AI大模型概念速通：小白程序员必备收藏指南

本文从LLM、Token、Context等基础概念入手详细解析了AI系统中各组件的功能与关系。文章以生产线为喻生动阐述了LLM作为推理引擎、Token作为计量单位、Context作为工作台等核心角色的作用。同时深入探讨了Prompt指令语言、RAG知识库补充、MCP工具连接、Skill流程沉淀以及Agent执行系统等关键要素并辅以实例代码与架构图帮助读者全面理解大模型运作机制。最后总结了各概念的分工与边界强调AI应用的关键在于系统协同而非单一模型。1.概述2024 到 2026 年AI 领域的术语几乎是爆发式增长。LLM、Token、Context、Prompt、RAG、MCP、Skill、Agent 这些词大家都听过但真正难的不是分别记住它们而是搞清楚它们在一个 AI 系统里到底是什么关系、分别扮演什么角色。如果把一个 AI 应用看成一条完整的生产线那么可以把它理解成这样一条链路LLM 是核心推理引擎负责“理解”和“生成”Token 是模型处理信息的基本计量单位Context 是模型每次工作时能看到的临时工作台Prompt 是你向模型下达任务的指令语言RAG 负责给模型补充外部知识MCP 负责把模型和工具、数据源标准化连接起来Skill 负责沉淀稳定流程和可复用经验Agent 则把前面这些零件真正组织成一个能完成任务的执行系统先看整体全景图。你不需要在第一眼就记住所有细节只要先建立“谁在前、谁在后、谁依赖谁”的整体印象即可。接下来我们会按照“从底层原理到工程实践”的顺序一步步把这些概念串起来。2.LLMAI 系统的“大脑”2.1 LLM 的本质是什么大语言模型Large Language ModelLLM的本质是一个基于海量训练数据学会语言模式的概率预测引擎。给定前面的文本它会预测下一个最可能出现的 token再不断重复这个过程最终生成整段回答。听上去它只是“猜下一个词”但当模型参数规模足够大、训练数据足够丰富时这种“预测下一个 token”的能力会涌现出很多高层能力比如总结、翻译、问答、编程、推理和创作。输入文本 → Tokenizer 分词 → Token IDs → Transformer 计算 → 概率分布 → 采样 → 输出 Token2.2 LLM 在整个 AI 系统里扮演什么角色LLM 更像是 AI 系统的推理中枢。它本身不直接访问外部世界也不天然拥有“执行动作”的能力但它非常擅长根据当前输入做理解、规划、归纳和生成。所以在工程上LLM 往往负责三类核心工作把用户模糊的自然语言需求转成清晰的任务理解基于上下文进行推理、决策和内容生成决定是否需要借助外部知识、外部工具或进一步多轮执行换句话说LLM 决定“该怎么想”但不一定决定“怎么拿到真实信息”或“怎么把事情做完”。2.3 LLM 的能力边界与局限理解 LLM不能只看它“会什么”还要看它“不会什么”。它不等于数据库。训练过的知识并不代表永远准确也不代表实时更新。它不等于搜索引擎。没有接入外部检索时它只能基于训练记忆作答。它不等于执行器。没有工具接口时它不能真的去查库、发消息、改代码、下工单。它不等于绝对理性系统。即使推理能力很强也可能产生幻觉、误判或漏掉约束。这也是为什么后面会引出 Context、RAG、MCP 和 Agent单有“大脑”还不够AI 系统还需要“记忆”“外脑”“双手”和“行动框架”。2.4 主流 LLM 一览下面这张表展示了常见且比较知名的大模型已经模型自身的特点所长。模型家族典型特点Claude长上下文、推理与代码能力强GPT多模态能力完整、生态广泛Gemini大上下文窗口、与 Google 生态结合紧密DeepSeek成本优势明显开源/开放生态活跃2.5 调用 LLM 的最小示例下面这段代码只保留最核心的调用路径传入角色设定、用户问题和几个关键参数拿回模型输出。import os import requests response requests.post( https://api.openai.com/v1/chat/completions, headers{Authorization: fBearer {os.environ[OPENAI_API_KEY]}}, json{ model: gpt-4o, messages: [ {role: system, content: 你是一位后端工程师。}, {role: user, content: 用一句话解释什么是递归。}, ], temperature: 0.7, max_tokens: 100, }, timeout30, ) reply response.json()[choices][0][message][content] print(reply)关键参数可以先这样理解messages告诉模型“现在在聊什么”temperature控制输出偏保守还是偏发散max_tokens控制回答长度和成本3.Token模型理解世界的基本单位3.1 Token 是什么Token 是模型处理文本时的最小计算单位。