有时候挺怀念两年前的。那时候 AI 圈就一个主角：ChatGPT。

现在呢？每天早起一睁眼，感觉自己像个被时代追债的。Harness、Hermes、MCP、Agent……这些词像雨后春笋一样冒出来，你要是没听过，甚至都不好意思在朋友圈里点赞。

但我发现一个挺逗的事儿：很多人能熟练拼写这些单词，却讲不清它们到底干嘛用的。

为了不让大家继续"装模作样"地懂下去，我花了点时间，把这一大堆零散的拼图拼在了一起。相信我，看完这篇，再听到这些词，你心里就有底了。

---

一、先说最底层：LLM 是什么？

LLM（Large Language Model，大语言模型）就是整个 AI 故事的发动机。

你可以把它想象成一个"超级大脑"——它读过互联网上几乎所有的文字，然后学会了怎么用语言回答问题、写代码、做分析。GPT-5、Claude、Gemini，这些都是 LLM。

它的本质只有一件事：给定一段文字（输入），预测下一段文字（输出）。

听起来很简单，但"预测文字"这件事做到极致，就能回答你的问题、帮你改代码、甚至陪你聊天解闷。

---

二、Token：LLM 眼里世界的最小单位

LLM 不像人一样逐字阅读，它把文字切成一小块一小块——这叫 Token。

“我今天很开心"这句话，可能会被切成"我”、“今天”、“很”、"开心"四个 Token。英文里 “hello” 是 1 个 Token，“understanding” 可能是 2 个。

Token 的意义在哪？

1. 它决定了费用。调用 API 是按 Token 计费的，输入多少、输出多少，都算钱。
2. 它决定了"记忆上限"。每个 LLM 都有 Context Window（上下文窗口），本质上就是"最多能处理多少个 Token"。超了就忘，不超就记得。

一个实际感受：GPT-4o 的上下文窗口大约是 128K Token，Claude 3.5 是 200K，大概能塞进去一本中等厚度的小说。

---

三、Context（上下文）：AI 的"短期记忆"

你跟 AI 聊天，它为什么能记住你刚才说的话？

因为每次你发送消息，系统都会把整段对话历史一起打包发给 LLM。这个"打包发过去的完整对话"，就叫 Context（上下文）。

AI 没有真正的记忆，它只是每次都"读了一遍所有聊天记录"然后再回复你。

这就是为什么聊天窗口有时候会失忆——对话太长，超过了 Context Window，早期的内容就被截掉了。

---

四、Prompt：你给 AI 下的"任务书"

Prompt 就是你发给 AI 的那段话。

但 Prompt 的讲究很多。同样是让 AI 写一篇文章：

• 糟糕的 Prompt：「帮我写篇文章」
• 好的 Prompt：「你是一名写过 10 年科技评论的编辑，面向 25-35 岁的互联网从业者，帮我写一篇关于 AI Agent 的科普文章，口吻接地气，不超过 1500 字」

差距就像跟一个聪明人说"你去帮我办事"和"你去银行，帮我取 2 万现金，带好这个存折"——越具体，结果越准。

System Prompt 是一种特殊的 Prompt，它在对话开始前就被设置好，用来告诉 AI “你是谁、你的规则是什么”。很多 AI 产品的"人设"，其实就靠这个设定的。

---

五、Agent：让 AI 从"回答问题"变成"做事"

前面说的 LLM + Prompt + Context，组合在一起，AI 能干的事还只是"聊天"——你问它答。

Agent（智能体）是更进一步的概念：让 AI 有能力自己规划步骤、调用工具、完成任务。

举个例子。你问 ChatGPT：“帮我查一下今天上海的天气”——它没有联网功能的话，只能说"我不知道"。

但如果你给它配上一个"搜索工具"，让它能自己去调用搜索引擎，那它就变成了一个 Agent：

1. 收到你的问题
2. 判断需要搜索
3. 调用搜索工具，拿到结果
4. 整理后回复你

Agent = LLM（大脑）+ Tools（工具）+ 自主规划能力

它不再只是"回答者"，而是"执行者"。

---

六、Tool（工具）：Agent 的"手脚"

