。十三、最后用一句话记住每个概念为了方便收藏和复习最后我们再把每个概念压缩成一句话。LLM大语言模型是整个 AI 系统的核心推理引擎。Token模型处理文本的最基本单位不等于“词”。Context模型本轮任务接收到的全部信息总和相当于临时工作记忆。Context WindowContext 最多能装下多少 Token 的容量上限。Prompt用户或系统当前给模型下达的具体任务、问题或规则。User Prompt用户直接输入给模型的话。System Prompt开发者在后台配置给模型的人设和行为规则。Tool模型用来感知和影响外部环境的函数接口。MCP统一工具接入格式的标准协议降低跨平台适配成本。Agent能够自主规划、自主调用工具、持续执行直到完成任务的系统。Agent Skill写给 Agent 看的说明文档用来规定步骤、规则、格式和示例。十四、结尾如果你能把这几个概念真正吃透你以后再看 AI 领域的新产品、新技术、新趋势就不会再被表面的名词轰炸带着跑了。因为你已经知道LLM 是核心引擎Token 是最小颗粒Context 是临时记忆Context Window 是容量限制Prompt 是任务入口Tool 是连接外部世界的手和眼MCP 是统一接头标准Agent 是任务执行者Agent Skill 是操作说明书说到底今天大多数 AI 产品的花样再多底层也离不开这一套结构。理解这套结构比追逐每一个新名词更重要。因为当你真正看见骨架之后那些五花八门的外壳就不再那么容易把你绕晕了。
从 LLM 到 Agent Skill，一篇文章带你打通底层逻辑！
发布时间：2026/7/8 16:53:34
最近 AI 圈子里新名词层出不穷LLM、Token、Context、Context Window、Prompt、Tool、MCP、Agent、Agent Skill……这些词你大概率都听过。刷文章会看到刷视频会看到听别人分享也会看到。但我想问一个很直接的问题你真的能准确说清楚它们分别是什么意思吗更进一步说你真的知道它们在一个 AI 系统里各自扮演什么角色吗很多人其实并不清楚。表面上看好像大家都在聊 AI。可一旦深入一点你就会发现很多讨论其实都停留在“听过名词”的层面知道 LLM 很火但说不清它本质上在干什么知道 Token 很重要但不知道为什么一长段话会那么费 Token知道 Prompt 影响回答质量但不理解 System Prompt 和 User Prompt 的区别知道 Agent 很高级但不清楚它和普通聊天机器人到底差在哪里知道 MCP 很火却不知道它其实解决的是“工具接入标准”的问题所以这篇文章不讲商业概念。不谈“AI 将重塑未来”也不谈“下一代生产力革命”这种大词。只做一件事从最底层的工程视角出发把这几个概念一一讲清楚。你看完之后最大的变化不是你又多记住了几个术语。而是你会第一次真正看懂今天大多数 AI 产品底层到底是怎么运作的。不喜欢看文字想看视频的朋友们可以移步视频号。视频来源马克的工作坊https://www.youtube.com/watch?v7qO8-kx3gW8一、先从最底层开始LLM1. 什么是 LLMLLM 全称Large Language Model翻译成中文就是大语言模型平时大家也会直接叫它大模型从字面上理解Large规模很大参数很多训练数据也很多Language处理语言包括自然语言、代码、符号等Model它归根到底是一个数学模型所以LLM 不是“电子大脑”这种玄学概念。更准确地说它是一个超大规模的语言建模系统。2. 现在的大模型几乎都站在 Transformer 之上今天主流的大模型基本都是基于Transformer架构训练出来的。如果你看过 Transformer 的那张经典结构图大概率会有一种感觉看不懂但大受震撼。这很正常。因为那张图本来就不是给零基础读者一眼看懂的。今天我们也不打算展开讲它的数学细节比如Self-Attention 怎么算Q、K、V 到底代表什么多头注意力为什么有效前馈层、残差连接、LayerNorm 又分别在干什么这些内容当然重要但不是今天的重点。你现在只需要先记住一句话大模型的核心底层引擎就是 Transformer。