表格方式用途能否直接问答扩展性调试检索、验证召回效果❌ 仅返回文档，无 LLM弱，原始接口，不易接入更多中间组件正式业务 RAG 服务✅ 完整问答链路强，可叠加重排序、上下文压缩、对话记忆等。

20 世纪 80-90 年代深度学习的 “失败”，本质是 “技术需求（深层网络）” 与 “技术能力（无梯度稳定方案）” 的严重不匹配，而梯度消失问题正是这一不匹配的集中体现 —— 它直接堵死了深层网络的训练路径，让深度学习在与传统机器学习的竞争中全面落败，进入长达十余年的寒冬。

Guardrails = LLM 的安全护栏 + 格式约束器 + 合规过滤器不限制能力，只防止闯祸，企业级 AI 应用必备。格式校验：必须是合法 JSON、字段齐全、类型正确内容审核：是否有毒、是否幻觉、是否偏离主题事实核查：和知识库 / RAG 文档比对，防止瞎编二次修正：不合格就重写、截断或拒绝回答。

二者是 2025–2026 主流，分别由 AWS、Google 推出，对标 Cursor、Continue，主打全流程自动化工程开发，下面分开介绍并横向对比。

是给 LLM 智能体预先定义好的、标准化的，告诉大模型「它能完成哪些细分工作、每种任务该怎么做、输出什么格式」，是 Agentic Coding（编程智能体）的核心组成部分。对应你上一张图里的Skills分层，由一份份Skill.md文件统一管理。

是 AI Agent 体系里的核心认知模块，相当于智能体的 “大脑思考中枢”。Reasoner= 负责逻辑规划、迭代收敛（Progressive Closure）的思考层；Skills= 封装好的标准化业务执行流程；Tools= 底层可调用操作（读文件、终端、Git）。

相当于 AI 的 USB-C 接口，统一规范模型访问外部资源（工具、数据库、文件、实时 API），是。：封装一套完整任务流程（SOP、函数调用、思考步骤），靠提示词 / 函数描述定义，：外置向量数据库存文档，提问时检索相关片段塞入上下文，：训练更新模型权重，知识永久内化，对应你之前那句。：Anthropic 推出的。

是大模型解决复杂问题时拆分后的有序分步逻辑数组人工提示词可引导生成；深度推理模型原生结构化输出；可通过参数控制推理步数；用于提升正确率、提供可解释性、支撑 Agent 自反思与工具调用。

2.和 MCP 理念结合的内核（答题精简版） 很多人误以为只要提升上下文长度，模型就能够使用外部工具。这句话否定该思路： 上下文窗口只是被动承载信息；而 MCP 协议让模型按需访问外部资源，工具和模型之间解耦。模型不用一次性加载海量内容，通过协议按需请求数据、执行指令，这就是 Model‑Native Architecture 的核心逻辑。实现模型对接外部工具生态，不在于扩充上下文容量，关键在于构

大模型厂商计费规则普遍按照 token 数量计价：输入的提示词（问题、历史对话）和模型输出的回答全部折算成 token。中文大致 1‑2 个汉字占 1 个 token。内容越长，token 越多，花钱越多。举例子：冗长冗余的历史对话、多余注释、无效描述会无谓消耗 token，拉高开销；每一款大模型都规定了最大 token 上限，也就是上下文窗口。窗口包含两部分：历史聊天内容 + 你的最新提问 +