一 概念讲解
| 概念 | 核心定位 | 关键特征 | 类比（以公司为例） | 技术层级 |
|---|---|---|---|---|
| LLM | 大脑（核心引擎） | 知识压缩、推理、生成 | 拥有广博知识的实习生 | 基础设施层 |
| Prompt | 沟通界面（指令） | 意图表达、上下文设定 | 给实习生写的任务清单 | 交互层 |
| Skills | 固化能力（API） | 确定性、工具化、可复用 | 实习生学会使用的办公软件 | 能力层 |
| Agent | 执行主体（数字员工） | 自主规划、决策、执行 | 能自己安排工作的项目经理 | 应用/执行层 |
| AGI | 终极目标（类人智能） | 通用性、自适应、意识 | 全能且可自主学习的超级员工 | 愿景层 |
1.1 LLM（大语言模型）：AI系统的"大脑"
- 本质 ：参数量在百亿级以上的预训练语言模型 ，核心能力是下一个token预测
- 功能定位 ：提供基础的语言理解与生成能力，但仅限于文本层面，无法主动执行任务
- 典型代表：GPT-4o、Claude 3.5、Llama 4、Qwen 2.5等
- 关键局限 ：
- 知识截止到训练日期（存在"幻觉"风险）
- 无法主动调用外部工具
- 上下文窗口有限（即使200k-1M也可能遗忘）
🧠 形象比喻：LLM就像一位知识渊博但行动受限的学者，能回答各种问题，但无法亲自去图书馆查资料或操作实验设备。
1.2. Prompt（提示词）：与LLM交互的"指令手册"
- 本质 ：给LLM的输入文本，是"指令+上下文+示例+约束"的组合
- 功能定位 ：引导LLM生成特定风格和内容的输出，决定LLM输出质量的80%（模型参数只占20%）
- 关键特点 ：
- 临时性：单次对话有效，"说完即焚"（除非放入长期记忆）
- 即时性：依赖当前上下文窗口
- 灵活性：可快速测试和调整
📝 典型示例："你是一位资深Python工程师，请审查以下代码，指出问题并给出重构建议，输出格式用Markdown。"
💡 重要提示 ：Prompt不是简单的"咒语"，而是结构化指令工程，包括零样本、少样本、思维链、角色扮演等多种技术。
1.3. Agent（智能体）：具备自主能力的"执行者"
- 本质 ：能自主规划、调用工具、记忆、迭代完成复杂目标的LLM驱动系统
- 功能定位 ：将LLM的"大脑"与"手脚"结合，从"回答问题"升级为"完成任务"
- 核心组件 ：
- Planner：任务分解与路径规划
- Executor：调用工具执行操作
- Memory：短期（对话历史）+ 长期（向量数据库）记忆
- Observer：反思错误与调整策略
🤖 形象比喻 ：如果LLM是大脑，Agent就是拥有大脑、手脚和记忆的完整生物体，能主动感知环境、制定计划并执行任务。
✅ 关键区别 ：LLM只能被动回答问题，而Agent能主动拆解任务、调用工具、迭代优化，实现"用户给目标，Agent给结果"的工作模式。
1.4. Skills（技能）：领域专长的"方法论资产"
- 本质 ：可移植的、模块化的领域专长包，让Agent从"通用"变成"专家"
- 功能定位 ：封装特定任务的领域知识、执行步骤、判断标准、输出格式，使Agent在处理专业任务时有章可循
- 核心特点 ：
- 持久化：配置一次后可反复调用，解决Prompt"临时性"问题
- 标准化：提供统一的执行规范和输出格式
- 工程化：独立文件管理，支持版本控制和测试验证
🛠️ 典型示例：代码审查Skill包含：
- 审查维度（安全漏洞、逻辑正确性等）
- 风险评级（P0阻塞、P1重要等）
- 输出格式规范
- 边界规则（只审查变更部分）
⚠️ 关键区别 ：Prompt是"一次性指令"，而Skill是可复用、标准化的方法论资产，就像公司SOP手册，确保不同任务结果的一致性和专业性。
1.5. AGI（强人工智能）：理论中的"通用智能体"
- 本质 ：具备与人类相当或超越人类水平的通用认知能力的人工智能系统
- 功能定位 ：实现对"智能"本质的复现，成为可独立应对复杂、开放、动态世界问题的通用智能体
- 核心特征 ：
- 跨领域学习：将知识迁移到全新领域
- 自主目标生成：主动设定子目标并制定长期策略
- 元认知能力：监控自身认知过程，识别知识盲区
- 多模态融合：整合视觉、语言、触觉等多源信息
🌌 关键区别 ：当前所有AI应用（包括LLM、Agent、Skills）都属于弱人工智能（ANI） 范畴，而AGI仍是理论探索阶段，尚未有系统被公认为真正实现通用智能。
⚠️ 行业现状：OpenAI CEO奥尔特曼曾表示，"AGI这一术语正逐渐失去其意义"，因为概念界定变得越来越困难，不同公司对AGI的定义差异很大。
1.6层级关系图解
- LLM 提供基础推理能力，但需要Prompt引导输出方向
- Agent整合LLM、Skills和MCP，实现从"理解需求"到"执行任务"的闭环
- Skills解决"怎么做才专业"的问题，提供领域知识和流程规范
- MCP解决"用什么工具"的问题，提供标准化的工具接入方式
- 三者缺一不可：少了Agent，LLM、Skills、MCP就是孤立的"零件"；少了Skills，Agent缺乏专业能力；少了MCP，Agent无法连接外部世界
以"生成销售周报"为例：
- 用户输入："帮我生成2月销售周报"
- Agent决策：识别任务类型，决定调用"周报生成Skill"
- Skill加载：系统自动加载Skill内部封装的专用Prompt、规则和工具定义
- MCP执行：通过MCP协议连接数据源，获取销售数据
- LLM处理：基于Skill提供的增强版Prompt进行数据处理和分析
- 结果输出：生成结构化周报，通过MCP发送到指定渠道
1.7 行业最新趋势与实践建议
技术演进方向
- 从"Prompt工程"到"Skill工程" ：行业正从临时性Prompt转向可管理、可复用的Skill资产
- MCP标准化 ：OpenAI推出的MCP协议正成为行业统一的"工具接入标准"，解决Agent生态碎片化问题
- Agent架构分层 ：现代AI应用架构正形成清晰分层------工作流协调Agent，Agent调用Skills，Skills通过MCP连接外部系统
实践建议
- 对开发者 ：不要只关注Prompt技巧，应系统化构建Skill库，将业务知识沉淀为可复用的AI能力
- 对产品经理 ：理解Agent不是单一工具，而是工作模式，需设计支持目标导向的交互流程
- 对业务方 ：不要追求"AGI"概念，应聚焦解决实际问题的"弱AI应用"，当前所有商业化AI都属于ANI范畴
1.8 一句话总结区别
- LLM：提供基础语言能力的"大脑"
- Prompt：引导LLM输出的"指令"
- Agent：整合资源完成任务的"执行者"
- Skills：领域专长的"方法论资产"
- AGI：理论中的"通用智能"（当前尚未实现）
当前AI技术发展的核心逻辑是：通过Skills和MCP扩展LLM的能力边界，使Agent能够从"纸上谈兵"走向"动手做事"，最终构建出真正能解决实际问题的AI应用体系。理解这些概念的本质区别与协同关系，是把握AI技术发展趋势和构建有效AI应用的关键基础。