3. Transformer 是谁提出来的Transformer 架构最早是由Google 团队在 2017 年提出的。那篇论文的名字非常有名Attention Is All You Need可以说今天这波生成式 AI 大爆发技术火种就是从这里点起来的。但技术史里常常有个很有意思的现象发明火种的人不一定是把世界点燃的人开创架构的人不一定是让全球用户真正感受到冲击的人Google 提出了 Transformer而真正把“大模型”这件事推向全球、推向大众视野的是 OpenAI。4. 为什么 GPT 系列会成为一个时代节点大家应该都记得2022 年底 GPT-3.5 出现时很多人第一次真正感受到原来 AI 已经不是实验室里的概念了。它不是简单地回答几个模板化问题而是真的能聊天写代码改文案总结资料解释概念帮人完成实际任务这和过去那种“智能客服式”的体验完全不是一个量级。接着在2023 年 3 月GPT-4 发布。这一步又把大家对 AI 能力上限的认知整体往上抬了一层。所以你会发现GPT 系列的意义不只是“模型更强了”而是它让全世界第一次大规模意识到大模型是一个通用平台级能力。5. 如今已经不是 OpenAI 一家独大当然现在的 AI 世界早就不是 OpenAI 的独角戏了。后面陆续出现了很多强力选手比如ClaudeGemini各种开源模型各类垂直场景模型它们在不同方向上各有优势有的擅长长上下文有的擅长代码生成有的擅长工具调用有的擅长多模态有的擅长企业落地这说明一件事今天的大模型竞争已经从“谁先做出来”进入到“谁在哪些场景更强”的阶段。6. LLM 的本质其实非常朴素很多人第一次接触 AI会下意识把它想得很神秘。但如果你从最底层原理去看会发现它的本质其实很朴素它就是在做“下一个 Token 预测”。也就是说大模型的核心任务不是“理解世界”而是根据当前已经看到的内容去预测下一个最可能出现的 Token 是什么。举个最简单的例子假设你问模型一句话繁光的文章怎么样模型不会一下子把整句回答全部想好再吐出来。它真正的工作方式更像这样第一步它看着输入内容预测下一个最可能出现的 Token。比如它预测出特别然后它把这个“特别”重新拼回上下文里。输入就变成了繁光的文章怎么样 特别接着它再继续预测下一个 Token。比如预测出得然后再拼回去。继续预测棒于是回答就一步一步长出来了特别得棒等它觉得该说的话说完了就会输出一个结束标记整段回答到此结束。7. 为什么 AI 总是一个字一个词往外冒因为它本来就是这么工作的。它不是先写完一整篇文章然后再一次性显示给你。它是先看当前输入预测下一个 Token把这个 Token 接回去再继续预测下一个如此循环直到结束这也是为什么很多 AI 产品都支持“流式输出”。因为这不是表演形式而是它的真实生成机制。二、Token大模型真正处理的不是“词”而是 Token刚才为了让大家容易理解我们用了“一个词一个词生成”的说法。但严格来讲大模型真正处理的不是词而是Token这是理解大模型最重要的基础概念之一。1. 为什么模型不能直接处理文字因为模型本质上是个数学系统。它内部做的是向量运算矩阵乘法概率分布计算它认识的是数字不是汉字不是英文不是代码字符本身。所以在人类文字和模型之间必须有一个“翻译层”。这个翻译层就是Tokenizer2. Tokenizer 是干什么的Tokenizer 负责两件事情1编码 Encode把人类的文字转换成模型能处理的数字。2解码 Decode把模型输出的数字再还原成人类能读懂的文字。你可以把它理解成一个双向翻译官。人类说的是自然语言模型吃的是数字序列Tokenizer 负责来回转换3. Token 是怎么来的还是用前面的句子举例繁光的文章怎么样Tokenizer 在编码时一般会做两步第一步切分把这句话拆成一个一个最小片段。这些片段就叫Token。第二步映射再把每个 Token 映射成一个数字。这个数字叫Token ID。于是Token 是文本层面的单位Token ID 是数值层面的编号最后模型真正接收到的不是这句汉字本身而是一串 Token ID。4. 模型输出时也是一样的模型内部一通计算之后吐出来的仍然不是“文字”而是一个新的 Token ID。