AI核心概念理解一、概念层级总览从底层到上层LLM地基 → Token砖块 → Context / Context Window房间大小 → Prompt施工指令 → Tool外接水电 → MCP统一接口标准 → Agent包工头 → Agent Skill标准化施工手册二、底层基础概念1. LLM —— 大语言模型一句话理解所有AI系统的大脑引擎目前主流基于Transformer架构训练。通俗来说它就是一个超级文字接龙高手。通过海量文本训练学会了词语之间的统计规律你给它上文它预测下文。核心能力看懂自然语言、逻辑推理、生成文字回答。⚠️ 必须记住的局限LLM本身是静态模型没有自主行动能力。它不能联网、不能查文件、不能调用工具、不能算数据——它唯一能做的就是输出文本。2. Token —— 模型的最小计量单位定义大模型处理文本的最小计量单位由分词器将文字拆解并转换为数字ID。拆解规则大致参考文本类型Token消耗中文1~2个字 ≈ 1 Token英文1个单词 ≈ 0.75 Token代码/特殊符号视情况通常消耗更多不同模型的分词器不一样同一个词在不同模型里消耗的Token数可能不同。Token的两大实际作用计费标准所有大模型API调用费用按「输入Token数 输出Token数」总量计算。容量标尺用来衡量单次对话能塞进模型的信息上限。3. Context Context Window —— 模型的工作台1Context上下文模型单次任务中能看到的所有信息总和相当于一个临时工作台包含四部分组成部分说明系统提示词预设的身份和规则历史对话之前聊过的内容用户当前提问本轮新的问题工具返回结果调用外部工具后拿到的数据⚠️重点AI没有永久记忆。每一轮对话都要把完整上下文重新传给模型丢掉历史对话就会失忆。2Context Window上下文窗口上下文能容纳的Token数量上限就是工作台的最大尺寸。窗口越大 → 单次能处理的文档/对话越长超出窗口上限 → 超出的部分直接被截断模型完全看不到超长文本怎么办常用方案是RAG检索增强生成只把相关片段检索出来传入上下文而不是把整本书全塞进去。4. Prompt —— 人机沟通的指令Prompt是人和LLM沟通的指令载体分为两种类型谁写的特点System Prompt系统提示词开发者预设固定设定身份、行为规则、输出格式全程生效User Prompt用户提示词用户实时输入每一轮的具体问题和需求实操黄金法则提示词的清晰度直接决定AI输出质量。补充背景信息、给出示例、指定格式回答效果会有质的提升。三、模型拓展能力层5. Tool —— 外部工具/函数调用本质LLM本身不能做任何事情Tool就是给它装上的手和脚。常见工具类型查天气、网页搜索、代码运行、本地文件读写、数据库/API查询、发邮件、创建日程等。运行逻辑LLM不直接操作工具LLM只做判断“需要调用哪个工具 传什么参数”由外部程序执行工具执行结果放回上下文LLM基于结果整合回答打个比方LLM是指挥官Tool是士兵。指挥官不下场打仗只下达命令士兵执行完回来报告。6. MCP —— 工具的通用插座标准全称Model Context Protocol模型上下文协议它解决什么问题没有MCP之前每个工具都有自己的调用格式每接一个新工具都要单独写适配代码成本极高。MCP的解决方案制定一套统一规范所有工具遵循同一套接口标准。Agent学会了MCP协议就能一键调用任何遵守该协议的工具。 视频提到行业里有人开始尝试放弃MCP转向CLI方案但MCP目前仍是主流的标准化方案。四、自主智能体系7. Agent —— 会自己干活的包工头定义Agent不是单一模型而是一套拥有自主规划、分步执行、循环调用工具能力的完整系统。与普通LLM问答的核心区别对比维度普通LLM问答Agent任务类型单次问答复杂多步骤任务是否拆解不拆解直接回答自主拆解成子任务工具调用无法调用或单次调用按需多次调用不同工具是否循环一次结束不断循环直到任务完成视频案例出门查天气找店铺用户需求“帮我整理出门携带物品”Agent自动执行流程感知需求 → 拆解任务调用定位工具 → 获取当前位置调用天气工具 → 查询降水、光照、温度根据天气数据推理 → 判断需要带伞/防晒/外套调用商铺工具 → 查找附近雨具/防晒用品店整合全部信息 → 输出完整出门方案Agent的核心特点自主决策、多步骤循环、自动调度多个Tool/MCP工具。8. Agent Skill —— 标准化的任务操作手册1基础定义Agent Skill是给Agent预制的标准化任务说明书一般以Markdown文件形式存放针对固定场景封装完整的流程、规则和输出格式。Skill vs Prompt 的区别对比维度PromptAgent Skill时效性单次临时指令永久可复用模板适用场景每次不同的新任务同类固定场景反复使用是否可复用否每次重写是一次编写长期使用存储位置对话中输入固定目录存放自动加载2Skill的三层结构渐进式披露机制核心目的是节省Token层级内容加载时机第一层元数据层轻量化常驻技能名称、简短描述系统启动时全部加载占用Token极少第二层指令层按需加载任务目标、执行步骤、判断逻辑、输入输出格式、示例用户需求匹配该技能时才完整读取第三层资源层高级拓展引用外部文档、执行自定义脚本代码、处理复杂业务逻辑需要时再加载支持高级拓展3文件存放与加载流程存放路径以Claude为例.claude/skills/ ├── meeting-summary/ │ └── SKILL.md ├── weather-check/ │ └── SKILL.md └── email-draft/ │ └── SKILL.md完整运行流程用户提问 ↓ 系统匹配技能元数据第一层 ↓ 询问用户是否授权使用该技能 ↓ 用户确认后读取完整SKILL.md第二层 ↓ Agent按文档规则执行任务 ↓ 调用工具第三层拓展 ↓ 生成标准化结果输出4Skill的实用价值优势说明统一输出规范比如会议总结固定按「参会人-议题-决议」格式输出减少重复指令同类任务无需反复写大段规则降低Token消耗渐进式加载不会把所有技能全文塞进上下文团队协作友好Skill文件可以像代码一样版本管理、共享复用五、全套概念关系一览表概念一句话定义类比LLMAI大脑基础推理引擎人的大脑Token数据最小计量单位计费/容量标尺砖块Context模型当前能看到的全部信息工作台面Context Window工作台的容量上限工作台尺寸Prompt人给模型的指令系统设定用户提问施工命令Tool模型延伸的外部能力人的手脚MCP统一工具的通用接口标准通用插座Agent能自主规划和分步执行的智能调度系统包工头Agent Skill给Agent用的标准化可复用任务手册施工标准手册六、一条链路串起来以LLM为核心引擎用Token承载和计量文本信息依靠上下文窗口存储单次任务的所有对话内容通过Prompt系统提示词用户提示词下达指令借助Tool和MCP打通外部工具能力由Agent自主规划并调度多步骤任务最后用Agent Skill标准化固定场景的工作流程形成一套完整可落地的AI智能系统。
