目录

1.LLM大模型

核心定义与架构

2.数据处理单元：Token

核心特性

Token 与自然语言单位的关系

量化参考

3.context上下文（临时记忆体）

核心概念

主流模型 Context Window 对比

context Window上下文窗口

4.RAG

5.Prompt提示词

定义与分类

Prompt Engineering 提示词工程

6. 外部能力扩展：Tool

核心作用

工作流程

角色分工

7.工具标准化：MCP

8.自主决策系统：Agent

9. 任务定制：Agent Skill

核心功能

技术实现

10.总结

「概念体系层级关系」

补充细节

---

1.LLM大模型

核心定义与架构

• LLM 全称：Large Language Model（大语言模型），简称大模型
• 底层架构：基于 Transformer（2017 年 Google 团队在论文《Attention is All You Need》中提出）
• 工作原理：本质是文字接龙游戏，通过预测下一个概率最高的词生成连续文本。
• 发展里程碑

时间	事件	意义
2017 年	Transformer 架构提出	奠定大模型技术基础
2022 年底	GPT-3.5 发布	首个达到可用级别的大模型
2023 年 3 月	GPT-4 发布	大幅提升 AI 能力天花板
2023 年后	Claude、Gemini 等模型涌现	AI 赛道从 OpenAI 独角戏变为多强竞争

2.数据处理单元：Token

核心特性

• 定义：大模型处理文本的最小单位，通过 Tokenizer（分词器）将文本切分为片段
• 编码过程：分两步 ——①文本切分为 Token ②映射为 Token ID（数字）
• 解码过程：将 Token ID 还原为文本（无需切分步骤）

Token 与自然语言单位的关系

表格

语言单位	与 Token 的关系	示例
中文词语	非一一对应，可能被拆分	“工作坊”→“工作”+“坊”
英文单词	常见词通常对应 1 个 Token	“hello”→1 个 Token
复杂单词	可能被拆分	“helpful”→“help”+“ful”
特殊字符	可能需多个 Token 表示	“✅”→3 个 Token

量化参考

• 1 个 Token ≈ 0.75 个英文单词
• 1 个 Token ≈ 1.5-2 个汉字
• 40 万 Token ≈ 60-80 万汉字 或 30 万英文单词

所以token是大模型处理文本的最基本单元。

token和词并没有什么明确的一一对应的关系，可以把token理解成 模型自己学会的一套文本切分规则，切出来的每一块就是它一次能够处理的最小单位；

3.context上下文（临时记忆体）

核心概念

• 定义：大模型每次处理任务时接收的信息总和，相当于模型的 "临时记忆"
• 组成部分：用户问题、对话历史、当前输出 Token、工具列表、System Prompt 等
• 容量限制：由 Context Window（上下文窗口）定义，即最大可处理的 Token 数量

主流模型 Context Window 对比

表格

模型	Context Window（Token）	约合汉字数量
GPT-5.4	105 万	约 157.5 万
Gemini 3.1 Pro	100 万	约 150 万
Claude Opus 4.6	100 万	约 150 万

context就是大模型每次处理任务时所接收到的信息总和

context多大，能塞多少token？

context Window上下文窗口

代表：context能容纳的最大【token数量】

4.RAG

突破 Context Window 限制的方案

• RAG 技术（检索增强生成）：从知识库中抽取与问题最相关的片段，仅将关键信息送入模型，降低 Token 消耗

retrieval-augmented generation 检索增强生成

先从资料库里检索相关内容，再基于这些内容来生成答案

5.Prompt提示词

含义：大模型接收的具体问题或指令。

定义与分类

• Prompt：给大模型的问题或指令，决定模型输出质量
• Prompt 分类：

• • User Prompt：用户输入的具体任务（如 "帮我写一首诗"）
  • System Prompt：开发者后台配置的人设与做事规则（如 "你是一个耐心的数学老师，当学生问你数学问题时，不要直接给答案，而是要一步步引导学生思考，帮助他们理解解题的思路"）