然后 Tokenizer 再把这个 Token ID 解码成对应的文本你才会在界面里看到一个字、一个词、一个符号。所以从头到尾大模型真正处理的基本单位都不是“句子”也不是“词语”而是Token5. 很多人会误会Token 不就是词吗不是。这是一个非常常见、但也非常关键的误解。Token 和“词”不是一一对应的关系。有时候它们看起来像一样那只是碰巧。比如繁光的文章怎么样这个例子里它可能正好被切成繁光的文章怎么样这会让人误以为“哦原来一个词就是一个 Token。”但换个例子你就会发现不是这样。6. 为什么 Token 不等于词例如这句话繁光的智能工作室从人的直觉出发可能会觉得可以切成繁光的智能工作室但在很多 Tokenizer 里“工作室”并不一定是一个 Token它可能会被拆成工作室于是总共就变成了 6 个 Token而不是 4 个。再比如工程师从语义上讲这是个完整的词。但在 Tokenizer 眼里它也可能被拆成工程师也就是说词是人类语言学上的概念Token 是模型为了计算方便学出来的一套切分规则。这两者不必完全一致。7. 英文是不是就一定一个单词一个 Token也不是。有些常见英文单词确实可能正好对应一个 Token。比如hellogoing但这并不是固定规则。例如helpful它就可能被拆成helpfulhttps://platform.openai.com/tokenizer甚至某些特殊字符一个字符还可能对应多个 Token。所以不要把 Token 简单理解成“词”。更准确的理解是Token 是模型可处理的最小文本单元。8. Token 的一个实用理解方式你可以这样记Token 不是语文老师定义的“词”而是模型自己学会的一套“最合适的文本切分颗粒度”。这个定义非常接近真实工程含义。9. Token 和字数怎么换算很多人第一次看到“100 万 Token”的时候没概念。所以这里给一个粗略换算1 个 Token ≈ 0.75 个英文单词1 个 Token ≈ 1.5 到 2 个汉字于是40 万 Token ≈ 60 到 80 万汉字100 万 Token ≈ 150 万到 200 万汉字当然这只是经验值。实际数量会因为文本类型不同而有明显波动比如中文和英文不同代码和自然语言不同JSON、表格、URL 往往更吃 Token特殊符号密集内容也更贵这也是为什么很多人会惊讶“我明明没写多少字怎么 Token 消耗这么快”因为你以为自己给的是“一段文字”模型看到的是一大串细粒度切分后的 Token。三、Context大模型的“临时记忆体”讲完 Token再来看一个几乎所有人都经历过、但不一定认真想过的问题。我们平时和 AI 聊天会发现它似乎能记住前面说过的话。比如你在开头说我叫繁光过一会儿你再问我叫什么它通常能回答出来。这就会让很多人产生一种错觉大模型是不是像人一样真的有记忆其实不是。1. 模型本身并不会天然“记住”你从底层来看大模型依然只是一个函数给它输入它给你输出它不像人一样有一个自然形成的、长期稳定的个人记忆系统。那它为什么还能记住前文答案其实很简单因为程序在每次调用模型时会把前面的对话内容一起发过去。模型不是“记住了”而是“又重新看到了”。2. 这就引出了 Context所谓Context中文通常翻译为上下文它指的是模型在当前这一次处理任务时接收到的全部信息总和。注意是“全部信息总和”而不是只指你最新输入的那句话。3. Context 里面通常包含什么在真实系统里Context 可能包括当前用户输入历史对话记录System Prompt可用工具列表工具调用结果平台追加的控制信息模型当前生成中的内容所以当你觉得模型“记得”你之前说过什么时本质上发生的事情并不是它脑子里有记忆而是之前的信息被重新放进了这次的 Context 里。4. 为什么可以把 Context 理解成“临时记忆”因为从效果上看它很像模型的工作记忆区。它里面装着当前任务所需的信息前面对话留下来的痕迹系统给它的行为规则工具返回的数据模型就是基于这些东西继续往下推理的。所以你可以把 Context 理解为模型每次开工时手边摊开的那一摞材料。不是“永久记忆”而是“本轮工作台上的资料”。