夜雨聆风7月10日晚，花猫社区「AI工具科普扫盲课」如期开讲。
这次我们不炫技术，只用一晚上时间，把那些大家在各种文章和视频里经常听到、但一直没搞明白的词——大语言模型、提示词、上下文、Agent、RAG、MCP、Skill、Vibe Coding——拆开揉碎讲了一遍。
以下是本场活动的完整回顾，约5000字，阅读时间约15分钟。没来现场的朋友可以跟着走一遍，内容比较干，建议收藏慢慢看。
01 / WHAT IS LLM
大语言模型到底是什么？
先问一个问题：ChatGPT、Claude、Gemini、DeepSeek、豆包、Kimi、通义千问……这些你都认识吗？
如果你都能认出来，恭喜，你已经比大多数人强了。但我们今天不聊名字，聊它们底层的本质。
大语言模型的本质，就是把人类所有的文字资料吃进去，总结出规律：某一段文字后面，大概率会出现哪些字、哪些词。然后根据你给它的输入，把这些字一个一个「蒙」出来。
举个例子。你在微信里打「AI花猫社区」，它大概率能猜出你下一句想说什么——因为模型见过足够多的中文语料，知道这几个词后面通常接什么内容。它就是用各种算法算出来的，算概率。
那「大」在哪里？
量变引发质变。当数据量足够大、规律足够多的时候，传统语言模型就变成了「大」语言模型。在英语里，为了区分传统的、很笨的语言模型和这种新的、能力更强的模型，就在「Language Model」前面加了一个「Large」——大语言模型。
GPT-3.5是第一个让大家真正感受到这种质变的产品。
02 / PROMPT & CONTEXT
提示词、上下文、记忆系统，其实是一回事
大语言模型最开始只能做单轮对话——你问一句，它答一句。
比如你问：「团建经费只有10块钱，年底前必须花完，请给我一个天津一日游方案。」你发给大模型的内容，就是提示词（Prompt）。
但如果你想让它理解得更清楚，可以把问题拆开：
背景：今年团建经费只有10块钱，年底前必须花完。
问题：请给我一个天津一日游方案。
上面的背景信息，就叫上下文（Context）。提示词+上下文，共同构成了模型的输入。
后来为了能连续对话，技术实现上就是把每一次的问答都存下来，下次一起发给模型。所谓的「记忆系统（Memory）」就是这个——本质还是上下文那一套。模型本身没有真正的「记忆」，它只是把你们之前聊过的内容又重新读了一遍而已。
各种营销号天天说的「记忆系统」，听起来高大上，其实就这个意思。
理解了这个，你就已经明白大模型对话最底层的逻辑了。
03 / FROM CHATBOT TO AGENT
从Chatbot到Agent：让AI不再只是「聊天」
上面说的所有模式，都是人问→模型答，一轮对话就结束了。
但如果你想让AI做更复杂的事情，比如：「帮我整理一下今天最劲爆的新闻。」
问题来了——大模型的知识是有截止时间的。比如GPT-3.5的知识截止到2023年，它不知道「今天」发生了什么。你问它今天的新闻，它会胡说八道，这就是所谓的「幻觉」。
那怎么办？给它加一个工具。你写一段程序，专门去网上抓取当天的实时新闻。然后你把这段程序和你的大模型对接起来。流程变成了：
人提出任务→大模型理解任务→调用程序抓取实时信息→把抓取到的信息作为上下文返回给大模型→大模型整理后回答用户。
大语言模型+可以调用外部工具的程序=Agent（智能体）。
这就是Agent的本质。不是多高级的东西，就是大模型加了一段程序。那下面几个经常听到的词，也就好理解了：
— RAG（检索增强生成）
上面说的是「网上的信息」。那如果信息不在网上，在你的电脑本地呢？比如一份会议录音、一份PDF文件、一份Excel报表？同样可以用一段程序连接到你的电脑本地文件，把里面的内容提取出来，作为上下文喂给大模型。这个技术就叫RAG。
