夜雨聆风只要5分钟，带你从LLM到Agent，
搭建你的AI基础世界观
今天我们就来把AI底层技术的核心名词一次性说明白，不懂技术也能建立清晰的AI认知体系。
LLM与Token的“翻译密码”
大语言模型（LLM）的“心脏”是Transformer架构，它是Google在2017年提出，后来由OpenAI的GPT-3.5带火，几乎成了所有大模型的底层引擎。
LLM的工作逻辑其实很“朴素”，你可以把它理解为一场“文字接龙”游戏。
比如你问“我爱吃什么蔬菜”，它不会直接输出完整答案，而是先预测概率最高的词（“我”），再把这个词加回输入继续预测，直到输出结束符号—这就是流式输出的由来。
⚠️ 误区纠正：Token ≠ 词，它是模型自学的切分规则。
1个Token ≈ 0.75个英文单词 或 1.5～2个汉字，生成回复时按Token计费，所以“Token消耗”直接影响成本与速度。
Context与RAG的妙用
大模型本身没有记忆，那它是怎么记住上下文的？
靠的是Context（上下文）—每次交互都会把历史对话 + 新问题打包到“临时工作台”发给模型。
Context Window（窗口容量）有限：GPT-4约105万Token，Claude Opus 4.6约100万Token，超出就会“遗忘”。
🌟 应用场景：企业知识库 + AI客服，让大模型精准回答私有数据。
因此RAG技术让LLM拥有了外部记忆硬盘，结合上下文临时记忆，实现长程对话和精准引用。
不得不提“Prompt的艺术”
Prompt即提示词，是我们给模型的指令。
写得太模糊（如“帮我出张猫咪的图”），模型可能随机输出布偶猫、金渐层甚至叮当猫；
写得精准（如“英短蓝白，主题吃罐罐，可爱特写”），效果立刻天差地别。
❌ 模糊Prompt： “写一首关于春天的诗” → 输出可能浮于表面。
✅ 精准Prompt： “你是一位田园派诗人，写一首14行现代诗，意象包含樱花、细雨、青石板，表达怀念童年的情绪” → 输出质量飙升。
Prompt分两种角色指令：
User Prompt：用户直接输入的任务（“1+1等于几？”）。
System Prompt：开发者后台设定的“人设与规则”，例如“你是耐心的数学老师，不能直接给答案，要引导思考”。
Tool与MCP协议
大模型的知识截止于训练时间，无法主动获取实时信息（比如“今天北京天气”），因为它被“关在黑盒子里”。
这时候就需要Tool（工具）—像给模型插了一根“外接管子”，让它调用天气API、搜索引擎等外部接口。
🚀 MCP（模型上下文协议） 横空出世：AI界的“Type-C接口”，统一工具接入规范，一次开发，多平台直接调用，大幅降低生态适配成本。
通过Tool，AI可以查询实时股价、预定机票、甚至控制智能家居，让LLM从“纸上谈兵”进化为“行动派”。
Agent与Skill的进化
Agent（智能体） 是AI的“自主大脑”，能拆解复杂任务、自主规划执行。
比如你让它“查天气，不下雨就找附近公园”，它会：①调用定位工具拿经纬度 → ②调用天气工具判断是否下雨 → ③调用地图工具搜索公园 — 全程自主决策。
用户指令：“帮我预订今晚7点三里屯附近的川菜馆，人均不超过150。”
Agent自动：调用位置服务 → 搜索符合评分餐厅 → 比对价格 → 调用预订API → 返回确认链接。无需人工分步指引。
而Agent Skill 是Agent的“行为说明书”：
提前规定好身份、步骤、输出格式（例如“下雨要提醒带伞，回复需列清单”），Agent按需读取，既能节省Token 又个性化定制行为风格。
这些技术层层叠加，从原始的Token翻译，到上下文记忆+RAG增强
再到工具接入+MCP统一，最终构建出能感知、规划、行动的智能体（Agent）。这就是现代AI的完整世界观。