模型并不是直接理解原始字符串而是先把文本切成 token再把 token 映射成数字 ID最后转成向量参与计算。原始文本: Hello, World! 你好世界 ↓ Tokenizer 分词 Tokens: [Hello, ,, World, !, 你好, 世界] ↓ 映射到词表 Token IDs: [9906, 11, 1917, 0, 19526, 25461]3.2 Token 在 AI 系统里为什么重要很多人第一次接触 Token会觉得它只是一个分词细节。但在工程里Token 其实同时决定了三件大事成本大多数模型按输入输出 token 计费速度token 越多处理延迟通常越高容量上下文窗口本质上就是“最多能塞多少 token”所以 Token 不是纯理论概念它直接影响你的系统吞吐、响应时延和预算控制。Prompt 写得太冗长、检索文档塞得太多、历史消息不裁剪最后都会体现为 token 成本和性能问题。3.3 分词流程图怎么看下面这张图可以帮助你把“文本 → token → 向量”的流程建立成一个清晰的中间层认知。它的重点不在于记住具体编号而在于理解模型看到的不是文字本身而是一串离散 token 及其向量表示。这也是为什么不同语言、不同写法、甚至不同空格位置都可能带来不同的 token 消耗。3.4 Token 的粗略估算单位约等于1 Token~0.75 个英文单词1 Token~1.5-2 个汉字1 Token~4 个英文字符1000 Tokens~750 个英文单词 / 1500-2000 个汉字这只是经验值不同模型的 tokenizer 规则并不完全一致。如果你要精确评估成本或上下文占用最好用对应模型的 tokenizer 或在线 token 计算器来测算。下面这张图就是一个典型的 token 计算器界面它的作用是帮助你在“写 Prompt / 塞文档 / 拼上下文”之前先对成本和长度心里有数。4.Context模型的“工作台”4.1 Context 的本质Context 是模型在某次调用中能够“看到”的全部信息。它不是模型的永久记忆而是在每次请求发起时由系统动态组装出来的临时工作区。从模型视角看它并不知道“哪些是历史消息、哪些是检索结果、哪些是工具返回值”。它只知道这一刻自己拿到了一串 token然后基于这些 token 做推理和生成。4.2 Context 在系统中的角色与局限Context 是决定回答质量上限的关键变量之一。因为模型推理再强也只能基于“当前看得到的信息”来工作。它主要承担三类职责承载用户当前任务目标提供完成任务所需的背景、约束和历史注入外部检索结果、工具返回值、系统规则等辅助信息但 Context 也有明显局限容量有限窗口再大也不是无限大噪声敏感无关信息太多会稀释关键指令顺序敏感高优先级信息放在哪里会影响模型关注重点所以真正的工程问题不是“把所有信息都塞进去”而是“把最重要的信息以最适合模型理解的方式放进去”。4.3 动态构建 Context 的核心逻辑理解完 Context 的角色后再看代码就不容易迷失在细节里了。下面这段代码只保留最关键的 4 步放入系统规则注入检索结果和工具结果在 token 预算内裁剪历史消息追加当前用户问题import tiktoken def build_context(task, system_prompt, history, rag_docs, tool_results, max_tokens8000): enc tiktoken.encoding_for_model(gpt-4) messages [{role: system, content: system_prompt}] if rag_docs: refs /n/n.join(rag_docs[:3]) messages.append({role: system, content: freferences/n{refs}/n/references}) for result in tool_results: messages.append({role: tool, content: result}) history_budget max_tokens * 0.4 used sum(len(enc.encode(m[content])) for m in messages) for msg in reversed(history): size len(enc.encode(msg[content])) if used size history_budget: break messages.insert(1, msg) used size messages.append({role: user, content: task}) return messages这段代码要表达的核心思想只有一句话Context 不是固定模板而是围绕任务目标临时拼装、动态取舍的。