— Web Search
抓取网上实时信息的功能，其实就是RAG对应在「线上」的那一面。一个抓本地，一个抓网络。你会发现，Web Search和RAG本质上是一回事——把外部信息变成大模型的上下文。只不过为了让营销号有东西可写，给它起了不同的名字而已。
— Function Calling
你可能还听过这个词。上面提到的「写一段程序」，在技术实现上有一个关键问题：大模型的输出是不可控的。你让它把PDF转成Markdown，它可能给你输出俄语。而程序是机械的——你给程序传参数，格式必须精确。大模型输出格式不对，程序就没法工作。于是你就要求大模型按照固定格式输出，比如JSON格式。这个格式化的过程，在技术圈被称为Function Calling。听起来高级，本质就是「让AI按固定格式说话」。
04 / SKILL & MCP
Skill和MCP：让AI更稳定地干活
有了Agent之后，大家发现类似的需求越来越多——有人要转PDF、有人要转Word、有人要生成PPT。每次都要重新写程序、重新做对接，效率很低。于是有了两个重要的概念：
— Skill=程序+说明文档
说明文档里写清楚：这个程序是干什么用的、什么时候应该调用、调用时需要传哪些参数。大模型每次执行任务前，会先读一下这个说明书，然后判断「这个任务是不是该用这个程序」。就像你给一个助理布置任务：你告诉ta——「每当我开会时，杯子里没水了，你就帮我倒水。」这里，「倒水」这个动作是程序，「每当有人开会且杯子里没水」这个触发条件是说明书。程序和说明书合在一起，就是一个完整的Skill。
— MCP=标准化接口协议
最近大家可能经常听到MCP这个词，也被炒得很热。它就像电灯泡——不管是什么牌子的灯泡，只要螺口是E27的，就能拧进任何E27的灯座。MCP就是大模型和外部工具之间的「标准螺口」。它规定了「程序应该长什么样、大模型应该怎么调用它」，只要双方都遵守这个标准，就能直接对接，不需要每换一个工具就重新写一遍代码。
用最简单的比喻：Skill=一个助理+一份工作说明（告诉助理什么场景下该做什么）；MCP=一把万能钥匙，可以打开所有装了统一锁芯的门，让你不用为每一扇门单独配钥匙。
所以你在社交媒体上看到的各种炫酷效果——有人用AI控制电脑、有人用AI自动做PPT、有人用AI发邮件——背后的原理都是这套组合：大模型理解任务→通过MCP协议调用对应的Skill→Skill执行具体动作→结果返回给大模型→大模型整理后输出给用户。Skill决定「能做什么」，MCP决定「怎么对接」。这就是最近很火的OpenClaw、WorkBuddy这类产品的本质——它们就是把大语言模型和各种Skill、各种MCP接口打包在一起的产品。
05 / WORKFLOW & LOOP
Workflow、Subagent、Loop……一个例子讲清楚
先把前面所有概念串起来，用一个场景走一遍：假设你想写一个微信小程序，让员工进公司自动打卡。
第一步，大语言模型：你告诉大模型你的想法，它理解你的需求。
第二步，提示词+上下文：你给它背景「我们是50人的公司，有门禁系统」，再给它问题「帮我设计打卡方案」。背景是上下文，问题是提示词。
第三步，Agent：大模型需要知道「如何实现GPS围栏」，于是调用程序去查资料，这就是Agent的工作。
第四步，RAG：大模型读取你上传的公司平面图、门禁位置图，这些本地文件通过RAG技术变成上下文。
第五步，Function Calling：大模型把「生成需求文档」的请求，按固定格式传给程序。
