一文读懂AI圈“黑话”:从LLM到Agent Skill,看透大模型背后的精巧设计

别担心，你不是一个人。这些术语构成了现代AI系统的骨架，理解了它们，你就能像看懂乐高说明书一样，看透市面上所有AI产品是如何拼装运作的。

今天，我们就化繁为简，从最底层的核心到最上层的应用，把这些概念一个一个拆开揉碎，让你彻底明白。

第一层：基石——大模型与它的“世界”

1. LLM (Large Language Model / 大语言模型)

这是所有AI技术的绝对核心与发动机。你可以把它想象成一个超级强大的“文字接龙大师”。它的工作方式，本质上就是根据你给的上文，预测下一个最可能出现的字或词，如此循环，直到生成完整回答。今天所有让我们惊叹的AI对话、创作、推理能力，都源于此。GPT、Claude、Gemini等，都是不同公司打造的LLM产品。

2. Token (最基本数据单元)

这是大模型“吃”进去和“吐”出来的最基本数据单元。我们人类看的是“词”和“句”，但模型内部处理的全是数字。Token就是文本被切分后的一个片段，并被映射成一个唯一的数字ID。

3. Context (上下文) 与 Context Window(上下文窗口)

大模型没有记忆，那它怎么能记住我们之前的对话？答案是：我们每次都把完整的聊天历史重新发给它。这个模型每次处理任务时所接触到的所有信息总和，就叫做Context（上下文）。

它就像一个临时记忆体或“工作台”，上面不仅放着当前的用户问题（User Prompt），还堆着之前的对话记录、系统指令（System Prompt）、工具列表，甚至是它自己刚刚生成的内容。

而这个“工作台”的大小是有限的。它能容纳的最大token数量，就叫做Context Window（上下文窗口）。比如，一个10万token的窗口，大概能放下15-20万汉字，足够塞进一本中等厚度的书。目前顶级模型的窗口可达百万token级别，能力非常强大。

第二层：交互——我们如何与引擎对话

4. Prompt (提示词)

这就是我们给大模型的具体指令或问题。“帮我写一首诗”是prompt，“总结这篇文章”也是prompt。不要把它想得太复杂，它就是你和AI之间的“人话”接口。

· User Prompt (用户提示词)：就是你作为用户直接输入的问题。

· System Prompt (系统提示词)：这是开发者在后台“悄咪咪”设置的，用于定义模型的

5. Tool (工具) / Function (函数)

大模型有个致命弱点：它是个“宅男”，知识截止于训练数据，无法感知实时外界（比如查天气、算汇率、查数据库）。Tool就是为它打开的“窗户”和“手脚”。本质上，一个Tool就是一个函数：输入参数，执行操作，返回结果。

例如，一个“天气查询Tool”，输入城市和日期，它能调用外部API拿到实时天气并返回。大模型自己不能调用工具，但它可以生成调用工具的指令，由背后的“平台”代码去执行。这实现了AI与真实世界的连接。

6. MCP(Model Context Protocol / 模型上下文协议)

既然工具这么好，怎么接入呢？问题来了：OpenAI、Anthropic（做Claude的公司）、Google等各大厂，接入工具的标准各不相同。开发者为ChatGPT写一遍工具，还得为Claude再写一遍，效率极低。

MCP就是为了解决这个痛点而生的统一工具接入协议标准。你可以把它理解为AI世界的USB-C接口。工具开发者只需按照MCP标准开发一次，所有支持MCP的平台就都能使用这个工具，极大提升了生态效率。

第三层：进化——从“工具人”到“智能体”

7. Agent(智能体)

有了工具，大模型就能解决更复杂的问题了。比如用户问：“今天天气如何？如果下雨，帮我找找卖伞的店。” 这需要连续调用多个工具（定位 -> 天气 -> 附近店铺查询），并且根据上一步的结果决定下一步做什么。

这种能够自主规划、自主调用工具、持续运作直至完成复杂目标的AI系统，就叫做Agent。它不再是“一问一答”的聊天机器人，而是具备了初步思考和执行链条的“智能体”。像AutoGPT、Claude Code、Devin等，都是Agent理念的产物。

8. Agent Skill (智能体技能)

但光有Agent还不够。如果你想让它成为你的“出门助手”，每次都能根据你的私人习惯（下雨带伞、刮风穿外套、必须带手机）和格式要求来提醒你，难道每次提问都要把一长串规则重新打一遍吗？太麻烦了。

Agent Skill就是解决这个问题的：它本质上是一份给Agent看的、提前写好的“任务说明书”。这份文档里定义了：

· 元数据：技能叫什么、是干什么的。

· 指令层：详细的任务步骤、判断规则、输出格式要求，甚至包括示例。

开发者只需要把这份说明书（通常是一个固定格式的Markdown文件）放在指定位置，Agent在遇到相关问题时，就会自动读取里面的指令，严格按照你的要求去执行任务、格式化输出。这让Agent变得高度可定制和个性化，真正成为你的专属助手。

结语：一张图看清AI世界的地基

现在，让我们把这些概念串联起来，你就能洞悉整个AI应用的底层逻辑：

核心引擎（LLM） 以基本单位（Token） 处理着它的临时记忆（Context），记忆体的容量由上下文窗口（Context Window） 决定。

我们通过提示词（Prompt，包括User和System）向引擎发出指令。为了让引擎能获取外界信息，我们为它配备了工具（Tool），而为了让工具能通用，行业制定了统一协议（MCP）。

在此基础上，我们构建出能自主使用工具解决问题的智能体（Agent），并最终通过编写详细的技能说明书（Agent Skill），让智能体忠实地按照我们每个人的复杂习惯和偏好来工作。

这就是从ChatGPT到Copilot，从Midjourney到Devin背后，那个共同且精巧的运作框架。理解了这些，你再看到任何新的AI产品或技术名词，都能迅速将其归位，看透其背后的设计深意。

AI不再神秘，它只是一套设计精妙的积木，而我们，正站在学习如何搭建它的起点上。

理解了这些核心概念，你是否对某个AI应用的工作原理产生了新的猜想？欢迎在评论区分享你的发现！如果觉得这篇文章有帮助，别忘了点赞、收藏、分享给更多需要的朋友。