夜雨聆风从底层工程视角，拆解AI圈最常见的5个新名词，一文讲清LLM、Token、Context、Prompt、Tool、MCP、Agent和Agent Skill的本质
AI圈子的这些新名词：LLM、Token、Context、Prompt......您了解吗？
AI 圈子里每天都在冒新名词。LLM、Token、Context、Prompt、Tool、MCP、Agent、Agent Skill——这些词你可能都听说过，但是你真的能准确说出其中每一个概念的确切含义吗？
这期我们从最底层的工程视角出发，把这些概念一个一个拆开、揉碎、讲清楚。看完之后，你对 AI 的理解绝对会上升一个台阶。
一、LLM：大语言模型，一切的基础
最底层的，就是 LLM（Large Language Model），翻译成中文就是大语言模型，简称大模型。
基本上现在所有的大模型，都是基于 Transformer 这套架构训练出来的。这个架构最初由 Google 团队在 2017 年提出，论文名《Attention Is All You Need》。
虽然 Google 发明了火种，但真正把它点燃并且引爆全世界的，却是 OpenAI。
2022 年底 GPT-3.5 横空出世，它是第一个真正达到可用级别的大模型。紧接着 2023 年 3 月，GPT-4 直接把 AI 的能力天花板拉到了新的高度。
如今 AI 赛道早已不再是 OpenAI 的独角戏了。像 Claude、Gemini 等优秀的后起之秀，都在各自擅长的领域与它同台竞技。
大模型怎么工作的？ 本质上就是一个文字接龙游戏。当你问"马克的视频怎么样"，模型内部跑的是矩阵运算，输出的是一串数字，但它会一个词一个词地预测下一个最可能的词，直到输出结束符。
二、Token：大模型处理文本的最小单元
大模型输出的是一个词一个词的，但这是为了让你好理解而简化了。现实情况是：大模型接收和输出的都是数字，压根不认识文字。
在人类和大模型之间，必须有一个中间人——Tokenizer，负责编码和解码：
编码：把文字 → 数字 解码：把数字 → 文字
这个过程分两步：
| 步骤 | 作用 | 举例 |
|---|---|---|
| 切分 | 把文本拆成最小片段（Token） | "马克的视频怎么样" → "马克"、"的"、"视频"、"怎么样" |
| 映射 | 每个 Token 对应一个数字（Token ID） | "马克" → 7842, "的" → 201 |
⚠️ 关键点：Token 不等于词！
中文："工作坊" 可能被拆成"工作" + "坊"两个 Token 英文："helpful" 被拆成"help" + "ful" 甚至对勾符号 "✓" 需要 3 个 Token 来表示
经验换算：
1 个 Token ≈ 0.75 个英文单词 1 个 Token ≈ 1.5 到 2 个汉字 40 万 Token ≈ 60~80 万汉字 ≈ 30 万英文单词
三、Context & Context Window：大模型的临时记忆体
你发现了吗？大模型能"记住"之前的对话。但它只是个数学函数，并没有真正的记忆。
答案是：每次发消息时，程序会自动把整段对话历史一起发过去。这就引出了 Context（上下文） 的概念。
Context = 大模型每次处理任务时所接收到的信息总和
Context 包含：
用户的问题 之前的对话历史 模型正在输出的每一个 Token 工具列表 System Prompt 等
Context Window（上下文窗口） 则代表了 Context 能够容纳的最大 Token 数量：
| 模型 | Context Window | 相当于约多少汉字 |
|---|---|---|
| 小模型 | 1 万 Token | 约 1.5 万汉字 |
| GPT-5.4 | 105 万 Token | 约 150 万汉字（整个哈利波特全集） |
| Claude Opus 4.6 | 100 万 Token | 约 150 万汉字 |
如果文档太长怎么办？ 这就需要 RAG（检索增强生成） 技术——从海量文档中抽取最匹配的片段，只把这几段话发给大模型，既省成本又突破了 Context Window 限制。
四、Prompt：给大模型的具体指令
Prompt（提示词） 是大模型接收的具体问题或指令。比如"帮我写一首诗"，这句话就是 Prompt。
Prompt 怎么写，直接决定了大模型的输出质量。
两种 Prompt
| 类型 | 中文 | 说明 | 谁写的 |
|---|---|---|---|
| User Prompt | 用户提示词 | 用户在对话框输入的问题 | 用户 |
| System Prompt | 系统提示词 | 在后台配置的人设和规则 | 开发者 |
举个例子——数学辅导机器人：
