从 LLM 到 Agent Skill：一期视频打通 AI 底层逻辑
目录
1. LLM（Large Language Model，大语言模型）
6. MCP（Model Context Protocol，模型上下文协议）
引言
在 AI 技术快速演进的今天，从大语言模型（LLM）到智能体（Agent），再到技能扩展（Skill），技术栈层层叠加，概念层出不穷。对于开发者和技术爱好者来说，如何系统性地理解这些核心概念，建立起完整的技术认知框架？
本期视频用 32 分钟的时间，从最基础的 LLM 开始，逐步深入到 Token、Context、Prompt、Tool、MCP、Agent、Agent Skill 等 10 个关键概念，帮助我们打通 AI 技术的底层逻辑。本文将这些知识点进行系统化梳理，为你呈现一份清晰的学习路线图。
一、基础概念层：AI 的基石
1. LLM（Large Language Model，大语言模型）
什么是 LLM？
LLM 是基于海量文本数据训练而成的深度学习模型，能够理解和生成人类语言。它是当前所有高级 AI 应用的基础。
核心要点：
-
通过预训练学习语言的统计规律
-
具备强大的文本生成和理解能力
-
是构建更复杂 AI 系统的起点
为什么重要？
不理解 LLM，就无法理解后续的所有概念。它是整个 AI 技术栈的地基。
2. Token（文本单元）
什么是 Token？
Token 是 LLM 处理文本的基本单位。它不是简单的"单词"或"字符"，而是经过特殊编码的文本片段。
关键认知：
-
英文中，一个 Token 约等于 0.75 个单词
-
中文中，一个汉字通常对应 1-2 个 Token
-
LLM 的成本和速度都与 Token 数量直接相关
实际影响：
理解 Token 机制有助于：
-
预估 API 调用成本
-
优化输入输出长度
-
设计更高效的数据处理流程
3. Context Window（上下文窗口）
什么是 Context Window？
Context Window 是 LLM 在一次对话中能够"记住"的最大 Token 数量。它决定了模型能处理多长的输入和保持多长的记忆。
限制与挑战：
-
早期模型仅有几千 Token 的窗口
-
现代模型可达数十万甚至百万 Token
-
但窗口越大，计算成本和延迟越高
优化策略：
-
精简不必要的背景信息
-
使用摘要技术压缩长文档
-
合理设计对话历史的管理机制
二、交互接口层：人与 AI 的桥梁
4. Prompt（提示词工程）
什么是 Prompt？
Prompt 是我们与 LLM 交互的方式，即我们向模型输入的指令和问题。
两种关键类型：
| 类型 | 作用 | 示例 |
|---|---|---|
| User Prompt | 用户的具体问题或任务 | "请帮我写一封邮件" |
| System Prompt | 定义 AI 的行为准则和角色 | "你是一个专业的客服助手" |
最佳实践：
-
明确具体，避免模糊表述
-
提供足够的上下文信息
-
使用结构化格式（如 Markdown）提升可读性
-
通过 few-shot learning（少样本学习）给出示例
为什么重要？
Prompt 的质量直接决定 AI 输出的质量。好的 Prompt 工程师能让同一个模型发挥出截然不同的效果。
5. Tool（工具调用）
什么是 Tool？
Tool 是让 LLM 能够执行外部操作的能力，例如查询数据库、调用 API、读取文件等。
工作原理：
-
LLM 识别到需要调用工具的场景
-
生成结构化的工具调用请求
-
外部系统执行工具并返回结果
-
LLM 基于结果继续生成响应
典型应用场景：
-
实时数据查询（天气、股票价格）
-
文件操作（读写、搜索）
-
代码执行
-
网络搜索
核心价值：
Tool 让 AI 突破了纯文本处理的局限，使其能够与现实世界交互。
三、高级架构层：构建智能系统
6. MCP（Model Context Protocol，模型上下文协议）
什么是 MCP？
MCP 是一个标准化协议，用于规范 LLM 与外部工具和数据的交互方式。它由 Anthropic 提出，旨在解决工具集成的碎片化问题。
核心优势：
-
标准化：统一的接口规范，降低集成成本
-
可扩展：轻松添加新的工具和数据源
-
安全性：明确的权限控制和审计机制
生态系统：
目前已有众多 MCP 服务器实现，涵盖：
-
文件系统访问
