0.写在前面

时隔很久，又开始更新博客了。

过去一年，AI领域的发展速度可以说非常夸张，几乎每隔几个月都会出现新的技术、新的产品以及新的概念。

从最开始大家熟悉的 ChatGPT，到后来火爆的 AI Agent，再到现在经常被提起的 RAG、MCP、Skills 等概念，越来越多的人开始接触AI。但是很多人在了解AI的过程中都会遇到一个问题：

这些概念到底是什么意思？它们之间又有什么关系？

为什么有时候说AI是大模型，有时候又说AI Agent？

为什么企业做AI应用时经常提到RAG？

MCP到底解决了什么问题？

这篇文章会尽可能用简单直白的方式，把这些AI领域常见概念串起来，让大家能够建立一个基础认知。

1.LLM

LLM 是 Large Language Model 的缩写，中文叫做大语言模型。

简单理解： LLM就是目前各种AI聊天产品背后的核心“大脑”。

我们熟悉的 ChatGPT、Claude、Gemini、DeepSeek 等产品，本质上都是基于不同的大语言模型构建出来的。不过需要注意：AI产品名称和背后的模型名称并不一定相同。

一个完整的AI产品通常包含：

模型能力 + 工程系统 + 用户交互 + 安全策略 + 额外功能

所以 ChatGPT 并不等于 GPT 模型本身，而是基于GPT模型打造出来的一套完整AI应用。

下面列举一些常见模型厂商：

除此之外，还有很多其他模型厂商，这里不再一一列举。

2.多模态

早期的大语言模型主要处理文字。

但是现实世界的信息并不只有文字，图像、声音等同样包含大量信息，因此出现了多模态（Multimodal）能力。

简单来说：

多模态就是AI不仅能理解文字，还能够理解图片、声音、视频等不同类型的信息。

例如：

以前的AI看到一张图片，只能回答：

“这是一张图片。”

而现在支持多模态的大模型可以：

• 分析图片中的内容
• 阅读截图中的文字
• 理解代码截图
• 分析表格
• 总结视频内容
• 根据文字生成图片

这让AI从“文字助手”逐渐变成了能够理解现实世界信息的智能助手。

3.Token

token的概念比较抽象，今年官方给它的中文名称是：词元。

简单来说：

Token是大模型处理文字时拆分出来的最小计算单位。

Token是模型内部理解和处理文本时使用的一种“编码单位”，当用户输入文本之后，首先会通过分词器（Tokenizer）切分文本，然后将文本转换成Token ID（一串数字），得到的Token ID模型可以通过向量层计算出向量结果，再之后模型会给出新的Token作为结果。

很多人会简单理解：

一个Token≈一个字或者一个词

这种理解方便入门，但并不完全准确。

实际上，例如英文文本中的：

Hello world

会被拆分成：

1.Hello [15496]
3.world [995]

对应的Token ID是：[15496, 995]

上面的一个英文单词可以理解为是一个Token，也有一个单词对应多个Token的，比如：

unbelievable

可能会被拆分成

1.un
2.believ
3.able

这里这一个单词会占用3个Token

再比如中文中的：

人工智能

可能会被拆分成：

1.人
2.工
3.智
4.能

也可能会被拆分成

1.人工
2.智能

这样的结果差异是由于模型使用的分词器（Tokenizer）不同，所以不同的LLM可能会有不同的结果。

实际的分词过程可能比上述的要复杂得多，如果感兴趣的话，可以参考下面资料进一步了解：

https://zhuanlan.zhihu.com/p/1929576021297980125

为什么大家经常提到Token呢？

-因为目前大部分LLM API都是按照Token数量进行计费的。

可以把AI模型厂商理解成像电信、移动、联通这样的运营商，而Token就类似：手机套餐里的流量单位。使用AI的API，就像使用手机流量一样：消耗越多，费用越高，并且你的输入输出都在消耗Token，对应了流量的上传和下载。所以在使用AI的过程中，如何减少无效Token消耗，也是非常重要的一项优化工作。

