LLM, Token, Context, Prompt, Agent, Skill……，最近在摸索 Gemini CLI 的过程中，为了能更顺畅地和这些数字工具打交道，我把大模型核心的几个概念重新消化了一下。

这些笔记并不是教科书式的精准定义，更多是我基于近期摸索过程的一些个人理解。在此记录并分享出来，权当一份学习记录，也欢迎大家一起交流。

一、LLM：大脑的本质是“概率游戏”

• LLM（大语言模型）：负责信息接收、思考和生成。本质是基于海量的历史数据和当前的输入所做的概率性预测输出。

二、 Token & Context：沟通的颗粒度与记忆的幻觉

• Token（词元）： 与大模型沟通的最小内容单位。文字内容发送给 LLM 之前被拆分为 Token 并编码为 Token ID，LLM 接收到一串 Token ID 之后，逐一吐出答复的 Token ID，然后解码为文字内容。
• Context（上下文）：大模型没有会话状态，每次发给大模型的内容，会和之前的交流内容一起发给大模型分析计算。所以，整个架构中会有“记忆”处理的能力。

三、Prompt：指挥官的艺术

发给大模型的所有输入信息，分为：

• User Prompt：用户发给大模型的指令、问题（比如：“帮我写个大纲”）。
• System Prompt：系统级设定（比如：“你是一名苏格拉底式的数学老师，只启发不给答案”）。 

四、 Tool & MCP：打破硅基世界的“次元壁”

LLM 是一个“困在盒子里的大脑”，它可以思考但是无法感知“硅基生命世界”中的其它“存在”。所以，也就无法与真实世界发生交互，比如：查询天气这样一个任务。它需要感知到与“硅基生命世界”中的“天气查询服务网站”并与之互动才能完成。

• Tool（工具）：让 LLM 可以感知“硅基生命世界”中的其他“存在”，并架起双方沟通桥梁。比如：LLM 想查天气，自己办不到，必须通过一个查询接口（Tool）去连接天气查询服务网站。
• MCP（模型上下文协议）： 它是一套通用的工具接入规范。有了它，同一个工具可以无缝接入不同的 AI 系统，不再需要为每个模型单独写一套代码。

五、 Agent & Skill：从工具到“分身”

• Skill： 告诉 LLM 某个工具该怎么用的“说明书”（通常是 Markdown 文件）。

• Agent：通过 Skills 管理多个 Tool，在处理复杂任务的时候，制定计划，管理执行步骤，按需提供Skills 给 LLM。避免一次把所有可能的信息发给 LLM，可以减少 Token 的消耗、Context Window 超载。