1. LLM (Large Language Model) —— 大语言模型

核心本质：

大模型从头到尾只做一件事：根据输入文字，输出文字。

局限：

• 大模型只认识数字，不认识文字。

---

2. Token —— 数据处理的基本单位

为什么需要 Token：

• 为了让大模型理解文字，文字必须先转换成数字。

工作流程：

“你好” → Token 编码 → [12345, 67890] → 大模型处理 → [23456, 78901] → Token 解码 → “您好”

特点：

• Token 不是单词。

• 常见中文里，1 个汉字 ≈ 1-2 个 Token。

• 计费按 Token 数计算。

---

3. Context Window —— 大模型的“临时记忆”

Context (上下文)：

• 大模型在生成下一个词时所能看到的所有历史对话。

• 可以理解为大模型的临时记忆体。

Context Window (上下文窗口)：

Context 能容纳的最大 Token 数量。

示例：
用户说：“我叫张三”
AI回答：“你好张三”
用户问：“我刚才说我叫什么？” ← 这句话必须在窗口内才能记住

局限：

• 书籍、超长文档无法直接“丢给”大模型。

• 强行塞入 → 成本高 + 注意力分散（模型抓不住重点）。

---

4. RAG (Retrieval-Augmented Generation) —— 检索增强生成

核心思想：

先检索，再生成。不靠死记硬背，靠现查资料。

工作流程：
用户问：“产品A的保修期是多久？”

价值：

只把最相关的几个片段发给大模型，让大模型只根据这几个片段回答，而不是依赖自己可能错误或过时的“记忆”。

---

5. Prompt —— 提示词

定义：

用户或系统当前给大模型下达的具体指令或问题。

好 Prompt vs 坏 Prompt：

类型	示例	效果
坏 Prompt	“帮我写代码”	太模糊，模型不知道要什么语言、什么模式
好 Prompt	“用 Java 写一个单例模式，要求懒加载且线程安全，给出代码和注释”	清晰、具体、可执行

Prompt 的两个分类：

类型	谁配置	作用
User Prompt	用户	输入具体任务
System Prompt	后台开发者	设定人设、行为规则（对用户不可见）

System Prompt 示例：

“你是一位耐心的数学老师。当学生问你数学问题时，不要直接给出答案，而要一步一步引导学生思考，帮助他们理解解题思路。”

User Prompt 示例：

“3 + 5 = ?”

大模型在 System Prompt 作用下的回答：

“我们可以这样想，你手里有 3 个苹果，然后又拿了 5 个，现在一共有多少个呢？你可以数一数看。”

---

6. Tool —— 让大模型“伸出手”触碰外部世界

为什么需要 Tool：

大模型无法感知外界（如：天气、实时数据、发送邮件等）。

本质：

Tool 就是一个函数。

工作流程：

---

7. MCP (Model Context Protocol) —— 模型上下文协议

为什么需要 MCP：

每个大模型调用工具的格式都不同。没有 MCP，开发者需要为每个模型写一套适配代码。

MCP 的本质：

大模型与外部工具之间的 “中间层协议”。

• 它跑在调用大模型的那个应用程序里，而不是大模型内部。

比喻：

没有 MCP	有 MCP
每个电器都要自己配一个专用插座	统一的 USB 接口，谁插上都行

价值：

统一接入规范，一次开发，多个模型复用。

---

8. Agent —— 能自主规划和行动的智能体

Agent 的组成：

Agent = 大模型 + 能自主调用 Tool 的能力 + 能拆解任务的能力

示例：
用户下达复杂指令：

“帮我查一下张三这个月的考勤，如果缺勤超过 3 天就发邮件提醒他。”

Agent 自主拆解任务：

1. 调用 search_employee("张三") → 拿到工号

2. 调用 get_attendance(工号, "本月") → 拿到考勤数据

3. 判断缺勤天数是否 > 3

4. 如果是，调用 send_email(张三邮箱, "提醒文案")

与传统程序区别：

Agent 不是写死流程，而是动态决定调用哪些工具、按什么顺序调用。

---

9. Agent Skill —— Agent 的能力说明书

为什么需要 Skill：

每次出门都要重新输入：“请调用定位、天气预报，判断是否需要带雨伞、帽子、口罩，按表格输出……” → 太麻烦。

Skill 的本质：

给 Agent 看的「说明文档」，定义 Agent 可以复用哪些能力、如何使用。

Skill 的作用：

把多个工具调用 + 输出格式要求打包成一个可复用的技能。

效果：

用户只需说“使用出门准备 Skill”，Agent 自动：

1. 调用定位 + 天气预报

2. 按规则判断是否需要带雨伞、帽子、口罩

3. 按表格格式输出

不需要每次都输入一堆提示词。

---

一张图总结

text

┌─────────────────────────────────────────────────────────────┐
│                      大模型应用技术栈                          │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  用户 ──→ Prompt ──→ LLM ──→ 输出                            │
│                         │                                    │
│                    ┌────┴────┐                              │
│                    ↓         ↓                              │
│                 Context    Tool                             │
│                 (临时记忆)  (触碰外界)                         │
│                    │         │                              │
│                    ↓         ↓                              │
│              Context Window  MCP                             │
│              (窗口大小)     (工具统一协议)                      │
│                              │                               │
│                              ↓                               │
│                            Agent                             │
│                    (大模型 + 工具 + 规划能力)                   │
│                              │                               │
│                              ↓                               │
│                         Agent Skill                          │
│                      (可复用的能力说明书)                       │
│                                                             │
└─────────────────────────────────────────────────────────────┘

---

核心术语速记表

术语	一句话定义
LLM	根据输入文字，输出文字
Token	大模型处理数据的最基本单元
Context	大模型每次处理任务时接收到的信息总和
Context Window	Context 最多能存储的 Token 量
Prompt	当前给大模型的具体指令或问题
Tool	大模型用来感知和影响外部环境的函数
MCP	统一了工具接入格式的标准协议
Agent	能自主规划和调用工具的程序
Agent Skill	给 Agent 看的「可复用能力说明书」
RAG	先检索知识库，再生成回答