4.4 Context 的三层记忆模型把 Context 放进更大的系统视角里看可以把“记忆”粗略分成三层记忆类型存储位置生命周期示例工作记忆Context Window当前推理当前任务状态、刚获取的工具结果短期记忆会话历史本次对话前面几轮问答长期记忆外部存储跨会话向量库知识、用户偏好、业务数据理解完 Context 之后下一步自然就会遇到一个问题既然模型要靠上下文工作那我们到底应该怎样把任务说清楚这就进入 Prompt。5.Prompt与模型对话的语言5.1 Prompt 是什么如果说 LLM 是大脑Context 是工作台那么 Prompt 就是你往工作台上摆放任务的方式。它不仅仅是一句“提问”更像是一份对模型的任务说明书你希望它扮演什么角色、完成什么目标、遵守什么约束、按什么格式输出。Prompt 的质量往往决定了模型输出是“看起来差不多”还是“真的可用”。5.2 这张 Prompt 图主要看什么下面这张图的重点是帮助你从“随便问一句”升级到“结构化下指令”。很多 Prompt 效果不好并不是模型不行而是输入里缺少角色、上下文、约束或输出格式。5.3 一条完整 Prompt 的常见结构┌─────────────────────────────────────────┐ │ 1. 角色设定Persona │ │ 2. 任务描述Task │ │ 3. 上下文信息Context │ │ 4. 输出格式Format │ │ 5. 约束条件Constraints │ │ 6. 示例Examples可选 │ └─────────────────────────────────────────┘这些要素并不是每次都要写得很长但越是复杂任务越需要把这几个部分交代清楚。5.4 Prompt 的作用与局限Prompt 能解决的核心问题是把模糊意图转成模型可执行的输入。它能明显提升输出质量、一致性和可控性但它不是万能的。Prompt 可以提高命中率但不能凭空补知识Prompt 可以约束格式但不能完全替代校验Prompt 可以引导推理但不能保证每次都推理正确所以 Prompt 是基础控制手段但当任务开始依赖外部知识或外部动作时单靠 Prompt 就不够了这正是 RAG 和 MCP 出场的原因。5.5 三类常见 Prompt 技巧技巧做法适用场景示例Zero-shot直接提问不给示例简单任务“翻译成英文你好”Few-shot给 2-5 个输入输出示例格式要求高的任务“输入苹果→输出apple”Chain of Thought引导模型分步骤思考推理、数学、逻辑“先列出条件再逐步分析”6.RAG给 LLM 外挂知识库6.1 为什么要 RAGLLM 有两个天然短板知识有截止时间训练数据不可能永远实时更新会产生幻觉模型可能一本正经地编出并不存在的内容RAGRetrieval-Augmented Generation检索增强生成的核心思路是先检索再回答。它不要求模型“自己记得一切”而是先去外部知识库找相关资料再把资料放进 Context 中让模型基于这些资料生成答案。6.2 RAG 架构图应该怎么看下面这张图的重点不是“多了一个向量数据库”这么简单而是 AI 的回答流程被拆成了两段第一段是检索从外部知识中找到最相关的片段第二段是生成基于这些片段组织回答这也是 RAG 与“裸调用 LLM”最大的区别。6.3 RAG 在系统中的作用RAG 的价值主要体现在三点让模型拿到最新或私有的信息让回答尽量“有依据”而不是完全靠记忆让系统知识更新从“重新训练模型”变成“更新外部文档”从工程角度看RAG 更像是在给模型增加一个“可查阅的外脑”。6.4 RAG 的局限RAG 很重要但它也绝不是万能药。检索错了回答就会被错误上下文带偏文档质量差模型也只能基于低质量资料组织答案切片不合理会导致关键信息丢失或上下文断裂召回太多又会重新挤占 Context 预算所以 RAG 解决的不是“让模型更聪明”而是“让模型在回答时拿到更合适的信息”。7.MCPAI 工具的“USB 标准”7.1 MCP 解决了什么问题当模型需要调用 GitHub、数据库、浏览器、文件系统等外部能力时就会遇到一个很现实的问题每个 AI 客户端都要为每个工具单独适配集成成本会急剧膨胀。这就是典型的 M×N 问题。没有 MCPM 个 AI 应用 × N 个工具 M×N 次集成 有了 MCPM 个 AI 应用 N 个工具 MN 次集成7.2 为什么说它像“USB 标准”MCPModel Context Protocol本质上是一套让模型与外部能力对接的统一协议。它并不会直接提高模型推理能力但它会极大降低“接工具”的工程复杂度。你可以把它理解为 AI 时代的接口标准层对上服务 AI 客户端或 Agent对下连接各种工具、资源和模板所以 MCP 解决的是“怎么标准化接入能力”而不是“模型怎么变聪明”。