从 LLM 到 Agent Skill —— 一文打通 AI 核心概念底层逻辑
你是否经常听到LLM、Token、Prompt、RAG、Agent这些词，却总觉得一知半解？
别担心，这篇文章用最通俗的方式，把这10个AI核心概念一次性讲清楚。
1. LLM —— 大 Language Model（大语言模型）
一句话理解：LLM 就是 AI 的"大脑"，一个见过天文数字文本的超级读书人。
它读了整个互联网级别的文字（书籍、文章、代码、对话），所以它学会了：
- 语言规律（语法、表达方式）
- 知识储备（事实、概念、逻辑）
- 推理能力（回答问题、写代码、做总结）
类比：就像一个读了全世界所有书的学霸，你问什么他都能接上话。
💡 常见例子：GPT-4、Claude、文心一言、通义千问 都是 LLM。
2. Token —— AI 的"最小语言单位"
一句话理解：Token 是 LLM 理解语言的最小碎片。
当我们说一句话时，LLM 并不是按"字"来理解的，而是按Token。
| 中文示例 | Token 拆分 |
|---|---|
| “我喜欢AI” | [“我”, “喜欢”, “AI”]（约3个token） |
| “你好世界” | [“你好”, “世界”]（约2个token） |
关键记忆：
- 1 个汉字 ≈ 1~2 个 Token
- 1 个英文单词 ≈ 1 个 Token
- 计费按 Token 算，不是按字数！
输入： "请帮我写一首诗" → 拆成 Tokens → LLM 处理 → 生成回答💡通俗理解：Token 就像是 AI 的"乐高积木块"，积木块越小，能拼出的内容越精细。
3. Context —— 上下文
一句话理解：Context 就是 AI 当前"看到"的所有内容。
你和 AI 的每一次对话，前面说了什么，这些都属于 Context。
你: "帮我写一首关于春天的诗" AI: "春风拂面..." ← 这是第一轮 你: "再写一首关于夏天的" AI: 因为有 Context，它知道 "再" 是指 "再写一首诗" ← 上下文起作用了！没有 Context 会怎样？
每一轮对话 AI 都会"失忆"，就像每次都要重新认识一个新朋友。
4. Context Window —— 上下文窗口
一句话理解：AI 一次性能"记住"的最大信息量。
每个 LLM 都有一个Context Window大小限制：
| 模型 | Context Window |
|---|---|
| 早期 GPT-3 | 4K Tokens（约3000字） |
| GPT-4 Turbo | 128K Tokens |
| Claude 3 | 200K Tokens |
通俗比喻：
- Context Window 就像 AI 的"工作台"
- 工作台越大，能同时处理的信息越多
- 你扔一本500页的书上去，如果工作台不够大，它就只能看到前面一部分
⚠️注意：超出 Context Window 的内容，AI 会直接"忘记"。
5. Prompt —— 提示词
一句话理解：Prompt 就是你给 AI 的"指令"。
这是你和 AI 交互的主要方式。写 Prompt 就像在"给 AI 布置作业"。
❌ 糟糕的 Prompt： "写个文案" ✅ 好的 Prompt： "你是一位资深营销专家，请为一款面向年轻人的智能手表写3条朋友圈文案， 要求：每条不超过50字，风格活泼，突出健康监测功能。"Prompt 之所以重要，是因为 LLM 的输出质量严重依赖输入质量。
这就是为什么现在有一个专门的职业叫Prompt Engineer（提示词工程师）。
6. User Prompt —— 用户提示词
一句话理解：就是你（用户）直接输入给 AI 的那句话。
用户输入: "请用Python写一个计算斐波那契数列的函数" ↑ 这是 User PromptUser Prompt 是对话中最直观的部分，你想让 AI 做什么，直接告诉它。
7. System Prompt —— 系统提示词
一句话理解：System Prompt 是 AI 的"人设"和"行为准则"，用户看不到但时刻在起作用。
System Prompt（开发者设置的，用户看不到）: "你是一个专业的数学辅导老师，回答要耐心细致， 多用举例说明，不要直接给出答案，要引导学生思考。" User Prompt（用户输入的）: "帮我解这道题：x² - 5x + 6 = 0" AI 回答: "我们来一步步分析这个方程： 第一步，这是一个一元二次方程... （引导式教学，而不是直接给答案）"类比：
