一、LLM（Large Language Model，大语言模型，简称大模型）

类似最开始的GPT3.5，以至于后来的豆包和DeepSeek，常使用的对话形式的AI。

人类的自然语言描述给到大模型，大模型经过内部的运算预测并给出一个准确率较高的回答，之后继续对话，会结合之前的对话历史记录（即上下文），再给出答案，直至人类得到完整的答案。

二、Token（词元，大模型处理文本的「最基本单位」）

大模型的内部做的是执行函数、矩阵运算等等。输入输出皆是数字，无法识别人类的语言。

进一步细分的话，就需要一个中间件进行翻译人类自然语言，这个就是Tokenizer

将文字切分并映射为数字

2.1 切分测试

Token 計算機 - AI 模型的文字到 tokens 轉換 | Token Counter

三、Context（上下文，大模型的临时记忆体，大模型每次处理任务时接收到的信息总和）

Context是有极限的。

整个对话记录。

四、Context Window（上下文窗口，能容纳的最大词元数量）

描述整个对话记录的大小。

五、prompt（提示词，用户或系统当前给大模型下达的具体指令或问题）

5.1 User Prompt（用户输入具体任务）

5.2 System Prompt（人设和所处的规则环境）

六、Tool（工具，本质上是一个函数，大模型用来感知和影响外部环境的函数）

根据训练数据给出答案，对于外部的一写实时数据需要借助外部工具进行获取。

大模型只是输出文本。

用户、平台、LLM、工具，四个部分一起合作。需要时，大模型需要向平台申请，平台再调用函数使用外部工具，获取实时数据。

七、MCP（Model Context Protool，模型上下文协议，统一了接入格式的标准协议）

对于各个AI厂家，AI模型接入各种工具 / 数据源 / 上下文时需要统一规范，对于程序员，提到这种，我们马上会想到“协议”。MCP管理LLM与外部世界资源的对接规则

八、Agent（智能体）

到MCP，大模型已经能够使用数据源和调用外部工具，不在只是局限于纯文本交流，再进一步，调用更多的工具，使用足够的权限，完成更为复杂的任务，接近人类的自主规划，成为更强大的系统，即Agent

九、Agent Skills（简写为Skills）（技能，类似使用说明文档，存储在SKILL.md文件）

当有了智能体，那么，在日常使用时，仍然会感觉到给出的答案还是偏大众化，不符合个人习惯，或者公司规范，但是却需要经常使用到这些，为了不重复输入习惯或者规范相关的提示词，则扩展出Skills功能，制定一套个人习惯模板（或者公司规范，或者特定的工作流），然后让Agent输出对应的成果。

以及，会说到把某个人蒸馏为skill，这个本质上是在总结他人的思维方式和解题方法，到文本中，总结出一套prompt，压缩形成一个skill。（经验/风格结构化成 Skill）