从 LLM 到 Agent Skill

LLM / Token / Context / Context Window / Prompt / Tool / MCP / Agent / Agent Skill 概念串讲

模型层

线的起点是 LLM、Token、Context 和 Prompt

• LLM 是底层模型，本质是参数化后的预测系统
• Token 是模型处理文本的基本单位，不等于自然语言里的“一个字”
• Context 是当前这次推理真正能看到的输入材料
• Context Window 是这份材料的容量上限

Prompt 的作用是把任务、角色等限制文本塞进当前上下文。System Prompt 由开发者负责设定预设边界，User Prompt 由用户负责当前任务。

能力层

当模型只会补全文本时只一个回答系统，不是执行系统。

• Tool：让模型调用外部函数或服务
• MCP：把工具和上下文接入标准化，减少每个客户端各写一套插件的成本，通常由外部服务提供者实现，由用户安装模型调用
• Agent：不只做一次性回答，而是能围绕目标做多轮决策、调用工具和回收结果的抽象智能集合
• Agent Skill：把高频任务的流程、约束和参考材料收成可复用入口

这里最容易混淆的是 MCP、Agent 和 Skill。MCP 解决的是接入问题，不直接提供智能；Agent 解决的是执行问题；Skill 解决的是复用问题。三者不是同义词，只是处在同一条链上的不同层。

排查分层

使用 AI 时，把问题都归到 prompt 通常是错的：

• 通常 Context 或 Prompt 设计有问题会导致输出效果差
• 工具接入问题导致读不到外部信息
• Agent 层没收口导致能回答但不能稳定完成任务
• 缺少 Skill 会导致同类任务每次都要重新解释

在开发中遇到问题对应层级，排查会快很多。

概念分层

• 模型理解：Token、Context、Context Window、Prompt
• 模型可做：Tool、MCP
• 系统稳定执行和复用：Agent、Agent Skill

这一链条是在把模型从单一“文本生成”逐步推进到“可接入、可执行、可复用”的系统形态。