- System Prompt= 公司的员工手册（规定行为准则）
- User Prompt= 客户今天提的需求
8. Tool —— 工具调用
一句话理解：让 AI 能"动手做事"，而不仅仅是"动嘴说话"。
纯 LLM 只能输出文字，但有了 Tool 能力，AI 可以：
| 工具类型 | 能做什么 |
|---|---|
| 计算器 | 精确计算数学题 |
| 搜索引擎 | 查实时信息 |
| 代码执行器 | 运行 Python 代码 |
| 数据库查询 | 查用户订单 |
| API 调用 | 发邮件、订机票 |
用户: "帮我查一下北京的天气" ↓ LLM 识别需要调用工具 → 调用天气查询 API → 拿到结果 → 回复用户 ↑ 这就是 Tool 调用的威力💡没有 Tool 的 LLM：理论家，只会说不会做
有 Tool 的 LLM：工程师，能说会做
9. MCP —— Model Context Protocol（模型上下文协议）
一句话理解：MCP 是 AI 世界的"USB 标准接口"。
在 MCP 出现之前，每个 AI 连接外部工具都需要定制开发：
传统方式（每个工具都要单独适配）: LLM ←→ 自定义代码 ←→ 天气 API LLM ←→ 自定义代码 ←→ 数据库 LLM ←→ 自定义代码 ←→ 文件系统 每个连接都要写一套新代码 ❌ MCP 方式（统一标准）: LLM ←→ MCP 协议 ←→ 天气服务器 LLM ←→ MCP 协议 ←→ 数据库服务器 LLM ←→ MCP 协议 ←→ 文件系统 一次适配，到处使用 ✅类比：
没有 MCP 之前，每个外设都要自己焊线接电脑。
有了 MCP 之后，就像有了 USB 接口 —— 即插即用。
10. Agent / Agent Skill —— 智能体 & 智能体技能
一句话理解：Agent 是能自主思考+行动的 AI，Agent Skill 是它的"专业技能"。
把前面的所有概念串起来：
┌──────────────────────────────────────┐ │ Agent │ │ ┌────────────────────────────────┐ │ │ │ LLM (大脑) │ │ │ │ + Context Window (工作台) │ │ │ │ + System Prompt (人设) │ │ │ ├────────────────────────────────┤ │ │ │ 工具库 (Agent Skills) │ │ │ │ ├─ 搜索 Skill │ │ │ │ ├─ 代码 Skill │ │ │ │ ├─ 数据分析 Skill │ │ │ │ └─ MCP 连接的更多 Skill... │ │ │ └────────────────────────────────┘ │ └──────────────────────────────────────┘Agent 的工作流程：
接收到任务 ↓ 理解任务（LLM + Context） ↓ 规划步骤（思考） ↓ 调用工具/技能（Tool/MCP） ↓ 获取结果 ↓ 继续推理，直到任务完成通俗例子：
你让 AI 助手"帮我订一张下周去北京的机票"：
- Agent 理解需求（LLM）
- 查询你的日程（调用日历 Tool）
- 搜索航班（调用搜索 Tool）
- 比价推荐（分析能力）
- 下单支付（调用支付 Skill）
- 把确认信息发给你
这就是 Agent 的威力 ——不只是聊天，而是真正帮你完成任务。
总结：一张图看透所有概念的关系
你输入问题 │ ▼ User Prompt ──→ 进入 Context Window │ ▼ System Prompt 设定行为准则 │ ▼ LLM 处理 Token（理解+推理） │ ┌──────────┼──────────┐ ▼ ▼ ▼ 纯文本回答 调用 Tool 使用 MCP 连接外部服务 │ │ │ └──────────┼──────────┘ ▼ Agent 自主完成任务 │ ▼ 返回最终结果给你进阶阅读
如果你对这些概念想深入了解，可以按这个路径学习：
- 入门：先用好 Prompt（提示词工程）
- 进阶：了解 Token 机制和 Context Window 限制
- 高级：学习 Tool Calling 和 MCP 协议
- 专家：搭建自己的 Agent，组合多个 Agent Skills
本文内容整理自 B站 UP主「马克的技术工作坊」的视频《从 LLM 到 Agent Skill，一期视频带你打通底层逻辑！》