四、Context Window上下文窗口既然 Context 是模型每次处理任务时能看到的全部信息那自然就会问它最多能看到多少这就是Context Window中文一般叫上下文窗口1. 它的定义非常直接Context Window 指的是模型一次推理中最多能容纳多少 Token 的上下文。如果某个模型的 Context Window 是 1 万就意味着这次调用中所有上下文加起来最多只能有 1 万 Token。注意这个“所有上下文”不只是你的问题还包括历史对话System Prompt工具结果当前问题模型生成中的内容这些都会一起占用窗口空间。2. 为什么 Context Window 很重要因为它直接决定了模型很多能力边界。比如能不能看长文档能不能记住长对话能不能处理大代码仓库Agent 能连续跑多久工具返回内容会不会把上下文撑爆你平时遇到很多“AI 突然变笨”的现象其实背后都可能和 Context Window 有关。比如聊久了开始忘前面内容做长任务做到后面质量下降明明刚刚说过的规则后面又被忽略多轮工具调用后回答突然混乱这些都不是玄学。很多时候它只是因为上下文压力变大了。3. 100 万 Token 到底是什么概念前面说过1 个 Token 大概等于 1.5 到 2 个汉字。所以100 万 Token大约就是 150 万到 200 万汉字这个量级已经非常惊人了。从直觉上说很多超长文档、整本书甚至多本书拼起来都可能塞得进去。这也是为什么近两年很多模型都在强调自己支持“超长上下文”。因为这会显著提升长文档问答长代码分析大项目理解多步 Agent 执行4. 但窗口再大也不代表你应该什么都往里塞这里有个特别容易误解的点Context Window 大不等于最佳做法就是“把所有内容一股脑全塞进去”。为什么第一成本会失控Token 越多调用成本越高。第二信息噪音会增大上下文太长不相关信息太多反而可能干扰模型判断。所以在工程里真正重要的不是“塞得越多越好”而是给模型最相关的信息。5. 这就是 RAG 的意义假设你有一本几千页的产品手册希望模型根据它回答用户问题。这时候你当然可以尝试把整本书都塞进上下文。但在大多数实际工程里更合理的做法是RAG检索增强生成Retrieval-Augmented Generation它的基本思路是先把大文档切分并建立索引当用户提问时先去检索最相关的几个片段只把这些最相关片段放进 Context再让模型基于这些片段回答这样做的好处很明显节省成本降低噪音提高相关性更适合企业知识库、客服问答、文档检索场景所以长上下文很重要但“检索出对的问题片段再喂给模型”同样重要。五、Prompt你给模型下达的任务指令接下来讲一个很多人最早接触、但也最容易被神化的概念Prompt中文通常翻译成提示词但其实你完全不用把它想得很玄。它本质上就是你给模型输入的问题、指令、要求、规则。1. 最简单的 Prompt就是你说的话比如你对模型说帮我写一首诗这句话本身就是一个 Prompt。所以 Prompt 不一定是什么复杂模板、神秘黑话。它最朴素的定义就是你让模型做什么。2. 为什么 Prompt 很重要因为模型的输出质量很大程度上取决于你有没有把要求说清楚。比如你只说帮我写一首诗模型可能写古诗现代诗打油诗抒情诗搞笑诗因为你的要求太模糊了。但如果你这样说请帮我写一首五言绝句主题是秋天的落叶风格偏悲凉那模型的输出就会稳定得多。因为它知道了体裁主题情绪风格这就是 Prompt 的价值。3. Prompt Engineering到底在干什么所谓Prompt Engineering说白了就是研究怎么把话说明白让模型更准确理解你的意图。过去这个概念非常火因为早期模型能力没那么强Prompt 稍微写得好一点效果差别就会很明显。但今天模型能力越来越强很多模糊表达它也能大概猜出来。所以 Prompt Engineering 的神秘感下降了。不过这并不意味着 Prompt 不重要。它只是意味着炫技式 Prompt 没那么重要了清晰表达仍然很重要在复杂系统和 Agent 场景里高质量 Prompt 依然是基础功六、Prompt 还分两类User Prompt 和 System Prompt事情到这里还没有结束。因为在真实系统里模型接收到的“指令”往往不只有用户输入的那一句话。