这时候你会发现，大模型自己没法一步到位写出完整的小程序。它需要把大任务拆成小任务——先写需求文档，再写前端代码，再写后端逻辑，再测试。于是有了后面几个概念：
— Subagent（子智能体）
把「写打卡小程序」这个大任务拆成几个小任务，每个小任务交给一个专门的子Agent去处理，再把结果汇总。本质是任务的拆分与并行。
— Workflow（工作流）
如果用可视化工具（比如字节跳动的扣子），你可以把「需求分析→代码生成→测试→部署」这几个节点拖拽连接起来，形成一个自动化的流程。这就是Workflow。
— Loop
前段时间很火的概念，被说成「AI的下一个时代」。其实它就是一个定时任务+触发条件——「一旦员工进入GPS围栏，自动触发打卡程序」。就是一个带触发器的自动化程序，仅此而已。
你会发现，所有概念都在解决同一个问题：如何让AI更稳定、更自动化地完成复杂任务。名字一个比一个花哨，底层逻辑却一脉相承。
06 / WHEN AI FAILS
那些看起来离谱的AI翻车现场
概念讲完了，来看点好玩的。
博主想证明自己去过世界杯现场看球，于是用AI生成了一个视频。但因为没有给足上下文和限制条件，结果AI把博主直接生成在了球场内的教练席上，裁判在旁边跑来跑去。
于是她加了限制：「不要在替补席上看」——结果AI把画面调整到了替补席后面的看台。她又加限制：「坐在看台上，不是球员，是球迷」——最终才生成了一段相对合理的、在观众席看球的视频。
这个过程的本质是什么？和教小孩做事一模一样。你让一个小朋友去倒杯水，他可能倒回来一杯冷水，也可能是一杯热水，还可能只倒了半杯——因为他对「倒杯水」这个任务的理解还不够具体。你告诉他「倒温水、倒七分满」，他就越来越接近你的预期。
大模型也是一样。你给它的限制越多、上下文越丰富、对任务的描述越具体，它的输出就越接近你想要的答案。不是说大模型「笨」，是它需要你用它能理解的方式沟通。很多人用AI觉得不好用，不是模型不行，是你没给它足够的上下文和规则。
07 / WHICH MODEL
主流模型怎么选？一次性讲清楚
国内主流模型
DeepSeek
最大的优点是性价比极高。同样做一件事，用DeepSeek花的钱可能是GPT的几分之一。编码能力不错，对中文的理解也还行。但它没有特别突出的单项，属于「啥都能干、啥都不顶尖」的类型。如果预算有限，或者要本地部署（出于安全考虑），优先选它。
豆包（字节跳动）
中文理解最强。全模态——文生图、文生视频、语音对话，什么都有。但它和Gemini一个问题：能力全面但不突出。日常中文应用拿起来就用，不需要复杂任务的时候，豆包非常顺手。
Kimi（月之暗面）
这是一个被很多人忽视的好模型。它的上下文在目前所有主流模型中是最长的——你和他聊很久，他也很少忘记你最开始说的限制条件。加上它有自己的搜索引擎，信息检索能力很强。如果你要做深度调研报告、长文档处理、跨多个资料的信息整合，Kimi是首选。
通义千问（阿里）
国产开源第一大模型，在各大排行榜上评分很高。但实际用下来，文字理解偏弱，日常对话能力比较一般。它真正擅长的是写代码——写出来的程序完整度好、bug少。
一句话总结选型策略：
选对模型，事半功倍。千万不要听说GPT强就所有场景都用它——让GPT做长文档，它会遗忘；让Kimi写代码，不如Claude顺手。
08 / BUILD YOUR SKILL
实操：如何沉淀你自己的Skill
概念讲清楚了，模型选好了，接下来讲具体怎么用。分享会上司海成用Kimi现场演示了如何沉淀一个Skill：
第一步，收集素材：把你过去写过的日报、周报、随笔、会议纪要、工作邮件，全部归档。越多越好。