7.3 MCP 架构图怎么理解下面这张图最值得看的是中间那一层“统一协议”。它把原本彼此割裂的工具能力抽象成| Prompts | 模板 | 预定义 Prompt 模板 | 代码审查模板、文档生成模板 |7.4 一个最小 MCP Server 示例这一段代码不展开完整工程细节只保留“注册 Tool、注册 Resource、启动服务”这三件最关键的事。import asyncio from mcp.server import Server from mcp.server.stdio import stdio_server server Server(demo-mcp-server) server.tool() asyncdef get_weather(city: str) - str: returnf{city}晴28°C server.resource(config://app) asyncdef get_config() - str: return{app_name: demo, version: 0.1.0} asyncdef main(): asyncwith stdio_server() as (read_stream, write_stream): await server.run( read_stream, write_stream, server.create_initialization_options(), ) asyncio.run(main())7.5 MCP 的局限MCP 很适合解决标准化接入问题但它也有边界协议统一不代表工具设计天然合理Tool 描述写得差模型照样会调用失败高风险操作仍然需要权限控制和审批某些非常简单的场景直接 function calling 反而更轻量所以 MCP 是“基础设施层”的进步不是万能抽象。8.Skill可复用的领域能力模块8.1 Skill 解决了什么问题如果每次都只靠 Prompt 来要求 AI 遵守规范、执行流程会很快遇到几个问题同一套要求每次都要重新写细节容易遗漏输出不稳定团队很难统一版本和共享最佳实践不同任务之间难以像积木一样组合能力Skill 的价值就在这里。它把一类稳定、可复用的知识和流程沉淀成一个长期存在的能力模块。8.2 Skill 的本质是什么Skill 本质上可以理解为“标准操作流程SOP 模板 脚本 参考资料” 的打包。它适合存放那些相对稳定、不需要频繁实时更新的规则比如代码审查规范、发布流程、安全检查清单、文档生成规范等。换句话说Prompt 更像“这次怎么做”而 Skill 更像“以后都按这个方法做”。8.3 Skill vs Prompt维度普通 PromptSkill生命周期当前对话持久化可复用内容形态纯文本指令指令 脚本 模板 参考资料版本管理无Git 版本控制团队共享靠复制粘贴统一分发自动更新适合内容临时任务稳定的领域规范和流程8.4 Skill 的结构图在表达什么下面这个目录结构可以帮助你理解 Skill 为什么不只是“一段更长的 Prompt”。它往往会把行为规范、模板、脚本和参考资料放在同一个能力包里。my-skill/ ├── SKILL.md ├── prompts/ ├── scripts/ └── references/8.5 一个 Skill 定义示例--- name: python-code-review description: Python 代码审查技能按团队规范检查代码质量 --- # Python Code Review Skill ## 角色 你是一位资深 Python 代码审查者。 ## 检查清单 1. **公共函数必须有类型注解** 2. **不允许裸 except** 3. **禁止直接拼接危险命令** 4. **关注性能与可测试性**8.6 Skill 的作用与局限Skill 非常适合沉淀“稳定流程”但不适合承载频繁变化的信息。一个简单判断原则三个月都不太变的东西更适合放 Skill每周都可能变化的东西更适合放 RAG。适合放 Skill适合放 RAG代码规范、命名约定API 文档、接口定义安全检查清单数据库 Schema测试要求、覆盖率标准架构决策记录ADRCI/CD 流程步骤产品需求文档团队协作规范故障复盘报告Skill 的局限也很明显如果内容变化太快、维护不到位Skill 很快就会过时如果写得过重又会增加使用门槛。因此 Skill 的关键不是“越大越好”而是“稳定、准确、可执行”。9.Agent从“对话”到“交付”9.1 Agent 的定义前面讲的 LLM、RAG、MCP、Skill 都可以看作零件而 Agent 是把这些零件组织成一个执行闭环的系统。Agent LLM Planning规划 Memory记忆 Tools工具普通的 LLM 调用更像顾问你问它答。Agent 更像执行者你给目标它会拆步骤、调工具、观察结果、修正策略直到完成任务或明确失败。