前面20篇文章已经将aiAgent所有的东西都讲了一遍，从最基础的概念到最后的langGraph，还有监控软件、关系型数据库，对象型数据库，向量数据库。作为一名前端转ai agent的开发者，你不但要会做前端页面，还得会写后端代码，知道每一个工具背后的价值和存在的意义。
接下来我就将所有ai agent里面遇到的名字归纳总结一下：
AI 领域的核心概念从底层到顶层逐层拆解
① LLM（大语言模型）
- 本质是一个概率预测机器 ，基于
Transformer架构（2017年提出） - 核心工作方式 = "文字接龙" ：根据已有内容预测下一个 Token，循环直到完成
- 输入输出都是数字（
Token ID），所有回答是一个Token一个Token生成的 - 局限：只会产生文本，无法联网、计算或操作文件
② Token（词元）
- LLM 处理文本的最小离散单位 ，由
Tokenizer通过BPE算法将文字编码为Token ID - ≠ 一个字 ≠ 一个词 ：中文约
1~2个汉字，英文约0.75个单词 - 不同模型的
Tokenizer切分规则不同，同一段文本在不同模型中的Token数不同 - 是计费和长度限制的基本单位 ，输入
Token通常比输出Token贵，所以skill就显得很重要
③ Context & Context Window（上下文 / 上下文窗口）
- Context = 模型本轮"看到"的全部信息总和 =
System Prompt+ 历史对话 +User Prompt+ 工具返回结果 → 相当于临时记忆 - 关键认知：模型没有真正的记忆，每次都把历史对话重新发给它
- Context Window = 一次最多能处理的
Token数（如8K / 128K / 1M+） - 超长文本解决方案：RAG（检索增强生成） ------不塞全文，只取相关片段
④ Prompt（提示词）
- User Prompt：用户直接输入的问题或指令
- System Prompt：开发者预设的"人设/规则/输出格式"，在对话开始时注入
- 好的
Prompt要清晰、具体、明确 → 提示词工程（Prompt Engineering） - 趋势：随着模型能力增强，模糊
Prompt也能被较好理解
⑤ Tool（工具）
- 赋予模型感知和影响外部世界的能力（搜索网页、计算、操作文件、查询位置天气等）
- 模型负责选择和生成指令，平台负责执行调用
- 类似给"大脑"装上了"手和脚"
⑥ MCP（Model Context Protocol，模型上下文协议）
- 大模型统一接入工具的协议 ------解决不同
AI平台重复适配工具的问题 - 类比手机的 Type-C 接口：工具按标准开发一次，多平台通用
- 包含
Tools、Resources、Prompts三类能力 - 比如一个
tool，在千问上能用，在chatGTP上也能用
⑦ Agent（智能体）
- 能自主规划、连续调用多个工具直到完成复杂任务的智能程序
- 核心特征：自主规划 + 循环决策（观察→思考→执行→再观察）
- 经典示例：用户问"帮我查天气和附近卖雨伞的店" →
Agent自动定位→查天气→搜索店铺→汇总输出 - 常见构建模式：
ReAct、Plan and Execute、Reflection、Multi-Agent
⑧ Agent Skill（智能体技能）
-
本质 = 提前写好、塞给
Agent的一份Markdown说明文档（SOP） -
两层结构：
- 元数据层 ：
Name + Description（供系统判断何时调用） - 指令层：目标、执行步骤、判断规则、输出格式、示例
- 元数据层 ：
-
核心机制 ：渐进式披露（
Progressive Disclosure）------不相关时不占 Token，需要时再展开 -
存放规范（以
Claude Code为例）：~/.claude/skills/go-out-checklist/SKILL.md
💡 核心洞见
| 类比 | 含义 |
|---|---|
| LLM 是发动机 | 一切能力的核心引擎 |
| Token 是燃料单位 | 文本处理的最小颗粒度 |
| Context 是燃料舱 | 临时记忆空间 |
| Prompt 是油门指令 | 告诉模型做什么 |
| Tool 是外挂机械臂 | 触达外部世界 |
| MCP 是 Type-C 接口 | 统一接入标准 |
| Agent 是能自己开车的司机 | 自主规划+执行 |
| Skill 是开车手册 | 沉淀为可复用的经验 |
最终结论 ：理解这条链路后，再看 ChatGPT / Claude / Cursor / Claude Code 等产品，本质都在这个框架下运作------AI 不是魔法，是一层一层搭起来的工程概念。
