你刷到一个 AI 教程，标题写着"用 Agent + MCP 搭建自动化工作流"，点进去十秒就退出来了——LLM、Prompt、Token、RAG、微调，每个词都认识，连起来就是天书。

收藏夹里已经躺了七八篇"AI 入门"，但你就是没看完过任何一篇。

问题不在你。是这些文章都在用"黑话解释黑话"。

今天换一种讲法：把整个 AI 想象成一家公司。公司里有员工、有前台、有资料室、有培训、有插座标准——这些概念你熟，把它们一一对上号，那些术语就全通了。

「AI 圈的黑话不是难，是没人愿意把它翻译成你早就懂的东西。」

---

一、LLM：公司里那个"只会动嘴"的员工

LLM（大语言模型）是这一切的地基。你可以把它理解成公司里最核心的那个员工。

这个员工有个特点：知识面极广，但手无缚鸡之力。

你问它"红烧肉怎么做"，它能口述得明明白白；你让它"帮我查一下明天北京天气然后发封邮件"，它做不到——因为它既没有联网查天气的手，也没有发邮件的脚。

它还自带两个毛病：一是记性有时点，它学过的知识有截止日期，之后发生的事它不知道；二是爱一本正经地胡说，你问它"林黛玉为什么倒拔垂杨柳"，它可能真给你编一段，而且语气笃定。

记住这个员工的样子，后面所有术语，都是在给这个"光说不练"的员工补上能力。

---

二、Prompt：你给员工下的任务指令

既然员工只按指令办事，那你怎么下指令，就成了关键。

Prompt（提示词）就是你发给这个员工的任务单。

"帮我写个周报"是 Prompt；"帮我写个周报，面向领导，突出三个数据亮点，控制在 200 字"也是 Prompt。同一个员工，指令给得越具体，产出越靠谱。

「对 AI 说话，就像对实习生布置工作——你不说清楚，它就自由发挥给你看。」

这就是为什么网上有"Prompt 工程师"这个说法：不是玄学，是把话说清楚的能力，从写作迁移到了和 AI 协作上。

---

三、Token：公司内部的计费单位

这家公司不按月发工资，而是按"字数"计费——这个计数单位，叫 Token。

你每和员工说一句话、员工每回你一句话，都会拆成一堆 Token。中文里，一个汉字大约对应 1 到 2 个 Token，英文一个单词也差不多。

所以你会发现：让 AI 写 100 字和写 1000 字，花的钱不一样；你翻来覆去让它"重写一遍"，每次都在烧 Token。

「你以为你在跟 AI 聊天，其实你在按字付钱——这就是为什么长对话和长文档更烧钱。」

现在你明白"上下文窗口"是什么意思了：就是这位员工一次最多能记住多少个 Token。超出窗口，它就把最开头说的话给忘了——不是装傻，是真的"内存"满了。

---

四、API：公司的前台接待处

你自己跟员工对话，叫"直接用人"。

但如果你的网站、App 也想调用这位员工的能力，就不能每次都派个人去当面说，得走一个标准化的入口——这个入口，叫 API（应用程序接口）。

API 就是公司的前台接待处：你按固定格式递一份申请（比如"帮我翻译这段文字"），前台把活儿传给员工，再把结果按固定格式还给你。

为什么它重要？因为有了 API，AI 的能力才能被成千上万个软件"接入"。你手机里那些 App 里的"智能助手"，背后多半就是通过 API 在调用某个大模型。

---

五、Tool：给员工配的工具

光会动嘴的员工，办不成实事。怎么办？给它发工具。

Tool（工具）就是这个员工手里的家伙——可以是计算器、搜索引擎、天气接口、你的数据库、发邮件的程序。

关键机制叫"函数调用"：当员工发现"这道题我不会算"，它不硬编，而是举手说我要用计算器，调一下工具，拿到结果再继续回答。

「光动嘴的员工不可怕，可怕的是你不给它配工具，还怪它办不成事。」

到这里，“员工 + 工具"已经能查天气、查数据、发邮件了。但它还是一令一动：你说一步，它做一步。下一个概念，就是让它自己会"安排活儿”。

---

六、Agent：能自己规划执行的项目经理

Agent（智能体）是这家公司从"员工"进化出的"项目经理"。

普通的 LLM 是你问一句、它答一句。Agent 不一样——你给它一个目标，它自己拆任务、自己决定调哪个工具、自己检查结果、自己决定下一步，循环往复，直到把目标完成。

举个具体的场景，把所有概念串起来：

你给一个 Agent 下指令：“明天上午 9 点前，把北京天气查好，写进一封提醒我带伞的邮件，发到我的邮箱。”