有时候我们还需要提前告诉模型你是谁你应该扮演什么角色你必须遵守什么规则你不能怎么做你的输出风格是什么于是Prompt 就分成了两类。1User Prompt用户提示词User Prompt 很简单就是用户在界面里直接输入给模型的话。例如帮我写一首诗3 加 5 等于几总结一下这篇文章帮我改写这段文案这些都属于 User Prompt。2System Prompt系统提示词System Prompt 则是开发者在后台设置的规则。用户通常看不到但它会持续影响模型行为。比如开发者可以写你是一个耐心的数学老师不要直接告诉学生答案要引导对方一步一步思考回复语气要温和不要使用过于复杂的术语这些就属于 System Prompt。一个特别经典的例子数学辅导机器人假设你要做一个数学辅导机器人你的目标不是让它直接报答案而是引导学生思考。那你就可以这样设计System Prompt你是一个耐心的数学老师。当学生问你数学题时不要直接给出答案而是一步一步引导他们理解解题思路。User Prompt3 加 5 等于几模型同时看到这两层信息后回答很可能会变成我们可以这样想你手里有 3 个苹果又拿了 5 个苹果现在一共有多少个呢你可以试着数一数。如果没有 System Prompt它很可能直接回答8所以你会发现User Prompt 决定“做什么”System Prompt 决定“以什么方式做”这两者叠加在一起才构成了模型实际行为的控制逻辑。七、ToolAI 为什么突然“能查天气、能读文件、能执行代码”了下面进入一个真正让大模型从“会聊天”升级到“能做事”的关键概念Tool很多人第一次听“工具”这个词会觉得太抽象。但如果换个说法就立刻清楚了Tool本质上就是函数。1. 为什么大模型需要 Tool因为大模型有一个天然弱点它没法直接感知外部世界。比如你问它今天上海天气怎么样如果它没有联网、没有外部查询能力它只能说我无法获取实时天气我的知识截止到某个时间我无法提供今天的实时信息为什么因为大模型的能力来源于训练数据和当前上下文。它不会自己去打开天气网站也不会自己去查实时数据库。它需要一个外部接口替它完成“查”的动作。这就是 Tool 的价值。2. Tool 的本质是什么Tool 本质上就是一个函数接口你传入参数它返回结果比如“天气查询工具”可能需要城市日期或者经度纬度它内部也许会调用天气 API查数据库连第三方服务但对模型来说这些都不是重点。模型关心的是这个工具叫什么它能干什么需要什么参数会返回什么信息Tool 调用时系统里到底发生了什么这里通常会涉及四个角色用户平台大模型工具其中平台很关键。你可以把它理解成中间的调度员、传话筒、执行器。因为用户不会直接调用工具模型也不会真的自己执行函数工具也不会自己把结果交给用户平台负责把这一切串起来。3. 一个完整例子查天气比如用户问今天上海天气怎么样流程通常是这样的第一步用户把问题发给平台不是直接发给工具。第二步平台把问题和“可用工具列表”一起发给模型模型看到的不只是问题还有当前可用能力。例如weather 工具calculator 工具search 工具第三步模型判断是否需要调用工具模型会分析用户问的是天气我自己没有实时天气数据但这里有 weather 工具可用所以应该调用它第四步模型输出工具调用指令注意模型不会真的去执行函数。它只能输出一段结构化指令大意像这样调用工具weather参数city上海date今天第五步平台真正执行工具平台看到这个指令后才会实际调用 weather 这个函数。第六步平台拿到工具返回结果比如晴15℃ 到 25℃东风 3 级第七步平台把这个结果再发给模型模型看到工具返回后会把它整理成人类更容易读懂的话。第八步平台把最终结果返回给用户比如今天上海天气晴气温 15 到 25 度整体比较舒适。4. 一个特别容易搞错的点很多人会误以为是模型在调用工具其实不准确。更准确的说法是模型负责决定“用哪个工具、传什么参数”真正执行工具的是平台。模型依然只是一个“生成文本 / 生成指令”的系统。真正对外部世界产生作用的是平台和工具执行层。5. 所以Tool 的意义是什么一句话总结Tool 是模型连接外部世界的手和眼。没有 Tool 的模型本质上仍然只是一个基于训练数据和上下文生成文本的系统。