AI圈子里的各种名词，一次讲清楚

适合刚进 AI 圈、经常被新名词劝退的人。

导语

最近一年，AI 圈最常见的状态不是“技术太难”，而是“名词太多”。

LLM、Token、Context、RAG、Tool、MCP、Agent、Skill……每个词都听过，但连起来就懵。

这篇文章不讲玄学，只做一件事：把这些词放回同一条工程链路里，你看完就知道它们各自负责什么。

---

先记一条主线

先把全局装进脑子：

LLM（会生成） → Token（处理单位） → Context（临时工作区） → Prompt（任务说明） → Tool（外部执行） → MCP（统一接入） → Agent（自主执行系统） → Skill（可复用任务手册）

只要这条线不丢，后面新增名词也不容易乱。

---

1. LLM：大模型到底在干什么

LLM（Large Language Model）最核心的能力是：根据上下文，预测下一个 token。

听起来朴素，但规模足够大、数据足够多之后，这个“下一个 token 预测器”就能表现出写作、总结、翻译、推理等复杂能力。

今天你熟悉的 GPT、Claude、Gemini，本质都属于这一类模型体系。

---

2. Token：模型真正处理的“最小单位”

很多人以为模型按“字”或“词”处理文本，其实不是。模型处理的是 token。

你可以把 token 理解成“模型自己的切分块”：

• 可能是一个字
• 可能是半个词
• 也可能是一个完整词

所以 token != 词，它们不是一一对应关系。

为什么这个词这么重要？

• 计费看 token
• 上下文上限看 token
• 输出长度也看 token

---

3. Context 与 Context Window：为什么模型像“记得你”

很多人问：为什么我和模型聊着聊着，它好像记住了前面说的话？

答案是：因为前文被放进了它的 context（上下文）。

再加一个概念：Context Window（上下文窗口），就是这块临时工作区的容量上限。

容量够，就能带更多历史信息；容量不够，旧信息就可能被截断，表现出来就是“失忆”。

注意：

• 这不等于模型天然拥有长期记忆。
• 很多“它记得我”的体验，来自产品层的历史管理与检索机制。

---

4. Prompt：提示词不是咒语，是任务说明书

Prompt 本质是你给模型的任务描述。

好 Prompt 一般满足三件事：

• 任务目标明确
• 背景信息完整
• 输出格式清楚

常见误区是执着“某个神奇句式”。

比如“不能说请、谢谢，不然效果差”，这不是普适规律。真正影响质量的，通常是任务定义不清和信息不全。

---

5. RAG：让模型“边查边答”

RAG（Retrieval-Augmented Generation）可以理解成：
先检索外部资料，再基于资料生成答案。

它解决两个现实问题：

• 模型训练数据有时间边界
• 你的私有知识（公司文档、个人资料）不在模型参数里

简单说：RAG 不是让模型更会“背”，而是让它更会“查”。

---

6. Tool：模型只负责“建议调用”，平台负责“真正执行”

这是高频误解点。

模型不会直接去访问你的数据库，也不会自己跑脚本。它能做的是：

• 判断该调什么工具
• 组织调用参数
• 把执行结果整合成自然语言

真正的执行动作发生在你自己的应用/平台侧。

一句话：模型是“决策与表达层”，平台是“执行层”。

---

7. MCP：为什么它越来越常被提起

MCP（Model Context Protocol）是一个开放标准，用来统一 AI 应用和外部系统的连接方式。

如果把 AI 当成一台设备，MCP 有点像统一接口规范：

• 工具方按标准提供能力
• 客户端按标准接入能力

好处是减少重复对接，提高复用效率。

---

8. Agent：从“会聊天”到“会干活”

Agent 不是某个单独模型，而是一套系统组合。

一般包含：

• 模型（理解与生成）
• 规划（拆步骤）
• 工具（执行动作）
• 记忆（维护状态）
• 循环（直到任务完成）

所以 Agent 的价值不在“说得好听”，而在“能把事情办完”。

---

9. Skill：把经验沉淀成可复用流程

Skill 可以理解为 Agent 的任务手册。

通常包含两部分：

• 元数据（name、description）
• 指令层（目标、步骤、边界、输出要求）

写 Skill 的意义是：
把“临场发挥”变成“可复用流程”。

---

10. 读完后最该做的三件事

• 先把“词汇记忆”升级为“流程理解”：谁理解、谁执行、谁存储。
• 先做一个最小闭环：一个任务 + 一个工具，跑通再扩展。
• 及时文档化：把有效做法沉淀成模板，而不是每次重写 prompt。

---

结语

AI 圈名词会持续新增，但底层逻辑变化没那么快。

你只要抓住那条主链路，再遇到新词，大概率都能快速归位：
它是“生成层”的词，还是“执行层”的词，还是“连接标准”的词。

看清这一点，学习效率会明显上来。