LLM
大语言模型（大模型)
本质:预测下一个词，不会追问
Token
大模型处理数据的基本单元
tokennize(中间人)：切片为向量(数字)，映射为文字
每个大约为0.7文字，0.78单词
每次输入多个token(向量)，输出一个token(数字)
Context
上下文，历史token
Context window
大模型能容纳的token量
Prompt
提示词
用户(你的提问)，系统(配置的指令规则，写死了)
Tool
工具(函数)
大模型感知外部的函数工具(代码)
MCP
统一工具接口(代码规范)
Agent
自主规划，调用工具，解决用户问题的程序(模型+工具)(头脑+四肢)
产品如下：
1.Gemini CLI：终端，Google，开源，Gemini 2.5Pro，100万token
2.Claude Code：终端，Anthropic，闭源，Claude系列，200K-1Mtoken，git集成，可干预，猛冲，陌生项目接手，编程强
3.CLaude cowork:图形界面，Anthropic，非程序员用，权限可控指定文件夹访问，办公，自动化
4.Codex：云端服务器，OpenAI，闭源，GPT-5-Codex，400Ktoken，沉稳，自动化
5.OPenCLaw:本地，开源项目，全模型可接入，全能管家，常驻后台自动启动，越用越熟悉你的习惯，定时任务，长期记忆，多方式远程控制
Agent skill
给Agent的说明书(一个文本，命名和内容有格式规范)，让模型按自己要求输出
文件夹名字与该文本的说明一致
该文件夹创建SKILL.md，粘贴内容
RAG
检索增强
选出片段，而非全文本，根据片段回答，答案准确(内部资料)
没有，则"抱歉，无法回答"；通用知识回答(标注)；
多模态
全能，不偏科的模型
Subagent
主agent，子智能体
主:统筹，子:具体小任务
上下文分区，分工调度
使用:固定代码程序+agent(适合它的工作)
未来趋势:超级智能体，只需提出需求