1 LLM
LLM 全称 Large Language Model，大语言模型，即大模型。基本上所有的大模型都是基于Transform模型架构实现的（如下图所示）
而这个Transform模型最早是由Google团队在2017年提出来的，对应论文名字为《Attention Is All You Need》
2 Token
用户每次询问一次大模型之后，大模型每次都会输出一个词语。大模型本质是一个数学函数，里面跑的全是矩阵运算，接收的是数字，输出的也是数字。所以人类和大模型直接有一个中间商负责编码和解码 ------ Tokenizer
编码把数字变为文字，解码把文字解析为数字。
将数字转递给大模型之后，经过一顿运算后就会输出一个数字（Token ID）， 再把Token ID解码反解出来，映射成为文字。
Token------令牌，是大模型文本处理的最小单位。
- 英文：通常是单词、单词片段；中文大多是1 个汉字 / 标点，但有时一个词会拆成多个 token。
- 作用：模型输入、输出都按 token 计数；计费、上下文长度上限都是按 token 算。
3 Context
上下文 / 上下文窗口 指当前对话里模型能 "看到" 的全部历史内容（前面所有提问 + 回答）。
- Context Window（上下文窗口）：模型最多能一次性读取的 token 总量。超出上限，最早的对话内容会被截断丢掉，模型就看不到了。
- 通俗理解：就是模型的短期记忆。
Context Window表示Context能够容纳的最大的Token的数量
想象一个场景：假如有一个上千页的公司产品手册，你希望大模型根据这个产品手册来回答用户的疑问，如何实现呢？你要把这个手册的全部内容跟着用户的问题一起丢给大模型吗？答案是否定的！产品手册太长，成本大。因此引出了RAG方法 ------ 给大模型外挂一个知识库，提问时先检索相关资料，再把资料 + 问题一起喂给大模型生成答案，不改动大模型本身权重
4 Prompt
提示词，你发给 AI 的指令、问题、描述文本。 分为：
- 基础 prompt：直接提问（例如 "写一段简介"）
- 系统 prompt（System Prompt）：给模型设定角色、规则、约束，在对话最开始生效。
Prompt 工程：专门研究怎么写提示词，让 AI 输出符合预期结果。
5 Tool
工具，大模型外部能力组件。 大模型本身只会文本推理，当需要外部能力时，调用 Tool：
- 例子：计算器、联网搜索、代码执行、文件读取、数据库查询。 流程：模型判断→决定调用哪个 Tool→把参数传给工具→拿到工具返回结果→再整理成自然语言回答你。
也就是常说的 Tool Calling（工具调用）。
- 大模型（LLM）：大脑，负责思考、理解语言、推理
- 工具（Tool）：手脚，负责执行大脑不会直接做的动作（查数据、算、读文件）
- 平台：整套工作台，把大脑、手脚、存储、调度打包在一起给你用
6 MCP
我们知道了工具是大模型外部能力组件。平台调用工具，因此就需要把工具接入到平台中。但是有一个问题：接入规范每个平台都不一样，因此就有一个统一的标准接入规范 ------ MCP
Model Context Protocol，模型上下文协议 是一套标准化协议，用来让 AI 模型安全、统一地连接外部工具、数据源。
- 解决痛点：以前每个工具都要单独写对接代码；MCP 统一接口，模型可以对接任意支持 MCP 的服务（数据库、本地文件、API 等）。
- 简单理解：类似 USB 接口，模型不需要为每个外设单独开发驱动，插上符合 MCP 标准的工具就能用。
7 Agent
智能体 具备自主规划、思考、调用工具完成复杂任务的 AI 程序。 基础大模型只能单次响应 prompt；Agent 可以：
- 拆解目标
- 多轮思考
- 判断是否需要调用 Tool
- 循环执行直到任务完成
例子：帮你自动查资料、整理报表、分步完成一套复杂工作流。
Agent产品：Claude Code、Codex、Gemini CLI
8 Agent Skill
Agent 可调用的、封装好的能力单元。
- Skill 是原子化功能：比如 "读取 PDF"、"查询天气"、"代码运行"。
- 和 Tool 区别：Tool 偏向底层接口；Skill 是面向任务封装好的能力，Agent 可以根据任务选择启用对应的 Skill。
类比：Agent 是员工，Skill 是员工会的技能（做 PPT、查数据），Tool 是技能用到的工具（Excel、浏览器）。
如果你需要，我可以画一张简短关系图，一次性理清：Prompt → Agent → Skill → Tool → MCP 的层级关系。