Agent 之所以能干事，是因为它有 Tool。

Tool 就是 AI 能调用的功能模块，比如：搜索网页、读取文件、执行代码、发送邮件、操作数据库。

你可以把 Agent 想象成一个新来的员工，LLM 是他的大脑，Tool 是他桌上的各种工具：电话、电脑、计算器……

工具给了多少，他能做的事就有多少。

---

七、Skill：比 Tool 更"组装好"的能力包

Tool 是单个工具，而 Skill 是把几个工具打包成一个"完整技能"。

比如"写周报"这件事，可能需要：读取本周任务清单、汇总完成情况、按固定格式输出、发送到指定邮箱。

这四步如果每次都要手动定义，太繁琐。把它们打包成一个叫"写周报"的 Skill，以后直接调用就行。

Tool 是零件，Skill 是组装好的功能模块。

在 Hermes Agent、OpenClaw 这类产品里，Skill 还有更进一步的含义——它可以是 Agent 在完成一项复杂任务之后，自己总结出来、存下来、下次直接复用的经验文档。等一下细说。

---

八、MCP：让 AI 和外部世界说同一种语言

Tool 的问题在于：不同的 AI 平台，接入工具的方式各不相同。你今天给 Claude 加了个搜索工具，明天换成 GPT，又要重新接一遍，格式完全不一样。

MCP（Model Context Protocol，模型上下文协议）就是来解决这个问题的。它是 Anthropic 提出的一个开放协议——相当于给 AI 接外部工具定了一个统一标准。

就像 USB 接口的出现，让所有设备不用再为"接口不兼容"发愁一样，MCP 让 AI 接任何工具都能用同一套规范。

工具开发者只需要按 MCP 规范封装一次，所有支持 MCP 的 AI 都能用。Claude、Cursor、各类 IDE 插件，现在都在接入 MCP。到了 2025 年，MCP 已经成为 AI 接工具事实上的通用标准，Hermes Agent、OpenClaw 这类主流 Agent 框架，也都把 MCP 支持列为标配。

---

九、Harness：套在 LLM 外面那层"缰绳"

这个词是 2025-2026 年间悄悄火起来的，但很多人没听懂它在讲什么。

Harness 的本义就是马具、套具——套在马身上用来驾驭它的那套东西。这个比喻在 AI 圈被直接拿来用，非常形象：

LLM 是一匹劲头十足的马，有蛮力，但没有方向感，也不知道"停"是什么意思。Harness 就是套上去的缰绳、辔头和控制系统。

具体来说，Agent Harness 是包裹在 LLM 外面的那一整套执行基础设施——它决定了：

• Agent 能看到什么（Context 管理）
• Agent 能做什么（工具授权和限制）
• Agent 做错了怎么办（验证和自我纠错机制）
• Agent 什么时候应该停下来（人工介入控制）

2025 年年底，HashiCorp 联合创始人 Mitchell Hashimoto 发了一篇文章，把这个概念叫做"Harness Engineering"（套具工程）：每次 Agent 出错，就把修复措施永久写进它的执行环境里。随后 Anthropic 和 OpenAI 相继发文跟进，这个词就这么传开了。

一个很反直觉的例子：Vercel 在构建自家 AI 编程 Agent 时，把 Agent 可用的工具删掉了 80%，结果任务完成质量反而提升了。工具越多，Agent 越容易选错、越容易兜圈子。Harness 的工作之一，就是替 Agent 做减法。

另一个例子更有意思：有个团队发现 Agent 在处理长任务时会"偷懒"——不是因为能力不够，而是它察觉到 Context 窗口快满了，开始抢着收尾。解决方案不是换模型，而是改 Harness：给它配一个假的"充裕感"，让它以为窗口还大得很。问题消失了，模型一行代码没动。