System Prompt（后台配置）：你是一个耐心的数学老师，当学生问你数学问题时，不要直接给出答案，而是要一步一步引导学生思考。
User Prompt（用户输入）：3 + 5 等于几？
如果没有 System Prompt，模型可能直接说"8"。有了 System Prompt 的约束，它会说"我们可以这样想，你手里有 3 个苹果，然后又拿了 5 个……"
五、Tool：给大模型感知外部世界的能力
大模型有一个弱点：无法感知外界环境。
你问"今天上海的天气怎么样？"，它会说抱歉，无法获取实时信息。因为大模型只是一个文字接龙游戏，没有查天气预报网站的能力。
Tool（工具） 就是解决这个问题。Tool 本质上就是一个函数——给它输入，它给你输出。
┌──────┐ ┌──────────┐ ┌──────────┐ ┌──────┐
│ 用户 │────▶│ 平台 │────▶│ 大模型 │────▶│工具 │
└──────┘ │(传话筒) │◀────│(选工具) │◀────└──────┘
│(串联流程)│────▶│(归纳总结)│────▶
└──────────┘ └──────────┘
完整流程：
用户提问 → 平台转发给大模型（附带可用工具列表） 大模型分析后，输出调用工具的指令 平台接收指令，真正调用工具函数 平台把结果返回给大模型 大模型整理成"人话"，通过平台返回给用户
大模型能调用工具吗？不能！ 它唯一能力就是输出文本。真正调用工具的，是平台。
六、MCP：统一工具接入标准
有了 Tool 之后，问题来了：每个平台的接入标准都不一样。
ChatGPT → 用 OpenAI 的规范接入 Claude → 用 Anthropic 的规范接入 Gemini → 用 Google 的规范接入
同一个工具要写三遍接入代码！
MCP（Model Context Protocol，模型上下文协议） 就是来解决这个问题的——它是一套统一的工具接入标准。
就像手机统一用 Type-C 接口一样，开发者只需要写一次代码，就可以在所有支持 MCP 的平台上使用。
七、Agent：自主规划、持续工作的程序
有了 Tool + MCP，大模型能感知外部世界了。但有时候一个问题需要多次工具调用：
问：今天天气怎么样？下雨的话帮我查附近有没有卖雨伞的店
步骤：
1. 调用定位工具 → 获取经纬度
2. 调用天气工具 → 查天气（有雨）
3. 调用店铺工具 → 找附近雨伞店
4. 综合信息 → 给出最终答案
这种能够自主规划、自主调用工具、持续工作直至完成任务的系统，就是 Agent。
八、Agent Skill：给 Agent 看的说明书
即使有了 Agent，你每次提问时还得把规则、格式、示例全塞进去，太反人类了。
Agent Skill 就是解决方案——它本质上是一份给 Agent 看的说明文档，通常是一个 Markdown 文件（SKILL.md）。
一份 Agent Skill 包含：
| 部分 | 内容 |
|---|---|
| 元数据层 | 技能名称（Name）、描述（Description） |
| 指令层 | 目标、执行步骤、判断规则、输出格式、示例 |
存放规范：
在指定目录新建文件夹，名字与技能名相同 文件夹内新建 SKILL.md文件（SKILL 必须大写）Agent 启动时自动发现并加载
总结：一图看懂 AI 概念体系
┌─────────────────────────────────────────────────┐
│ AI 技术体系全景图 │
├─────────────────────────────────────────────────┤
│ │
│ Agent ──── 自主规划、持续执行 │
│ │ │
│ ├─ Agent Skill ─── 给 Agent 看的说明书 │
│ │ │
│ ├─ Tool ─── 感知外部世界的函数 │
│ │ │ │
│ │ └─ MCP ─── 统一工具接入标准 │
│ │ │
│ ├─ Prompt ─── 具体指令 │
│ │ ├── User Prompt (用户输入) │
│ │ └── System Prompt (后台规则) │
│ │ │
│ ├─ Context ─── 接收到的信息总和 │
│ │ │ │
│ │ └─ Context Window ─── 最大容量 │
│ │ │
│ ├─ Token ─── 文本处理的最小单元 │
│ │ │
│ └─ LLM ─── 底层大语言模型（核心引擎） │
│ │ │
│ └─ Transformer ─── 架构基础 │
│ │
└─────────────────────────────────────────────────┘
理解了这些概念，你就看懂了 AI 圈子里的各种新产品、新技术——无论是 Claude Code、Codex、OpenClaw，它们本质上都在这个框架下运作的。
