AI圈子的这些新名词:LLM、Token、Context、Prompt......您了解吗?

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。