从LLM到Agent Skill学习笔记
视频原创马克的技术工作坊
🧠 AI核心概念笔记
一、LLM：一切的起点
LLM（大语言模型）本质是什么？
它不是“理解语言”的系统，而是一个：
👉 根据已有内容，预测下一个Token的概率模型
你可以把它理解成一个不断进行“高级文字接龙”的机器。
核心特点：
-
本质是一个数学函数（矩阵计算）
-
输入输出都是数字（Token ID）
-
基于 Transformer 架构（2017年提出）
工作流程（极简理解）：
-
输入一句话
-
预测下一个Token
-
把结果拼回输入
-
持续循环直到结束
👉 所有回答，都是一个Token一个Token生成的
二、Token：模型的“语言单位”
什么是Token？
👉 模型处理文本的最小单位
但注意：
-
❌ 不等于“一个字”
-
❌ 不等于“一个词”
Token是怎么来的？（Tokenizer做的事）
-
切分文本 → Token
-
转换成数字 → Token ID
关键认知：
-
Token ≠ 词（没有固定对应关系）
-
一个词可能被拆成多个Token
-
一个符号甚至可能占多个Token
经验换算：
-
1 Token ≈ 1.5~2个汉字
-
1 Token ≈ 0.75个英文单词
三、Context：模型的“临时记忆”
什么是Context？
👉 模型当前一次处理时看到的全部信息
包括：
-
用户当前问题
-
历史对话
-
System Prompt
-
工具信息
-
已生成内容
关键理解：
模型“记住你说过的话”，其实是因为：
👉 每次都把历史对话重新发给它
它没有真正的记忆，只是“每次都带着全部上下文重新计算”。
四、Context Window：记忆的容量上限
定义：
👉 一次最多能处理多少Token
影响：
-
小 → 容易忘前面内容
-
大 → 更连贯，但更耗成本
实际问题：
👉 文档太长怎么办？
解决方案：RAG（检索增强）
-
不把全文塞进去
-
只取“相关片段”
👉 本质就是：
“搜索 + 拼接上下文”
五、Prompt：你如何控制AI
什么是Prompt？
👉 你给模型的指令或问题
两种类型：
1️⃣ System Prompt（系统提示词）
-
定义AI的角色、规则、风格
-
例如：老师 / 面试官 / 严谨专家
👉 决定：AI是谁
2️⃣ User Prompt（用户提示词）
-
用户输入的具体问题
👉 决定：AI做什么
核心原则：
-
越清晰 → 输出越准
-
越具体 → 偏差越小
👉 本质：
Prompt = 输出质量的控制器
六、Tool：让AI连接现实世界
什么是Tool？
👉 本质就是：函数（Function）
解决的问题：
模型本身无法：
-
获取实时数据
-
调用外部系统
-
做精确计算
完整流程（重点理解）：
-
用户提问
-
平台把问题 + 工具列表发给模型
-
模型判断需要调用工具
-
模型输出“调用指令”
-
平台执行工具
-
返回结果
-
模型整理成自然语言输出
关键点：
👉 模型不会真的调用工具
而是：
它只“说要用”，真正执行的是平台
七、MCP：工具的统一标准
什么是MCP？
👉 统一工具接入协议
解决的问题：
-
不同平台接口不统一
-
一个工具要重复开发
作用：
-
一次开发
-
多平台复用
👉 可以理解为：
AI工具世界的“Type-C接口”
八、Agent：从“回答问题”到“完成任务”
什么是Agent？
👉 能自主完成任务的AI系统
核心能力：
-
理解目标
-
拆解步骤
-
调用多个工具
-
持续执行直到完成
和普通模型的区别：
-
普通LLM：只回答
-
Agent：会“干活”
典型流程：
例如：
查询天气 + 找雨伞店
执行过程：
-
获取位置
-
查询天气
-
判断是否下雨
-
查找商店
-
输出结果
👉 本质是：
多步骤决策 + 工具链执行
九、Agent Skill：让Agent“更像人”
什么是Agent Skill？
👉 给Agent的一份操作说明书
本质：
-
固定规则
-
固定流程
-
固定输出格式
通常包含：
-
目标
-
执行步骤
-
判断规则
-
输出格式
-
示例
解决的问题：
👉 避免每次都写一大段Prompt
一句话理解：
Agent Skill = 可复用的高级Prompt模板 + 行为规范
🔚 总体逻辑（最终理解）
从底层到应用：
-
LLM → 负责“预测Token”
-
Token → 最小处理单位
-
Context → 输入的全部信息
-
Prompt → 控制行为
-
Tool → 扩展能力
-
MCP → 标准化工具接入
-
Agent → 自动执行任务
-
Agent Skill → 固化能力
🧩 一句话总结
大模型本质是基于Token预测的概率模型，通过上下文拼接实现“伪记忆”，用Prompt控制行为，通过Tool连接外部能力，在MCP标准下扩展生态，最终演化为可自主执行任务的Agent系统。
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
11
0- 0
已为社区贡献1条内容
所有评论(0)