📌 开头

视频来源：马克的技术工作坊《一期视频带你打通 AI 底层逻辑！》，2026-03-14 发布，19.2万观看

链接：https://v.douyin.com/U18fUm92KfU/

核心一句话：用老板与员工的比喻，系统拆解 LLM → Token → Context → Prompt → Tool → MCP → Agent → Agent Skill 的 AI 核心概念链。

核心问题

  • 背景：AI 概念爆发，但大量专业术语（LLM、Token、MCP、Agent）让普通用户望而却步
  • 当前问题：概念之间关系模糊，业界缺乏系统性科普视角
  • 本文贡献：用「老板指挥超级大脑完成复杂任务」的主线，串起 AI 技术栈的完整脉络

视频章节与核心概念

1. LLM（大语言模型）— 00:31

全称 Large Language Model，基于 Google 2017 年提出的 Transformer 架构（论文《Attention Is All You Need》）。本质是「文字接龙」—— 通过预测下一个概率最高的词（Token）生成内容。

视频比喻：「超级大脑」，整个系统的核心智能来源。

2. Token（词元）— 03:03

模型处理文本的最小单元，通过 Tokenizer（分词器）将文字转换为数字（Token ID）。Token 与汉字并非一一对应，如「工作坊」会被拆分为「工作」和「坊」。中文 Token 化效率通常低于英文。

视频比喻：「按字数（Token）结算工资」—— 模型输出的计价单位。

3. Context（上下文）— 08:10

模型每次处理任务的信息总和，含对话历史、系统配置、工具列表等。Context Window 为其最大 Token 容量——主流模型可达百万级（如 Claude 3.5 支持 200K tokens）。超出容量则需借助 RAG 等技术补充。

视频比喻：「记忆」，模型能「记住」多少信息取决于 Context Window 大小。

4. Prompt（提示词）— 11:41

分两类：User Prompt（用户输入的问题/指令）和 System Prompt（开发者配置的人设/规则）。Prompt 工程是决定模型输出质量的关键手艺。

视频比喻：「写好指令」—— 老板给员工下达的明确任务说明。

5. Tool（工具调用）— 15:11

模型调用的外部函数（如天气查询、代码执行），解决模型无法感知实时信息的问题。Tool Use 让 LLM 从「只会说话」升级为「能做事」。

视频比喻：「办公工具」—— Excel、计算器、打印机，能实际执行任务的实体。

6. MCP（模型上下文协议）— 19:20

全称 Model Context Protocol，由 Anthropic 于 2025 年提出并开源（https://modelcontextprotocol.io）。统一工具接入标准的协议，让工具仅需开发一次即可适配多平台。

核心价值：解决 AI 工具生态碎片化问题。传统方案每个数据源需要独立开发接口；MCP 提供通用协议，一次开发，处处运行。

视频比喻：「统一标准」—— 就像 USB 接口，让各种设备都能即插即用。

7. Agent（智能体）— 21:10

能自主规划、调用工具完成复杂任务的系统。与简单问答的区别在于：Agent 能拆解目标、多步执行、自我反思。

视频比喻：「项目经理」—— 能理解老板的模糊目标，主动拆解任务、调配资源。

8. Agent Skill（智能体技能）— 24:10

给 Agent 的说明文档，提前设定规则，告诉 Agent 擅长什么、如何正确使用工具。本质是结构化的 System Prompt + Tool 描述的组合包。

视频比喻：「专业技能证书」—— 持证上岗，知道怎么干活。

关键洞察

洞察一：概念链的本质是「能力扩展路径」

LLM → Tool → MCP → Agent → Agent Skill 不是孤立概念，而是一条能力扩展路径：

  • LLM 解决「智能从哪来」
  • Tool 解决「LLM 不能做什么」
  • MCP 解决「Tool 生态碎片化」
  • Agent 解决「如何自主完成任务」
  • Agent Skill 解决「Agent 如何正确上岗」

洞察二：MCP 是 AI 工具化的关键基础设施

2025 年 Anthropic 开源 MCP 后，业界快速跟进。Block、Apollo 等企业已集成 MCP，GitHub、Slack、Google Drive 等主流平台均有 MCP Server 实现。MCP 的崛起反映了 AI 行业从「模型竞争」转向「生态竞争」的趋势。

洞察三：Agent Skill 代表了 AI 能力封装的新范式

传统 AI 应用需要大量定制开发；Agent Skill 提供了一种「即插即用」的能力封装方式。Skill 本质是把专家经验结构化为可复用、可组合的 AI 能力单元。这与 OpenClaw 的 Skill 系统设计理念一致。

引发思考

这条概念链的终局是什么？当 MCP 统一协议层、Agent Skill 标准化能力封装，LLM 成为真正可编排的基础设施后，AI 应用开发的门槛将进一步下降。但真正的壁垒将从「接入技术」转向「领域知识深度」—— 谁更懂行业，谁的 Skill 就更值钱。

对于个人而言，理解这些底层概念的价值不在于成为技术专家，而在于能够：站在系统视角思考 AI 能做什么、不能做什么；准确描述需求（写出好 Prompt）；判断哪些场景适合引入 Agent，哪些场景还在 AI 能力边界之外。

相关阅读

  • 《Attention Is All You Need》（Transformer 原始论文，Google，2017）：https://arxiv.org/abs/1706.03762
  • Anthropic MCP 官方介绍：https://www.anthropic.com/news/model-context-protocol
  • HuggingGPT（LLM 作为控制器，2023）：https://arxiv.org/abs/2303.17580
  • Model Context Protocol 规范与 SDK：https://modelcontextprotocol.io