LLM:Large Language Model(大语言模型)，简称大模型
底层架构：基于Transformer
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
Token:数据处理单元
定义：大模型处理文本的最小单元，通过Tokenizer(分词器)将文本切分为片段
切分原理：基于BPE(字节对编码)算法，模型自主学习的文本切分规则
编码过程：
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
中文词语 非一一对应，可能被拆分
英文单词 常见词通常对应1个Token
复杂单词 可能被拆分
特殊字符 可能需要多个Token表示
量化参考
1个Token ≈ 0.75个英文单词
≈ 1.5-2个汉字
Context（上下文）:临时记忆体
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
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
Prompt(指令交互)
Prompt:给大模型的问题或指令，决定模型输出质量
Prompt分类：
1.User Prompt:用户输入的具体任务
2.System Prompt:开发者后台配置的人设与做事规则
Prompt Engineering提示工程
核心原则：清晰、具体、明确
现状：重要性下降（曾经重要） 因为1.门槛低（本质把话说清楚）2.大模型能力提升，可推测模糊意图
Tool(工具)：
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
MCP(模型上下文协议)：工具标准化
Model Content Protocol 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。
价值：按照MCP规范开发一次，即可在所有支持MCP的平台使用
Agent:自主决策系统
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、Gemin CLI等
典型构建模式：React、Plan and Execute等
Agent Skill：任务定制
定义：给Agent的说明文档，包含任务规划、执行步骤、输出格式等
结构：
1.元数据层：名称（name）,描述（description）
2.指令层：目标、执行步骤、判断规则、输出格式、示例
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
技术实现
1.存储形式：Markdown文档（文件名必须为SKILL.md）
2.存放位置：特殊目录（如Claude Code找到用户目录的.claude/skills文件夹）
3.加载机制：仅在用户问题与技能描述/名称相关时加载完整指令