-
数据库查询
-
Web 搜索
-
代码仓库管理
-
日历和邮件
为什么值得关注？
MCP 正在成为 AI 应用开发的事实标准，掌握它将极大提升你的开发效率。
7. Agent（智能体）
什么是 Agent？
Agent 是能够自主规划、决策和执行任务的 AI 系统。它不仅仅是回答问题，还能主动完成复杂的工作流。
核心能力：
-
感知：理解用户意图和环境状态
-
规划：分解任务，制定执行步骤
-
执行：调用工具，获取信息
-
反思：评估结果，调整策略
工作流程示例：
用户请求："帮我分析上周的销售数据并生成报告" ↓ Agent 规划： 1. 查询数据库获取销售数据 2. 进行数据分析（同比、环比、趋势） 3. 生成可视化图表 4. 撰写分析报告 5. 保存并发送给用户 ↓ 逐步执行每个步骤，最终交付完整报告
与传统 AI 的区别：
| 特性 | 传统 LLM | Agent |
|---|---|---|
| 主动性 | 被动响应 | 主动规划 |
| 复杂性 | 单次交互 | 多步工作流 |
| 工具使用 | 有限或无 | 深度集成 |
| 自主性 | 低 | 高 |
8. Agent Skill（智能体技能）
什么是 Agent Skill？
Agent Skill 是将特定能力封装为可复用的模块，供 Agent 调用的机制。它类似于编程中的函数或库，但专为 AI 场景设计。
核心价值：
-
模块化：将复杂能力拆分为独立技能
-
可复用：同一技能可在多个 Agent 间共享
-
易维护：单独更新和优化单个技能
-
可扩展：轻松添加新技能
典型 Skill 示例：
-
数据分析 Skill：连接数据库、执行查询、生成图表
-
文档处理 Skill：读取 PDF、提取表格、转换格式
-
通信 Skill：发送邮件、创建会议、发送消息
-
开发辅助 Skill：代码审查、Bug 修复、测试生成
实现方式：
# 伪代码示例 class DataAnalysisSkill: def query_database(self, sql): # 执行数据库查询 pass def generate_chart(self, data, chart_type): # 生成可视化图表 pass def analyze_trends(self, data): # 分析数据趋势 pass
未来趋势：
随着 AI 应用的普及，Skill 市场将逐渐形成，开发者可以像发布 npm 包一样发布和分享自己的 Agent Skill。
四、知识图谱：概念间的关联
AI 核心技术体系 ├── 基础概念层 │ ├── LLM（大语言模型） │ ├── Token（文本单元） │ └── Context（上下文窗口） ├── 交互接口层 │ ├── Prompt（提示词工程） │ └── Tool（工具调用） └── 高级架构层 ├── MCP（模型上下文协议） ├── Agent（智能体） └── Skill（技能扩展）
关键洞察：
-
层层递进：每个上层概念都建立在下层基础之上
-
相互依赖：没有 LLM 就没有 Agent，没有 Tool 就没有真正的 Agent
-
协同工作：在实际应用中，这些概念往往同时发挥作用
五、关键结论
-
LLM 是地基：所有高级 AI 应用都建立在 LLM 之上，必须首先理解其工作原理
-
Token 和 Context 是约束：理解这些限制有助于设计更高效、更经济的 AI 应用
-
Prompt 是杠杆：优秀的 Prompt 设计能让同样的模型产生质的飞跃
-
Tool 和 MCP 是桥梁：它们让 AI 从"纸上谈兵"走向"实战应用"
-
Agent 和 Skill 是未来：模块化、可复用的智能体技能将成为 AI 应用开发的主流范式
六、延伸阅读
结语
从 LLM 到 Agent Skill，这条技术演进路线清晰地展示了 AI 从"能说话"到"能做事"的转变过程。对于开发者而言，理解这套知识体系不仅是学习新技术的需要，更是把握未来发展趋势的关键。
希望本文能帮助你建立起清晰的认知框架。接下来，最好的学习方式就是动手实践——选择一个你感兴趣的方向，从小项目开始，逐步深入。
记住：AI 技术的本质是赋能，而非替代。掌握这些工具，你将能够创造出前所未有的价值。
欢迎加入 MCP 技术社区！与志同道合者携手前行，一同解锁 MCP 技术的无限可能！
更多推荐
18
0- 0
已为社区贡献1条内容
所有评论(0)