核心主线理清 LLM → Token → Context → Prompt → Tool → MCP → Agent → Agent Skill 整套技术层级区分各组件职责构建完整 AI 智能体知识框架LLM大语言模型所有AI应用的底层大脑都是基于transformer架构本质是文字接龙概率模型只能处理文本无实时数据、无法操作外部系统只能被动问答是整套体系的基础算力核心。原生能力文本理解文本生成逻辑推理总结归纳原生短板没有实时的外部信息无法主动操作外部系统数据库接口没有长期记忆只能被动接收输入然后输出不具备自主规划能力。Token大模型的最小计算单元Tokenizer 完成文字↔数字 ID 转换Token≠汉字 / 单词讲解 Token 计费、上下文窗口长度限制解释为什么长对话会消耗大量算力。LLM 不能直接识别文字需要 Tokenizer 将文本转为数字 IDToken进行计算Token ≠ 汉字 / 单词中英文单 Token 承载字符数量不同计费、上下文窗口限制全部以 Token 为单位输入 输出 Token 共同占用窗口额度。Context上下文窗口对话全部历史 系统指令的合集存在窗口上限上下文是 LLM 记忆载体窗口耗尽会丢失历史对话也是后续 Agent 记忆机制的基础。组成系统提示词 全部历史对话 当前用户提问约束存在最大长度上限窗口填满后最早的内容会被截断丢失 → 产生失忆现象地位LLM 唯一短期记忆载体是后续所有记忆、技能机制的底层约束。Prompt提示词分 System Prompt系统人设、User Prompt用户输入单次临时指令缺点是复杂任务每次都要重复写流程无法沉淀标准化工作流程引出后续 Skill 的必要性。System Prompt系统角色、全局规则固定人设User Prompt用户单次输入任务指令最大痛点临时性单次对话生效任务流程无法长期沉淀复杂业务任务每次对话都要重复输入大量流程、约束、输出格式缺乏统一封装、无法版本管理、难以团队复用Tool工具LLM 能力延伸的最小单元本质是可调用函数查天气、读文件、查数据库原生调用存在痛点每个工具要单独写对接逻辑碎片化严重引出 MCP 协议。单纯Tool调用存在的问题每个工具需要单独定义描述、入参、错误处理 多个工具协同场景下没有规定调用顺序、判断条件、分支逻辑。 工具只是独立零件缺少使用说明书。MCPAI 领域统一 “USB-C 接口” 标准Anthropic 开源基于 JSON-RPC作用统一所有外部工具、数据库、接口的通信规范一次适配全平台通用解决工具对接碎片化问题。类比没有 MCP 每个设备单独接线有 MCP 通用插口即插即用定位负责连接外部资源只解决 “怎么调用工具”不定义任务执行流程。MCP只解决通路问题agent如何连接外部工具MCP不定义业务流程不会规定什么时候调用工具调用先后顺序结果如何判断等。Agent拥有自主规划循环的 AI 系统不再被动单次问答完整工作流 接收任务 → LLM 理解需求 → 拆解多步骤计划 → 通过 MCP 调用各类 Tool → 接收结果迭代推理 → 直到任务闭环案例用户问 “今天出门要不要带伞”Agent 自动分步定位→查天气→判断降雨→推荐雨伞店自主完成多轮工具调用。Agent原生短板没有预制业务规范面对复杂场景容易步骤遗漏、重复调用工具输出格式随机、不可控缺少边界约束、异常处理流程Agent SkillSkill 是给 Agent 预制、可持久化存储、可复用的标准化完整任务工作包。 统一规范通常采用SKILL.md文件承载。Skill文件双层结构1.头部元数据YAML技能名称适用场景简短描述标签等2.正文指令Markdown任务目标分步执行流程、分支判断逻辑需要调用哪些工具、调用时机与先后顺序输入校验规则、异常处理策略强制输出模板、格式约束正反示例核心组件分工对比表组件核心定位解决什么问题LLMAI 大脑文本理解、推理、生成Token/Context底层资源约束模型输入输出最小单元、短期记忆上限Prompt临时指令单次对话任务约束轻量临时场景Tool外部能力原子拓展 LLM 原生没有的外部功能MCP通用通信协议统一 Agent 与外部工具的对接标准Agent自主运行框架实现多步骤自主规划、循环调用工具Agent Skill标准化业务包沉淀固定业务流程约束 Agent 行为完整自上而下技术链路用户任务需求 ↓ Agent自主调度框架 ↓ 匹配加载 → Agent Skill标准化业务流程 ↓ 发起调用 MCP统一通信接口 ↓ Tool各类外部能力接口、数据库、文件服务等 ↓ 所有思考、决策、文本生成依赖底层 LLM 全部执行受 Token / Context 窗口约束简化一句话总结LLM 负责思考MCP 负责接线Agent 负责自主干活Skill 负责给 Agent 一本标准化操作手册。