4.Prompt

Prompt 中文一般叫做提示词。简单理解：Prompt就是我们告诉AI“应该如何工作”的指令。

如果把LLM比作一个能力很强的大脑，那么Prompt就是告诉这个大脑：

• 你是谁
• 你要完成什么任务
• 你应该如何思考
• 你应该输出什么结果

如果观察过API结构的同学可以注意到，在调用LLM API时，通常会看到几种不同类型的消息：

1.System Message（System Prompt）
2.User Message
3.Assistant Message

分别代表：

4.1 System Prompt（系统提示词）

System Prompt通常由开发者设置，用于定义AI的基础规则。

例如：

你是一名专业的Java工程师。
回答问题时优先考虑代码安全性。
输出代码时必须包含注释。

通过System Prompt，可以设置AI的：

• 人设
• 背景
• 行为规则
• 输出格式
• 任务目标

4.2 User Message（用户消息）

就是用户实际输入的问题。

例如：

帮我设计一个订单系统

4.3 Assistant Message（助手消息）

就是AI返回的内容。

4.4 提示词工程（Prompt Engineering）

在实际AI应用开发中，如何设计Prompt是一项非常重要的工作，这也被称为：提示词工程（Prompt Engineering）。一个优秀的Prompt需要包含几个重要部分，参考在阿里百炼平台中建议，提示词最好由以下几个部分构成：

• 背景： 介绍与任务紧密相关的背景信息。这一环节有助于LLM深入理解讨论的具体环境，从而保证其生成内容与话题高度相关。
• 目的： 明确指出您期望LLM完成的具体任务。通过设定清晰、精确的目标指令，可引导LLM聚焦于实现既定任务，提升输出的有效性。
• 风格： 指定您希望 LLM 输出的写作风格，可以是某个具体名人、具体流派或者某类专家的写作风格。
• 语气： 定义输出内容应有的语气，比如正式、诙谐、温馨、关怀等，以便适应不同的使用场景和使用目的。
• 受众： 明确指出内容面向的读者群体，无论是专业人士、入门学习者还是儿童等，这样LLM就能调整语言和内容深度，使之更加贴合受众需求。
• 输出： 规定输出内容的具体形式，确保LLM提供的成果能直接满足后续应用的需求，比如列表、JSON数据格式、专业分析报告等形式。