第二步，喂给AI：把这些文字材料发给大模型，让它分析你的语言风格——你喜欢用短句还是长句、喜欢用哪些高频词汇、语气的正式程度如何。
第三步，生成说明书：大模型会帮你生成一份Skill说明文档（.md格式）。里面记录了你的语言特征、写作习惯。
第四步，日常使用：以后你只需要用口语描述「今天干了啥」，AI就会自动调用这个Skill，把它转化成符合你风格的正式日报。
现场的对比演示很直观：同样一句「我今天看了一本书，没看进去，但忽然觉得人就应该多看书」——不加Skill的时候，AI会写出一段逻辑通顺但很「AI味」的文字；调用Skill之后，输出的文字短句更多、语气更自然，像真人写的。
复杂一点的Skill也是一样的逻辑。如果你想让AI帮你把Word文档自动转成Markdown格式，可以让AI帮你写一段Python程序，然后把程序+使用说明打包成一个Skill。以后每次你要做格式转换，只要告诉AI「调用那个转格式的Skill」，它就自己完成了。
核心就一句话：把你反复要做的事情，沉淀成一个AI能自动执行的模板。
09 / VIBE CODING
Vibe Coding：不会写代码，也能做小程序
这是当天实操环节最受关注的部分。分享人司海成演示了两条路径：
路径一：用Meoo（秒悟）零门槛开发
Meoo是阿里旗下的AI编程工具，最大的优势是直接打通微信小程序生态。你只需要用自然语言描述需求——比如「做一个员工上下班自动打卡的小程序」——它会和你一起细化需求：用GPS围栏还是用门禁联动？短暂离开算不算下班？多个办公地点怎么处理？你只需要做选择题。需求明确之后，它会自动帮你写代码、调试、生成预览。你只需要把微信小程序的AppID复制过去，就能一键配置、提交审核、发布上线。
我们直接现场演示了一个贪吃蛇小游戏的开发过程：第一轮，用自然语言说「帮我写一个贪吃蛇小游戏」，AI生成了一个可玩的版本。第二轮，说「每吃一个食物增加两个障碍物」，AI自动修改代码。第三轮，发现bug「蛇吃食物之后身体没有变长」，用自然语言描述bug，AI自动修复。第四轮，继续提需求「把蛇的颜色改成蓝色」，AI照做。整个过程，没有写一行代码。
路径二：用Codex的Plan+Go模式
Codex是OpenAI 开发的AI 编程与自动化代理工具，这次现场演示了Plan和Go的两种模式。
Plan模式：你给一个模糊的需求（比如「我要做一个贪吃蛇游戏」），它会用提问的方式帮你把需求细化——做成微信小程序还是抖音小程序？经典模式还是穿墙模式？要不要计分？要不要广告？你做选择题，它自动生成完整的产品需求文档。
Go模式：需求文档确认后，切换到Go模式。你告诉它「按照这份文档去开发」，然后就可以关电脑睡觉了。它会自动拆解任务、自己调用工具、自己写代码、自己调试。第二天早上起来验收就行。司海成说自己经常这么做——晚上12点给AI定个目标「帮我把这批跨境电商的产品上架」，第二天早上来看结果。
这两条路径的共同逻辑是：你在做产品经理的工作，AI在做程序员和测试工程师的工作。你负责「想清楚要什么」，AI负责「做出来」。
∞ / EPILOGUE
写在最后
从大语言模型到Agent，从RAG到Skill，从Vibe Coding到一键部署——所有看起来很高级的名词，本质上都是同一个逻辑在不同层面上的延伸：你给AI一个任务，AI帮你调用合适的工具，把它完成。
不要把AI想得太复杂，也不要把自己想得太小白。就像司海成说的：「学英语很痛苦，但AI学语言不痛苦——它只是把人类所有的文字资料吃进去，总结规律，然后替你干活。」
AI能帮你做的事情，比你想象的多。而你离「用起来」，只差一个周五晚上的距离。
下一次，来量子猫阁，带上你的问题，我们一起把它做成产品。