网硕互联帮助中心目录
引言
一、基础概念层：AI 的基石
1. LLM（Large Language Model，大语言模型）
2. Token（文本单元）
3. Context Window（上下文窗口）
二、交互接口层：人与 AI 的桥梁
4. Prompt（提示词工程）
5. Tool（工具调用）
三、高级架构层：构建智能系统
6. MCP（Model Context Protocol，模型上下文协议）
7. Agent（智能体）
8. Agent Skill（智能体技能）
四、知识图谱：概念间的关联
五、关键结论
六、延伸阅读
结语
引言
在 AI 技术快速演进的今天，从大语言模型（LLM）到智能体（Agent），再到技能扩展（Skill），技术栈层层叠加，概念层出不穷。对于开发者和技术爱好者来说，如何系统性地理解这些核心概念，建立起完整的技术认知框架？
本期视频用 32 分钟的时间，从最基础的 LLM 开始，逐步深入到 Token、Context、Prompt、Tool、MCP、Agent、Agent Skill 等 10 个关键概念，帮助我们打通 AI 技术的底层逻辑。本文将这些知识点进行系统化梳理，为你呈现一份清晰的学习路线图。
一、基础概念层：AI 的基石
1. LLM（Large Language Model，大语言模型）
什么是 LLM？
LLM 是基于海量文本数据训练而成的深度学习模型，能够理解和生成人类语言。它是当前所有高级 AI 应用的基础。
核心要点：
-
通过预训练学习语言的统计规律
-
具备强大的文本生成和理解能力
-
是构建更复杂 AI 系统的起点
为什么重要？
不理解 LLM，就无法理解后续的所有概念。它是整个 AI 技术栈的地基。
2. Token（文本单元）
什么是 Token？
Token 是 LLM 处理文本的基本单位。它不是简单的"单词"或"字符"，而是经过特殊编码的文本片段。
关键认知：
-
英文中，一个 Token 约等于 0.75 个单词
-
中文中，一个汉字通常对应 1-2 个 Token
-
LLM 的成本和速度都与 Token 数量直接相关
实际影响：
理解 Token 机制有助于：
-
预估 API 调用成本
-
优化输入输出长度
-
设计更高效的数据处理流程
3. Context Window（上下文窗口）
什么是 Context Window？
Context Window 是 LLM 在一次对话中能够"记住"的最大 Token 数量。它决定了模型能处理多长的输入和保持多长的记忆。
限制与挑战：
-
早期模型仅有几千 Token 的窗口
-
现代模型可达数十万甚至百万 Token
-
但窗口越大，计算成本和延迟越高
优化策略：
-
精简不必要的背景信息
-
使用摘要技术压缩长文档
-
合理设计对话历史的管理机制
二、交互接口层：人与 AI 的桥梁
4. Prompt（提示词工程）
什么是 Prompt？
Prompt 是我们与 LLM 交互的方式，即我们向模型输入的指令和问题。
两种关键类型：
| User Prompt | 用户的具体问题或任务 | "请帮我写一封邮件" |
| System Prompt | 定义 AI 的行为准则和角色 | "你是一个专业的客服助手" |
最佳实践：
-
明确具体，避免模糊表述
-
提供足够的上下文信息
-
使用结构化格式（如 Markdown）提升可读性
-
通过 few-shot learning（少样本学习）给出示例
为什么重要？
Prompt 的质量直接决定 AI 输出的质量。好的 Prompt 工程师能让同一个模型发挥出截然不同的效果。
5. Tool（工具调用）
什么是 Tool？
Tool 是让 LLM 能够执行外部操作的能力，例如查询数据库、调用 API、读取文件等。
工作原理：
LLM 识别到需要调用工具的场景
生成结构化的工具调用请求
外部系统执行工具并返回结果
LLM 基于结果继续生成响应
典型应用场景：
-
实时数据查询（天气、股票价格）
-
文件操作（读写、搜索）
-
代码执行
-
网络搜索
核心价值：
Tool 让 AI 突破了纯文本处理的局限，使其能够与现实世界交互。
三、高级架构层：构建智能系统
6. MCP（Model Context Protocol，模型上下文协议）
什么是 MCP？
MCP 是一个标准化协议，用于规范 LLM 与外部工具和数据的交互方式。它由 Anthropic 提出，旨在解决工具集成的碎片化问题。
核心优势：
-
标准化：统一的接口规范，降低集成成本