有了 Tool它才开始具备查天气查地图查数据库跑代码读文件调接口控浏览器操作企业系统这些真实能力。也正是从这里开始AI 才逐渐从“会说话”走向“会做事”。八、MCP为什么 AI 工具也需要一个“Type-C 接口”理解了 Tool 之后很快就会遇到一个工程问题工具怎么接进不同平台如果每个平台的接入规范都不一样那开发者会非常痛苦。于是这就引出了MCP1. MCP 是什么MCP全称是Model Context Protocol中文一般翻译成模型上下文协议这个名字听起来稍微有点学术。如果你想快速理解它可以直接把它理解成统一的工具接入标准。2. 为什么会需要 MCP假设你开发了一个很好用的工具。你希望它既能在 OpenAI 生态里使用也能在 Anthropic、Google 或其他平台里使用。如果大家各自有一套不同的工具接入方式你就得按 OpenAI 的标准写一套按 Anthropic 的标准再写一套按 Google 的标准再写一套同一个工具重复适配很多次。这非常低效。于是AI 工具生态就会变得很碎片化。3. MCP 想解决的就是“重复适配”问题它的目标很明确能不能定义一套统一标准让工具开发者只开发一次就能被所有支持该标准的平台接入如果这个目标实现整个生态都会轻松很多工具开发者更省事平台更容易接入工具产品之间更容易互通Agent 更容易复用外部能力4. 用一个特别形象的类比来理解你可以把 MCP 理解成AI 工具世界里的 Type-C 接口。以前不同手机有不同充电口后来大家逐渐统一到 Type-C体验立刻提升。MCP 做的事情很像它不是发明工具也不是发明模型它是在统一“接头规范”这样一来大家接起来就顺多了。5. MCP 的价值不在“变聪明”而在“变顺畅”这一点很重要。MCP 不是让模型突然更聪明它解决的不是“智力问题”而是“工程接入问题”。它的价值是降低接入成本提升生态互联效率让工具更容易跨平台复用让 Agent 和工具生态更容易成长起来所以 MCP 很重要但它的重要性是“基础设施层”的重要不是“模型推理层”的重要。九、Agent从“回答问题”走向“完成任务”到这里为止我们已经有了LLMPromptToolMCP看起来已经很强了。但为什么行业里又多了一个特别火的词Agent因为仅仅“会回答”和“会调一次工具”还不够。真正复杂的任务往往需要多步规划条件判断连续执行动态决定下一步做什么这就是 Agent 的价值所在。1. 一个简单问题和一个复杂任务的区别如果用户只是问今天上海天气怎么样模型调用一次天气工具拿到结果后总结一下就结束了。这是一个典型的单步任务。但如果用户说今天我这里天气怎么样如果下雨的话顺便帮我查一下附近有没有卖雨伞的店。这个问题就变复杂了。它不是一个动作而是一个多步流程先确定我在哪里再查当前位置天气判断是不是下雨如果下雨再查附近雨伞店最后整合答案这已经不是“简单调用一个工具”了。而是需要边做边判断。2. 从模型视角看Agent 在干什么以这个场景为例模型的内部推理流程很像这样第一步用户问天气。要查天气先得知道位置。当前有定位工具所以先调用定位工具。第二步拿到经纬度后下一步是查天气。当前有天气工具于是调用天气工具。第三步天气结果出来了发现有雨。用户要求说“如果下雨就帮我查卖伞的地方”。于是继续调用店铺搜索工具。第四步店铺结果出来后整合所有信息输出最终回答。注意这里最关键的不是“会用工具”而是它会根据当前状态决定下一步该做什么。2. Agent 的定义所以Agent 可以理解为能够自主理解目标、自主规划步骤、自主调用工具并持续运行直到完成用户任务的系统。它和普通聊天模型最大的区别就在于普通模型更像你问一句我答一句而 Agent 更像你给我一个目标我自己拆步骤把它办完3. Agent 的关键不在“能回答”而在“能持续行动”从工程角度看一个成熟的 Agent通常会涉及这些能力任务理解步骤规划工具选择参数生成条件判断结果利用多轮循环最终归纳所以 Agent 不是某个单点功能而是一种“可持续执行任务”的系统结构。4. 为什么 Agent 这两年这么火因为它把模型的角色从“会聊天的助手”推进到了“会做事的执行者”。