0.写在前面

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：

厂商	代表模型
OpenAI	GPT系列
Anthropic	Claude系列（Opus、Sonnet、Haiku）
Google	Gemini系列
DeepSeek	DeepSeek系列
阿里巴巴	Qwen（通义千问）系列
月之暗面	Kimi系列
智谱AI	GLM系列
字节跳动	Doubao（豆包）系列
MiniMax	MiniMax系列
阶跃星辰	Step系列

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.un2.believ3.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 Message3.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. 1. 接收输入
2. 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。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】