9.2 Agent 在系统里扮演什么角色Agent 的核心价值不是“会聊天”而是“会围绕目标持续推进”。它通常负责理解目标并拆解任务决定下一步是思考、检索还是调用工具根据工具结果更新状态在必要时继续迭代直到完成或终止也正因为如此Agent 是最接近“把 AI 变成生产力系统”的一层抽象。9.3 ReAct 图的重点是什么ReActReasoning Acting是当前非常经典的一种 Agent 思路。下面这张图想表达的核心不是流程复杂而是一个最小闭环先思考下一步要做什么再执行动作再观察结果再根据结果决定下一步9.4 一个最小 ReAct Agent下面这段代码只保留 ReAct 的核心骨架决策 → 调工具 → 记录观察 → 继续或结束。这样读者更容易抓住 Agent 的本质而不是陷入大量辅助细节。class SimpleAgent: def __init__(self, llm, tools, max_steps5): self.llm llm self.tools tools self.max_steps max_steps self.history [] def run(self, task: str): for _ in range(self.max_steps): action self.llm(tasktask, historyself.history) if action[type] finish: return action[answer] result self.tools[action[tool]](action[input]) self.history.append( { thought: action[thought], action: action[tool], observation: result, } ) return达到最大步数任务未完成 def search(query: str) - str: returnf搜索结果{query}如果用一句话概括这段代码它表达的是Agent 不是一次性生成答案而是靠多轮“思考-行动-观察”逐步逼近目标。9.5 Agent 的工程挑战Agent 看起来最像“自动化员工”但它也是最容易出问题的一层。挑战说明常见缓解策略可靠性可能走偏、循环、误判max_steps、超时、人工审核点成本控制多轮调用会快速消耗 token小模型规划、大模型执行、结果缓存工具设计工具描述不清会导致误用清晰 schema、结构化错误返回安全边界可能执行危险操作权限隔离、审批机制、只读模式所以 Agent 的真正难点不是“让它能跑起来”而是“让它在真实环境里稳定、可控、可追踪地跑”。10.协同一张图看懂所有概念如何一起工作前面每个概念单独看都不算太难真正有价值的是把它们放进同一个场景里理解。假设你对一个 AI 编程 Agent 说“请根据 GitHub Issue 实现一个新功能。”这个过程中通常会发生以下事情Prompt 把你的目标表达给系统系统把任务说明、历史、规则、检索结果等组装成 ContextLLM 基于当前 Context 做理解和规划如果缺少业务资料就通过 RAG 检索相关文档如果需要访问 GitHub、文件系统或数据库就通过 MCP 调用工具如果团队有稳定流程比如代码评审规范、提交规范、发布流程就通过 Skill 复用整个多步执行闭环由 Agent 负责推进直到任务完成下面这张总览图就是把这几个环节重新放回同一个真实任务流中。11.总结如果要把全文压缩成一句话可以这样记LLM 负责思考Token 负责计量Context 负责承载 Prompt 负责下达指令RAG 负责补知识 MCP 负责接工具Skill 负责沉淀经验 Agent 负责把这一切组织成真正能完成任务的系统。最后再强调几个常见误区误区真相“上下文窗口越大越好”窗口越大不代表效果必然越好噪声、延迟和成本也会同步上升“RAG 可以解决一切知识问题”RAG 的效果高度依赖检索质量、切片策略和文档质量“Prompt 写得好就够了”Prompt 很重要但它不能替代外部知识、工具接入和结果校验“MCP 会让模型更聪明”MCP 解决的是标准化接工具的问题不是提升模型本身智力“每个任务都需要 Agent”简单问答不需要 AgentAgent 更适合多步推理、工具调用和目标执行当你真正理解了这些概念的分工与边界就会发现AI 应用的本质并不是“押中一个最强模型”而是把模型、上下文、知识、工具和流程组织成一个协同系统。这也是从“会用 AI”走向“能搭 AI 系统”的关键一步。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】https://mp.weixin.qq.com/s/mrlUwWk158urYwE4mlETywhttps://mp.weixin.qq.com/s/mrlUwWk158urYwE4mlETyw