总结起来就一句话：模型决定 Agent 能有多聪明，Harness 决定 Agent 能不能真正可靠地干活。

---

十、多智能体（Multi-Agent）：让一群 AI 协作干大事

单个 Agent 能做的事有上限——Context 有限、能力有限、速度有限。

多智能体（Multi-Agent）是让多个 Agent 分工协作，像一个团队一样完成复杂任务。

比如你要做一份市场分析报告：

• Agent A 负责搜集资料
• Agent B 负责分析数据
• Agent C 负责写报告
• Agent D 负责排版输出

每个 Agent 专注自己的一块，最后汇总。效率和质量都远超单个 Agent 硬撑。

多智能体的关键挑战是协调：谁先做、谁传给谁、出错了怎么办。MCP 在这里也有用武之地，它能让不同 Agent 之间共享状态和工具。

---

十一、Claude Code：专门干编程活的 Agent

说完了这些基础概念，来说几个具体产品。

Claude Code 是 Anthropic 推出的编程专用 Agent。

它不是一个简单的"代码补全工具"，而是一个真正能在你的项目里"干活"的 Agent：理解你的整个代码库、自己写代码修 Bug、执行命令运行测试、遇到问题自己调试。

你可以把它理解为：一个真正能在你电脑上干编程活的 AI 程序员，而不只是在聊天框里给你建议。

它的底层是 Claude，配了访问文件系统、执行终端命令等各种 Tool，是一个完整的 Coding Agent。值得一提的是，Claude Code 本身就是一个精心设计了 Harness 的产品——同样的 Claude 模型，套上专为编程任务设计的执行环境，行为就跟普通聊天完全不一样。

---

十二、OpenClaw：2025 年底横空出世的个人 AI 助手

如果你最近几个月一直在刷技术圈，不可能没听说过 OpenClaw。它的爆红速度，被很多人比作当年 ChatGPT 第一次亮相时的那种冲击感。

OpenClaw 是一个开源的个人 AI Agent，由奥地利开发者 Peter Steinberger 在 2025 年 11 月发布。

它的核心设计思路很直接：把 LLM 的能力，直接接进你本地电脑和你常用的通讯工具里。

你在 WhatsApp、Telegram、微信发一条消息，OpenClaw 就在你的电脑或服务器上真正地"干活"——读文件、跑代码、发邮件、搜网页、操作浏览器……它不是在聊天框里给你建议，而是真的替你执行。

有个用户分享说，他让 OpenClaw 处理收件箱，两天内自动整理、分类、草拟回复了 4000 多封未读邮件。这种事以前要么靠人肉、要么靠一堆繁琐的自动化脚本，现在一句话搞定。

关于这个项目名字的来历，还有个小插曲：它最早叫 Clawdbot，因为名字太像 Anthropic 的 Claude，被提出商标投诉，改名 Moltbot，但作者觉得这名字"念起来太拗口"，三天后又改成了 OpenClaw——名字里那只龙虾的意象，也就这么传开了。

OpenClaw 爆红的速度在开源历史上也属罕见——约 60 天内收获了 GitHub 24 万颗 Star、近 5 万个 Fork，甚至引发了中国开发者社区的大规模移植：接入了 DeepSeek、适配了微信。Tencent 和 Z.ai 都宣布推出基于 OpenClaw 的服务。

OpenClaw 的核心架构不复杂，但设计得很聪明：一个长期运行在本地的后台进程（Gateway）统一接收你各个 app 的消息，交给 LLM 决定调用哪些 Tool，Tool 在你的机器上真正执行，结果回传到你的消息 app。

也支持 MCP，可以扩展接入各种第三方服务。Skill 机制类似 Hermes，社区里已经有上百个现成的 Skill 可以直接装上用。

当然，OpenClaw 也有隐患。因为它要访问你的文件、邮件、命令行，安全配置不当风险不小。安全研究机构发现过多个漏洞，也有研究人员扫出数万个配置裸奔在公网的 OpenClaw 实例。这工具很强，但"如果你搞不定命令行，这个项目对你来说太危险了"——这句话是 OpenClaw 的一个核心维护者自己说的。

