串透AI核心概念:从LLM到Agent Skill

如果你刷过 AI 圈的内容，大概率被这些词轰炸过：LLM、Token、Context Window、Prompt、MCP、Agent、Agent Skill……每个词都认识，连在一起就看不懂了。

这些概念不是孤立的。它们是一条链，从最底层的模型，一路延伸到最上层的应用。今天这篇文章，我们就把它们串起来讲，让你一次看懂整条逻辑线。

01  LLM：一切的原点

LLM 全称 Large Language Model，大型语言模型。ChatGPT、Claude、文心一言，本质上都是 LLM。你可以把它理解为一个读过了海量文本的语言大脑，它能理解你的问题，然后生成像模像样的回答。

▲ LLM 是整个 AI 应用的地基

但 LLM 本身只是一个大脑。它不会主动做事，不会上网搜索，不会操作软件。它只会一件事：读文字，写文字。

要让这个大脑真正有用，我们需要给它配上一整套外围设备，这就是后面要讲的 Token、Context、Prompt、Tool、MCP、Agent 等概念的作用。

02  Token：LLM运行的最小货币

LLM 不直接理解汉字或英文单词。它内部处理的最小单位叫 Token。

你可以把 Token 想象成一种货币，大模型不认字，只认 Token。你给它一句话，它先把话兑换成一堆 Token，处理完再兑回文字给你。

关键点来了：Token 和字不是一回事。一个 Token 可能是一个字，也可能是一个词，甚至是一段短语。

通常来说，1 个 Token 大约等于 1.5 到 2 个汉字。所以当你看到某个模型支持 10 万 Token 的上下文，别直接当成 10 万个字，实际能装下的汉字远比这个多。

03  Context Window：大模型的工作台

▲ Context Window 决定了模型一次能处理多少信息

既然 Token 是最小单位，那模型一次能处理多少 Token 呢？这个上限就叫 Context Window（上下文窗口）。

打个比方：Context Window 就像一张工作台。工作台越大，你能同时摊开的资料就越多。

如果资料超出了工作台的面积，你就得把旧的收起来才能放新的。模型也一样，超出窗口的内容会被遗忘。

04  Prompt：跟大模型说话的方式

▲ Prompt 就是你发给大模型的指令

Prompt 直译是提示词，说白了就是你给大模型发的那段话。但 Prompt 不只是随便说一句话那么简单，它分两种：

• User Prompt
  
  ：你直接对模型说的话，比如帮我写一封请假邮件。
• System Prompt
  
  ：在用户提问之前，预先给模型设定的人设和规矩。比如你是一个专业的律师，请用严谨的法律术语回答。

你可以这样理解：User Prompt 是顾客点的菜，System Prompt 是后厨的菜谱标准。

菜谱规定了每道菜该怎么做，顾客只管点菜就行。

System Prompt 设定得好，模型的输出质量和稳定性会大幅提升。

05  Tool：给大脑装上手脚

▲ Tool 让模型从只会说变成能做事

前面说过，LLM 本身只会读文字、写文字。

但实际场景中，我们希望它能搜索网页、查数据库、调用 API、操作文件。

这些事模型自己做不到，需要借助外部工具。

Tool（工具）就是给大模型装上的手脚。模型本身负责思考和决策，具体的执行动作交给工具来完成。

比如你问今天北京天气怎么样，模型自己并不知道实时天气，但它可以调用天气查询工具获取结果，再组织语言回答你。

可以把tool理解为一个函数，遵循函数的输入就能得到想要的输出。

06  MCP：工具的万能适配器

▲ MCP 是连接大模型与各种工具的标准化协议

问题来了：世界上有成千上万的工具，每个工具的接口、协议、调用方式都不一样。难道每接入一个新工具，都要重新写一套对接代码？

MCP（Model Context Protocol，模型上下文协议）就是为了解决这个问题而生的。

它是一套标准化协议，就像 USB 接口：不管什么设备，只要支持 USB，插上就能用。

同理，不管什么工具，只要适配了 MCP 协议，大模型就能直接调用它。

07  Agent：让 AI 学会自己做决定

▲ Agent 是能自主思考和行动的 AI 系统

有了 LLM + Prompt + Tool + MCP，我们是不是就能让 AI 干活了？

差不多，但还差一步：自主决策。

普通的 AI 对话是这样的：你问一句，它答一句。你不问，它就不动。

而 Agent（智能体）打破了这个限制。

它能像员工一样，拿到一个任务后自己拆解步骤、选择工具、执行操作、检查结果，整个过程不需要你一步步指挥。

▲ Agent 的核心架构：感知、思考、行动的闭环

你可以把 Agent 想象成一个实习生：你给他一个目标（比如帮我调研竞品），他会自己查资料、整理数据、写报告，中间遇到问题还会自己想办法解决。你只需要等他交成果就行。

08  Agent Skill：让 AI 成为专家

▲ Agent Skill 是智能体的专项能力

一个通用的 Agent 什么都能做一点，但什么都不精。就像一个什么活都能接的自由职业者，跟一个深耕某领域多年的专家，交付质量天差地别。

Agent Skill（智能体技能）就是让 Agent 在某个特定领域变得专业的能力包。

它包含了这个领域所需的知识、工具链、工作流程和判断标准。

比如一个代码审查 Skill 会让 Agent 懂得怎么读代码、怎么发现 Bug、怎么给出修改建议。

09  全景图：从 LLM 到 Agent Skill

▲ 概念链路：从底层模型到上层应用

现在我们把所有概念串起来，看看整条链路是怎么走的：

• LLM
  
   是大脑，负责理解和生成语言。
• Token
  
   是大脑处理信息的基本单位。
• Context Window
  
   是大脑的短期记忆容量。
• Prompt
  
   是我们跟大脑沟通的方式。
• Tool
  
   给大脑装上了手脚，让它能操作外部世界。
• MCP
  
   让大脑能即插即用地连接各种工具。
• Agent
  
   让 AI 学会自主思考和行动。
• Agent Skill
  
   让 Agent 在特定领域成为专家。

从 LLM 到 Agent Skill，就是从一个只会说话的大脑，一步步进化成一个能自主工作、且在专业领域表现出色的数字员工的过程。

理解了这条链路，再看任何 AI 产品，你都能一眼看透它的底层逻辑。