Prompt Engineering 提示词工程

• 核心原则：清晰、具体、明确
• 现状：曾经重要，但现在重要性下降，原因
• ①门槛低（本质是 "把话说清楚"）②大模型能力提升，可推测模糊意图

6. 外部能力扩展：Tool

核心作用

• 定义：大模型调用的外部函数，使其能够感知和影响外部环境
• 解决痛点：弥补大模型无法获取实时信息（如天气）、计算能力有限等弱点

工作流程

1. 用户提问→平台转发（含工具列表）
2. 大模型分析→生成工具调用指令
3. 平台执行调用→获取结果
4. 大模型整理结果→自然语言输出

角色分工

表格

角色	职责
大模型	选择工具、生成参数、归纳结果
工具	执行具体功能（如查询天气）
平台	转发信息、执行工具调用

有人可能以为调用工具的是模型，但是模型能做到的仅仅是输出一段文本，告诉平台它想要调用哪个工具，调用工具最终是由平台来完成的。

tool本质就是给大模型提供一套它可以调用的外部能力，让大模型能够感知和影响外部环境。

7.工具标准化：MCP

• 全称：Model Context Protocol（模型上下文协议）
• 本质：理解为统一的工具接入标准，解决不同平台工具接入规范不统一的问题
• 比如：openAI、Anthropic、Google 三个平台各自有接入规范，用一个要写一个接入规范。所以想搞一个统一的技术规范标准
• 就像手机都统一用 type c 充电口统一标准
• 价值：工具开发者只需按 MCP 规范开发一次，即可在所有支持 MCP 的平台使用（类比手机 Type-C 接口）

model context protocol 模型上下文协议，统一的工具接入标准

平台需要：1.平台要把工具列表传给模型；2.能调用工具；

要做到这些，首先要把工具接入到平台里面，这样平台才知道可用工具列表以及每个工具的用途，参数和调用方法等等。

问题是：这套接入的规范每个平台都不一样，

如果用的是chatgpt,得按照openAI的规范接入工具，写一套接入代码；

如果用的是Claude,得按照Anthropic的规范接入，再写一套接入代码；

如果用的是Gemimi,得按照Google的规范接入，再写一套接入代码。

同一个工具要写3遍，因为每个平台的接入规范都不一样，所以能不能搞一个统一的标准，让所有平台都遵循这个标准，这样工具的开发者只需要写一次代码，就可以在所有平台上使用了。

这个就是MCP由来。

大模型借助工具感知外部世界，工具又可以使用MCP这种方式统一接入。

8.自主决策系统：Agent

• Agent 定义：能够自主规划、自主调用工具，持续工作直至完成用户任务的系统
• 核心能力：多步骤推理、工具选择、流程控制
• 代表产品：Claude Code、Codex、Gemini CLI 等
• 典型构建模式：React、Plan and Execute 等

能够自主规划，自主调用工具 直至完成用户任务的系统为Agent

9. 任务定制：Agent Skill

含义：本质上就是你提前写好塞给Agent的一份说明文档。

核心功能

• 定义：给 Agent 的说明文档，包含任务规则、执行步骤、输出格式等
• 结构：

• • 元数据层：名称（name）、描述（description）、示例
  • 指令层：目标、执行步骤、判断规则、输出格式、示例

技术实现

• 存储形式：Markdown 文档（文件名必须为SKILL.md）
• 存放位置：特定目录（如 Claude Code 找到用户目录的claude/skills文件夹）
• 加载机制：仅在用户问题与技能名称 / 描述相关时加载完整指令

10.总结

「概念体系层级关系」

LLM（核心引擎）→ Token（数据单元）→ Context（记忆空间）→ Prompt（交互接口）→ Tool（外部能力）→ MCP（工具标准）→ Agent（决策系统）→ Agent Skill（任务定制）

补充细节

• Transformer 架构：虽由 Google 提出，但由 OpenAI 通过 GPT 系列引爆应用
• Token 切分原理：基于 BPE（字节对编码）算法，模型自主学习文本切分规则
• Agent Skill 高级特性：支持运行代码、引用资源，采用渐进式披露机制节省 Token
• RAG 技术：通过检索相关片段而非全文，有效解决 Context Window 限制问题