-
可扩展：轻松添加新的工具和数据源
-
安全性：明确的权限控制和审计机制
生态系统：
目前已有众多 MCP 服务器实现，涵盖：
-
文件系统访问
-
数据库查询
-
Web 搜索
-
代码仓库管理
-
日历和邮件
为什么值得关注？
MCP 正在成为 AI 应用开发的事实标准，掌握它将极大提升你的开发效率。
7. Agent（智能体）
什么是 Agent？
Agent 是能够自主规划、决策和执行任务的 AI 系统。它不仅仅是回答问题，还能主动完成复杂的工作流。
核心能力：
-
感知：理解用户意图和环境状态
-
规划：分解任务，制定执行步骤
-
执行：调用工具，获取信息
-
反思：评估结果，调整策略
工作流程示例：
用户请求："帮我分析上周的销售数据并生成报告"
↓
Agent 规划：
1. 查询数据库获取销售数据
2. 进行数据分析（同比、环比、趋势）
3. 生成可视化图表
4. 撰写分析报告
5. 保存并发送给用户
↓
逐步执行每个步骤，最终交付完整报告
与传统 AI 的区别：
| 主动性 | 被动响应 | 主动规划 |
| 复杂性 | 单次交互 | 多步工作流 |
| 工具使用 | 有限或无 | 深度集成 |
| 自主性 | 低 | 高 |
8. Agent Skill（智能体技能）
什么是 Agent Skill？
Agent Skill 是将特定能力封装为可复用的模块，供 Agent 调用的机制。它类似于编程中的函数或库，但专为 AI 场景设计。
核心价值：
-
模块化：将复杂能力拆分为独立技能
-
可复用：同一技能可在多个 Agent 间共享
-
易维护：单独更新和优化单个技能
-
可扩展：轻松添加新技能
典型 Skill 示例：
-
数据分析 Skill：连接数据库、执行查询、生成图表
-
文档处理 Skill：读取 PDF、提取表格、转换格式
-
通信 Skill：发送邮件、创建会议、发送消息
-
开发辅助 Skill：代码审查、Bug 修复、测试生成
实现方式：
# 伪代码示例
class DataAnalysisSkill:
def query_database(self, sql):
# 执行数据库查询
pass
def generate_chart(self, data, chart_type):
# 生成可视化图表
pass
def analyze_trends(self, data):
# 分析数据趋势
pass
未来趋势：
随着 AI 应用的普及，Skill 市场将逐渐形成，开发者可以像发布 npm 包一样发布和分享自己的 Agent Skill。
四、知识图谱：概念间的关联
AI 核心技术体系
├── 基础概念层
│ ├── LLM（大语言模型）
│ ├── Token（文本单元）
│ └── Context（上下文窗口）
├── 交互接口层
│ ├── Prompt（提示词工程）
│ └── Tool（工具调用）
└── 高级架构层
├── MCP（模型上下文协议）
├── Agent（智能体）
└── Skill（技能扩展）
关键洞察：
层层递进：每个上层概念都建立在下层基础之上
相互依赖：没有 LLM 就没有 Agent，没有 Tool 就没有真正的 Agent
协同工作：在实际应用中，这些概念往往同时发挥作用
五、关键结论
LLM 是地基：所有高级 AI 应用都建立在 LLM 之上，必须首先理解其工作原理
Token 和 Context 是约束：理解这些限制有助于设计更高效、更经济的 AI 应用
Prompt 是杠杆：优秀的 Prompt 设计能让同样的模型产生质的飞跃
Tool 和 MCP 是桥梁：它们让 AI 从"纸上谈兵"走向"实战应用"
Agent 和 Skill 是未来：模块化、可复用的智能体技能将成为 AI 应用开发的主流范式
六、延伸阅读
-
OpenAI API 文档
-
Anthropic Claude 文档
-
MCP 官方文档
-
LangChain 框架
-
AutoGen 多 Agent 框架
结语
从 LLM 到 Agent Skill，这条技术演进路线清晰地展示了 AI 从"能说话"到"能做事"的转变过程。对于开发者而言，理解这套知识体系不仅是学习新技术的需要，更是把握未来发展趋势的关键。
希望本文能帮助你建立起清晰的认知框架。接下来，最好的学习方式就是动手实践——选择一个你感兴趣的方向，从小项目开始，逐步深入。
记住：AI 技术的本质是赋能，而非替代。掌握这些工具，你将能够创造出前所未有的价值。
评论前必须登录！
注册