这意味着 AI 的应用边界一下子被拉宽了不只是回答问题还可以帮你查资料帮你写代码帮你跑脚本帮你分析项目帮你连接系统帮你完成一条完整工作流这也是为什么市面上开始出现大量 Agent 类产品例如Claude CodeCodexGemini CLI各类自动化智能体AI 开发代理企业级任务助手它们的底层思路虽然不同但核心都在做同一件事让 AI 从“答题”升级为“执行”。十、Agent Skill为什么 Agent 还需要“说明书”你可能会想既然 Agent 都已经能规划、能调用工具、能执行任务了那是不是已经很完美了现实是还差一步。因为 AI 虽然会做事但它不一定会按照你喜欢的方式做事。这时候就需要Agent Skill1. Agent Skill 是什么一句话概括Agent Skill就是写给 Agent 看的说明文档。它不是给终端用户看的而是给 Agent 的“工作手册”。里面会写清楚你要完成什么目标你应该按什么步骤做你要遵守哪些规则你要用什么格式输出你最好参考什么示例2. 为什么 Agent 需要 Skill举个生活化例子。假设你想让 Agent 变成你的“出门助手”。每次出门前它都帮你查天气并提醒你该带什么。但你有自己的一套个人习惯下雨带伞太阳太强带帽子空气差带口罩风大穿防风外套无论如何手机必带而且你还很在意回答格式先一句总结再列物品清单不要啰嗦不要自由发挥太多如果没有预设这些规则那你每次都得重新写一大串 Prompt。这显然很麻烦。所以最好的办法就是把这些规则提前写好做成一个可复用的 Skill。3. Agent Skill 的本质是什么从本质上看它其实就是把反复会用到的任务规则外置成一份结构化说明文档。这件事的价值非常大因为它能让 Agent 的行为从“临场发挥”变成“可复用、可维护、可解释的执行逻辑”。4. 一个 Skill 通常会写什么一般来说一个 Agent Skill 可以分成两部分。第一部分元数据层这相当于封面告诉 Agent这个 Skill 叫什么它是做什么的常见字段至少有NameDescription第二部分指令层也就是正文。这里通常会写目标执行步骤判断规则输出格式示例比如“出门清单”这个 Skill 可以这样设计SKILL.md--- name: go-out-checklist description: 生成出门清单。当用户询问“出门要带什么/要准备什么/今天外出需要带哪些东西”时使用 --- # 目标 你是一个贴心的“出门清单助手”。你的任务是根据用户所在位置的实时天气情况告诉用户出门必须携带的物品。 # 执行步骤 1. 调用“定位工具”获取用户当前所在位置的经纬度。 2. 将获取到的经纬度作为参数调用“天气工具”一次性获取降雨情况、光照强度、空气质量和风力大小这四项数据。 3. 根据天气数据结果按照下方的“判断规则”整理出门需要携带的物品。 4. 严格按照下方的“输出格式”向用户输出最终结果。 # 判断规则 1. 手机无条件必带。 2. 伞当“天气工具”返回“有雨”时必须携带。 3. 帽子当“天气工具”返回“光照强”时必须携带。 4. 口罩当“天气工具”返回“空气质量差”时必须携带。 5. 防风外套当“天气工具”返回“强风”时必须携带。 # 输出格式 你必须输出两段 【结论一句话】 用一句话总结今天出门最关键的注意点例如“有雨 光照强”或“风力大”。 【出门清单】 - 物品原因 - 物品原因 # 示例 ## 用户问题 我马上要出门帮我看看今天需要准备带些什么 ## 工具返回 ### 定位工具 { 经度: -73.9855, 纬度: 40.7580 } ### 天气工具 { 降雨情况: 有雨, 光照强度: 弱, 空气质量: 良, 风力大小: 强风 } ## 最终输出 【结论一句话】 有雨 强风 【出门清单】 手机必带 伞有雨 防风外套强风5. Agent Skill 为什么这么有用因为它把“经验”变成了“规则”。这在工程里特别重要。任何靠模型临场猜测的行为都可能波动。而显式写出来的规则则会大幅提升输出一致性行为可控性修改便利性团队协作效率复用能力所以你可以把 Agent Skill 理解成Agent 的岗位 SOP。6. 它在系统里怎么落地以 Claude Code 这类产品为例Skill 往往不是随便放个文档就行而是有明确约定。