---

十三、Hermes Agent：能自我进化的开源 Agent

Hermes Agent 是 Nous Research 推出的开源 AI Agent，2025 年初正式发布。

Nous Research 这个名字在模型圈有点分量——他们是 Hermes 系列开源模型的幕后团队，也是最早把"工具调用能力"这件事做得比较好的一批人。而 Hermes Agent，是他们把模型研究积累转化成产品的一次落地。

和 OpenClaw 的"接管你的电脑"路线不同，Hermes Agent 走的是另一个方向：它活在你的服务器上，跨 session 记住一切，并且能从每次使用中主动学习、越用越聪明。

几个核心特点值得单独说：

跨 session 的持久记忆。 普通聊天 AI，关了窗口就忘了。Hermes Agent 不一样——它把每次对话都存入 SQLite，支持全文搜索，几周前你们讨论过的项目，它还能翻出来接着干。它还维护两个小文件：一个记它了解到的你的工作环境和项目习惯（MEMORY.md），一个记你的偏好和沟通风格（USER.md）。每次新对话开始，这两个文件会自动注入到 System Prompt 里——等于它每次跟你说话，都带着"对你的了解"开场。

自动生成 Skill，边用边涨本事。 这是 Hermes Agent 最有意思的设计。当它完成了一件比较复杂的任务（大概调用了 5 个以上的 Tool），它会自动把这次的解决思路整理成一个 Skill 文档，存下来。下次遇到类似问题，直接调用这个 Skill，不用从零推理。而且 Skill 在使用中还会持续迭代优化。换句话说，你用得越多，它就越会干活，而不是每次都要重新教它。

随时随地触达。 它支持 Telegram、Discord、Slack、WhatsApp、Signal、邮件、命令行，从任何设备发消息就能用。你可以让它在一台云服务器上 24 小时运行，你出门在外用手机发条 Telegram，它在那台你从没 SSH 进去过的机器上自己把事办了。

和 OpenClaw 比，Hermes Agent 更强调"自主学习和自我改进"，OpenClaw 更强调"手动配置、精确控制"。两个思路各有侧重，取决于你更倾向于信任 Agent 自己摸索，还是自己掌控每一步。

另外值得一提的是，Hermes Agent 还内置了一条迁移命令：如果你之前用过 OpenClaw，可以一键把配置、记忆、Skill 和 API 密钥全部导入 Hermes——也算是侧面印证了两个项目之间的竞争关系。

---

十四、把所有概念串起来

读到这里，这些词应该在你脑子里有具体形状了。让我用一个完整的比喻把它们串起来：

想象一家软件公司。

LLM 是聪明但需要管束的新人；

Prompt 和 Context 是他每次上班前收到的工作简报；

Tool 和 Skill 是他的工具箱和操作手册；

Harness 是公司给他套上的工作规范，规定了他能做什么、不能碰什么、出错了怎么上报；

Agent 是他能独立干活的状态；

多智能体是整个项目组；

MCP 是大家共用的协作规范；

OpenClaw 和 Hermes Agent，则是把这一切打包好、你可以直接装进自己电脑的成品。

---

十五、最后说一句

这些概念单独看都不难，难的是它们互相嵌套、互相依赖，一旦没有整体感，看到新名词就发懵。

其实只要记住一个核心逻辑：

LLM 是大脑 → Prompt + Context 是输入 → Tool/Skill 是手脚 → Harness 是控制系统 → Agent 是能干活的人 → 多智能体是团队 → MCP 是协作规范 → OpenClaw/Hermes Agent 是落地产品形态

把这条链条刻进脑子里，以后不管再冒出什么新词，你都能找到它在哪个位置挂靠。

OpenClaw 和 Hermes Agent 的爆红，某种程度上标志着"AI Agent 真的开始进入普通人的日常"——不再只是实验室里的概念，而是能装在手机里、接进微信的东西。

这条路刚开了个头，但方向已经很清楚了。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】