核心主线理清 LLM → Token → Context → Prompt → Tool → MCP → Agent → Agent Skill 整套技术层级区分各组件职责构建完整 AI 智能体知识框架LLM大语言模型所有AI应用的底层大脑都是基于transformer架构本质是文字接龙概率模型只能处理文本无实时数据、无法操作外部系统只能被动问答是整套体系的基础算力核心。原生能力文本理解文本生成逻辑推理总结归纳原生短板没有实时的外部信息无法主动操作外部系统数据库接口没有长期记忆只能被动接收输入然后输出不具备自主规划能力。Token大模型的最小计算单元Tokenizer 完成文字↔数字 ID 转换Token≠汉字 / 单词讲解 Token 计费、上下文窗口长度限制解释为什么长对话会消耗大量算力。LLM 不能直接识别文字需要 Tokenizer 将文本转为数字 IDToken进行计算Token ≠ 汉字 / 单词中英文单 Token 承载字符数量不同计费、上下文窗口限制全部以 Token 为单位输入 输出 Token 共同占用窗口额度。Context上下文窗口对话全部历史 系统指令的合集存在窗口上限上下文是 LLM 记忆载体窗口耗尽会丢失历史对话也是后续 Agent 记忆机制的基础。组成系统提示词 全部历史对话 当前用户提问约束存在最大长度上限窗口填满后最早的内容会被截断丢失 → 产生失忆现象地位LLM 唯一短期记忆载体是后续所有记忆、技能机制的底层约束。Prompt提示词分 System Prompt系统人设、User Prompt用户输入单次临时指令缺点是复杂任务每次都要重复写流程无法沉淀标准化工作流程引出后续 Skill 的必要性。System Prompt系统角色、全局规则固定人设User Prompt用户单次输入任务指令最大痛点临时性单次对话生效任务流程无法长期沉淀复杂业务任务每次对话都要重复输入大量流程、约束、输出格式缺乏统一封装、无法版本管理、难以团队复用Tool工具LLM 能力延伸的最小单元本质是可调用函数查天气、读文件、查数据库原生调用存在痛点每个工具要单独写对接逻辑碎片化严重引出 MCP 协议。单纯Tool调用存在的问题每个工具需要单独定义描述、入参、错误处理 多个工具协同场景下没有规定调用顺序、判断条件、分支逻辑。 工具只是独立零件缺少使用说明书。MCPAI 领域统一 “USB-C 接口” 标准Anthropic 开源基于 JSON-RPC作用统一所有外部工具、数据库、接口的通信规范一次适配全平台通用解决工具对接碎片化问题。类比没有 MCP 每个设备单独接线有 MCP 通用插口即插即用定位负责连接外部资源只解决 “怎么调用工具”不定义任务执行流程。MCP只解决通路问题agent如何连接外部工具MCP不定义业务流程不会规定什么时候调用工具调用先后顺序结果如何判断等。Agent拥有自主规划循环的 AI 系统不再被动单次问答完整工作流 接收任务 → LLM 理解需求 → 拆解多步骤计划 → 通过 MCP 调用各类 Tool → 接收结果迭代推理 → 直到任务闭环案例用户问 “今天出门要不要带伞”Agent 自动分步定位→查天气→判断降雨→推荐雨伞店自主完成多轮工具调用。Agent原生短板没有预制业务规范面对复杂场景容易步骤遗漏、重复调用工具输出格式随机、不可控缺少边界约束、异常处理流程Agent SkillSkill 是给 Agent 预制、可持久化存储、可复用的标准化完整任务工作包。 统一规范通常采用SKILL.md文件承载。Skill文件双层结构1.头部元数据YAML技能名称适用场景简短描述标签等2.正文指令Markdown任务目标分步执行流程、分支判断逻辑需要调用哪些工具、调用时机与先后顺序输入校验规则、异常处理策略强制输出模板、格式约束正反示例核心组件分工对比表组件核心定位解决什么问题LLMAI 大脑文本理解、推理、生成Token/Context底层资源约束模型输入输出最小单元、短期记忆上限Prompt临时指令单次对话任务约束轻量临时场景Tool外部能力原子拓展 LLM 原生没有的外部功能MCP通用通信协议统一 Agent 与外部工具的对接标准Agent自主运行框架实现多步骤自主规划、循环调用工具Agent Skill标准化业务包沉淀固定业务流程约束 Agent 行为完整自上而下技术链路用户任务需求 ↓ Agent自主调度框架 ↓ 匹配加载 → Agent Skill标准化业务流程 ↓ 发起调用 MCP统一通信接口 ↓ Tool各类外部能力接口、数据库、文件服务等 ↓ 所有思考、决策、文本生成依赖底层 LLM 全部执行受 Token / Context 窗口约束简化一句话总结LLM 负责思考MCP 负责接线Agent 负责自主干活Skill 负责给 Agent 一本标准化操作手册。