例如存放在特定目录每个 Skill 一个独立文件夹例 go-out-checklist文件夹名和 Skill 名要一致正文文件名必须叫SKILL.md这说明一件事Agent Skill 不是普通文档而是被系统识别和加载的一类特殊文档。7. Skill 不只是“文档”而是行为配置层更进一步讲Agent Skill 的价值不只是“省得你重复打字”。它实际上把 Agent 的行为逻辑从部分代码层外置到了文档层。这会带来很多高级价值降低开发门槛让业务人员也能参与规则定义方便版本管理方便团队复用便于形成领域技能库节省 Context 中重复注入的大量 Token所以 Agent Skill 的出现标志着 Agent 系统开始往“工程化、产品化、团队化”方向走了。十一、把这整套体系串起来你就真正看懂 AI 了到这里我们已经把这些概念一个个拆开讲完了。现在把它们重新串起来看你会更容易理解整个 AI 系统的结构。第一层LLM这是核心大脑。负责推理、生成、判断、规划本质是不断预测下一个 Token。第二层Token这是最小处理单位。模型不是按“词”处理而是按 Token 处理。第三层Context这是模型本轮任务看到的信息总和。你可以把它看成模型的临时工作记忆。第四层Context Window这是这块临时记忆的容量上限。它限制了模型一次最多能看多少 Token。第五层Prompt这是当前给模型下达的任务说明。包括用户要求和系统规则。第六层Tool这是模型连接外部世界的函数接口。它让模型具备查数据、做动作、调系统的能力。第七层MCP这是统一工具接入格式的标准协议。它让工具生态更容易互联。第八层Agent这是会自主规划和连续执行的系统。它不只是回答而是持续完成任务。第九层Agent Skill这是给 Agent 看的说明文档。它规定规则、步骤、格式和示例让 Agent 更稳定地做事。十二、为什么理解这几个词比追热点更重要因为今天 AI 圈子里几乎所有新产品、新技术、新包装最后都逃不开这套框架。无论你看到的是Claude CodeCodexGemini CLIAI IDE企业知识库智能客服自动化工作流编程代理智能运维助手它们本质上都在这几个层面做增强和组合模型更强上下文更长Prompt 管理更成熟Tool 更丰富MCP 更统一Agent 更会规划Skill 更可复用所以真正重要的不是死记硬背名词。而是看懂它们分别属于哪一层、解决的是什么问题。当你具备这种视角之后别人再抛给你一个新名词你的第一反应就不会是这个词好高级我得去背一下而会变成它到底是在讲模型能力上下文管理工具接入还是 Agent 编排这时候你才算真正拥有了“理解 AI”的框架。十三、最后用一句话记住每个概念为了方便收藏和复习最后我们再把每个概念压缩成一句话。LLM大语言模型是整个 AI 系统的核心推理引擎。Token模型处理文本的最基本单位不等于“词”。Context模型本轮任务接收到的全部信息总和相当于临时工作记忆。Context WindowContext 最多能装下多少 Token 的容量上限。Prompt用户或系统当前给模型下达的具体任务、问题或规则。User Prompt用户直接输入给模型的话。System Prompt开发者在后台配置给模型的人设和行为规则。Tool模型用来感知和影响外部环境的函数接口。MCP统一工具接入格式的标准协议降低跨平台适配成本。Agent能够自主规划、自主调用工具、持续执行直到完成任务的系统。Agent Skill写给 Agent 看的说明文档用来规定步骤、规则、格式和示例。十四、结尾如果你能把这几个概念真正吃透你以后再看 AI 领域的新产品、新技术、新趋势就不会再被表面的名词轰炸带着跑了。因为你已经知道LLM 是核心引擎Token 是最小颗粒Context 是临时记忆Context Window 是容量限制Prompt 是任务入口Tool 是连接外部世界的手和眼MCP 是统一接头标准Agent 是任务执行者Agent Skill 是操作说明书说到底今天大多数 AI 产品的花样再多底层也离不开这一套结构。理解这套结构比追逐每一个新名词更重要。因为当你真正看见骨架之后那些五花八门的外壳就不再那么容易把你绕晕了。