例如：

#背景#

我想为公司的新产品做广告。我公司的名字叫XXX，产品叫XXXX，是一个xxxxxxx的产品。

#目的#

为我创建一个微博帖子（限制：500字），旨在让人们有兴趣点击产品链接购买。

#风格#

遵循XX等成功公司为类似产品做广告的写作风格。

#语气#

有说服力

#受众#

我公司在微博上的受众通常是年轻一辈人。定制你的帖子，保证喜欢数码产品的人能快速关注到你的帖子。

#输出#

微博上的帖子，简洁而有影响力。

学会优化、调试提示词是目前使用AI的必备技能。

5.Agent

Agent是智能体或者AI智能体（AI Agent）。

这是近一年AI领域非常热门的概念，他与我们熟知的豆包，ChatGPT，千问又有什么差别？

普通LLM更像：一个会聊天、会思考的助手。

但是它通常只能：

1. 接收输入
2. 生成回答

例如：

用户：
帮我写一份周报

LLM：
（生成了一份周报）

而Agent的目标是：让AI不仅能够回答问题，还能够主动规划任务，并调用工具完成事情。

例如：

用户：

帮我整理一下我这周的工作，并发送给老板。

一个Agent可能会：

这就是Agent和普通聊天机器人的区别。

一个比较完整的AI Agent通常包含以下几个部分：

5.1 LLM（大模型）

负责：

• 理解任务
• 推理分析
• 制定计划

相当于Agent的大脑。

5.2 Prompt

负责定义：

• Agent是谁
• 它应该如何工作
• 它需要遵守什么规则

相当于Agent的行为准则。

5.3 Tools（工具）

让AI具备执行能力。

例如：

• 查询数据库
• 调用接口
• 搜索网页
• 操作文件
• 发送消息

如果没有工具，AI只能“说”，有了工具，AI才能“做”。

5.4 Memory（记忆）

让AI能够保存上下文。

例如：

第一次聊天：

用户：
我是Java开发工程师。

以后：

用户：
帮我优化代码。

AI可以结合之前的信息，知道用户更关注Java技术方案。

5.5 Planning（规划）

这是Agent区别于普通LLM的重要能力。

复杂任务通常不能一步完成。

Agent需要：

这也是为什么现在很多人认为：Agent是AI应用发展的下一阶段。

6.Skills

Skills又称技能，这个概念是去年下半年比较热门的，在今年年初时OpenClaw风靡的过程中再次被经常提及。

简单来说：Skill就是给Agent增加的一项“专业能力”。

不同平台对于Skill的实现方式可能不同。

在很多Agent框架中，一个Skill通常包含：

• 技能描述
• 使用规则
• Prompt模板
• 执行流程
• 相关资源

从本质上来说：

Skill可以理解为：一份告诉AI“如何完成某类任务”的能力说明。

不过需要注意：

如果大量Skill全部加载给LLM，会产生额外Token消耗。因此目前很多Agent系统采用这样的方式优化Token消耗：

7.RAG

RAG全称是Retrieval-Augmented Generation，中文一般译为检索增强生成，这项技术在早期的Agent搭建过程中经常被用到，尤其是智能客服一类的Agent，在我早期的文章中也重点介绍过这项技术。

RAG的过程可以简化为：

用户输入的问题->通过向量计算后，去向量库等知识库中寻找契合的答案->获得答案后，结合用户的问题一起丢给LLM让其回答。

这样的流程可以明显感觉到如果从知识库中获取答案的效果不理想（没能找到契合的答案时），那么LLM的回答也不会准确，甚至如果获得的答案和问题偏差太多，可能会导致LLM出现幻觉。所以一般目前RAG的优化方案都是从知识库的方面入手，尽可能让向量检索到的答案能够完美解答用户的问题。

RAG 使得大模型能够胜任许多专业性强、需要最新资讯的工作：

• 智能客服与企业知识库：员工和客户可以通过对话快速查找公司产品手册、内部规章制度或报销流程，AI 回答准确且能提供文档出处。
• 医疗问答：辅助医生或患者查询最新的医学指南或个人病史。
• 法律与金融分析：让 AI 结合最新的法律条文、判例或财报进行合规检查和数据分析。

需要注意的是，很多人认为：做RAG就是接一个向量数据库。实际上，目前一个高质量RAG系统涉及很多环节：

这其中任何一个环节效果不好，都可能影响最终回答质量。所以现在RAG优化通常不仅仅关注数据库，而是整个检索和生成链路。

8.MCP

MCP全称是Model Context Protocol，是一种模型上下文协议，由 Anthropic 在 2024 年底推出的一项开源开放标准。

简单点理解，MCP相当于一个标准的API接口，所有的LLM都能读懂他（标准化）。当接入LLM后，有需要的时候，LLM可以来调用这个API获取需要的资源或者拓展额外的能力。有点像Type-C接口统一了所有充电口一样，MCP统一了所有LLM接入工具的方式，以及工具的开发方式。

MCP的运行逻辑：MCP服务注册后，LLM会收到MCP的自述内容：能做什么事情、能获得什么样的结果、需要哪些条件才能做这些事情。

比如，一个数据库MCP服务，可以告诉AI：

1.我可以查询用户的订单信息。

当Agent可能遇到需要查询某个用户的订单时，发现需要数据库查询的能力，于是会调用MCP服务，查询某个用户的数据并根据数据回复。

所以，MCP解决的是：AI如何标准化连接外部世界的问题。

9.最后

AI的发展速度非常快。今天我们讨论的这些概念，可能过几年又会出现新的变化。但是无论技术如何发展，核心逻辑其实没有改变：

让AI拥有更强的理解能力、更丰富的知识、更强的执行能力，以及连接现实世界的能力。

从LLM到Agent，再到未来更加智能的AI系统，本质上都是在不断扩展AI能够完成任务的范围。

希望这篇文章能够帮助大家建立一个AI技术地图，在面对各种新概念时，不再只是听过名字，而是真正理解它们解决的问题是什么。

• Previous
  我的SpringUtil怎么失效了！？