这个 Agent 会自己拆成三步：① 调"天气工具"查北京明天天气 → ② 判断"如果下雨就提醒带伞" → ③ 调"发邮件工具"发出邮件。全程你不用盯着，它自己把"目标"翻译成了"一连串动作"。

「LLM 是答问题的，Agent 是干活的——区别就在于它会不会自己规划、自己调工具。」

---

七、MCP：统一插座的行业标准

员工要接的工具越来越多，麻烦来了：每个工具接口都不一样。

A 天气工具是一种接法，B 数据库是另一种接法，每接一个新工具，你都得写一堆对接代码，像家里插线板不够用、每个电器还得配不同转接头。

MCP（模型上下文协议）就是来统一这个插座的——它定义了一套标准接口，工具厂商照着这个标准做，AI 照着这个标准接，两边一插就能用，即插即拔。

「MCP 不是某个具体工具，是一份"大家都按这个标准来"的协议，像 USB 接口统一了充电口。」

对普通用户，你不需要懂协议细节，只要知道：一个 App 支持 MCP，就说明它能像插 U 盘一样，把一堆外部能力插给你的 AI 用。

---

八、Skill：人手一份的标准作业手册

有些活儿是重复的：写小红书文案、查 B 站评论、做竞品分析。每次都重新教一遍员工，太累。

Skill（技能）就是把某类任务打包成一本标准作业手册：里面写好了"遇到这种情况，先做什么、再做什么、用什么话术、调什么工具"。

有了 Skill，你一句话"帮我分析这条视频的评论"，员工翻出手册照做就行，不用你每次从头交代。

「Prompt 是一句临时交代，Skill 是一本随时能翻的岗位手册——一个用完就忘，一个能反复复用。」

这也是为什么现在很多 AI 助手都有"技能市场"：不是帮你雇新人，是给同一个员工，不断发新手册。

---

九、RAG：公司的资料室

员工有个致命短板：它脑子里只有训练时学过的旧知识，还爱瞎编。

RAG（检索增强生成）就是给公司配一间资料室。

当员工要回答一个需要"最新或内部信息"的问题时，它先不急着开口，而是先去资料室翻一遍相关资料，再拿着查到的内容组织答案。

比如你的公司有 500 页产品手册，直接让员工背，它背不下也背不准；但配上 RAG，它每次被问到产品问题，就先查手册再回答，答案就有据可依，不瞎编了。

「微调和 RAG 的区别一句话：微调是改造员工的大脑，RAG 是给员工配个资料室，随时查。」

---

十、微调：给员工做的岗前专项培训

如果你的活儿很专业——比如只做医疗、法律或某个垂直领域——通用员工可能不够精。

微调（Fine-tuning）就是送这个员工去岗前专项培训：拿你领域里的海量专业资料，再训练它一遍，让它从"通用员工"变成"行业熟手"。

它跟 RAG 是两码事，值得单独记住：RAG 不改变员工本身，只是让它在回答前多查资料；微调是直接改变员工的能力和说话方式。

打个比方：RAG 是考试时允许你翻书，微调是你考前已经把这些知识背进了脑子。

---

一张表，全部对上号

术语	在一家公司里，它是
LLM	那个只会动嘴、知识广但有截止日期的核心员工
Prompt	你给员工下的任务指令
Token	计费单位，按"字数"算钱
API	前台接待处，外部程序的标准入口
Tool	给员工配的工具（计算器、搜索引擎等）
Agent	能自己拆任务、调工具、干完活的项目经理
MCP	统一插座标准，让工具即插即用
Skill	人手一份的标准作业手册
RAG	公司的资料室，先查资料再回答
微调	送员工去做的岗前专项培训

---

常见疑问

Q1：Agent 和普通 AI 助手到底差在哪？
差在"自主性"。普通助手是你问一句它答一句，Agent 是你给目标它自己跑完整个流程。判断标准就一条：它会不会自己决定"下一步该调哪个工具"。

Q2：MCP 和 Skill 我该先了解哪个？
想"让 AI 接上更多外部能力"（比如读你的数据库、用你的日历），先看 MCP；想"让 AI 更会干某类具体活儿"（写文案、做分析），先看 Skill。两者不冲突，常配合使用。

Q3：我是纯小白，这篇看完就够了吗？
概念层面够了。下一步不是继续看术语，而是动手——随便打开一个 AI 工具，把"写周报"当成任务，用这篇里的"Prompt + 目标"思路去试一次，比再看十篇教程都管用。

---

下次再看到"用 Agent + MCP 搭工作流"这种标题，你脑子里会先浮现出一家公司：一个项目经理，正把活儿拆开，插上标准插座，翻出作业手册，喊上资料室，把事情办完。

术语还是那些术语，但你已经知道它们站在公司的哪个位置了——剩下的，就是去招你自己的"第一个 AI 员工"。