不知道新事
训练数据有时间截止点，之后发生的事它天然不知道。想让它知道，就得把资料递给它——这就是后面 RAG 要干的事。
AI 技术通识 · 交互课件
大模型技术概念
从 Token 到 Agent：把 10 个概念讲成故事
10 个概念7 章
键盘 ← → 翻页 · 右上角目录可跳转 · 每个演示都可重来
第 1 章 · 大模型是什么
它本质是一台「文字接龙大师」
先忘掉“神经网络”“人工智能”这些吓人的词。大模型做的事只有一件：看着前面的文字，猜下一个词。训练时，它把海量书籍、网页、代码读了个遍；使用时，它把你说的每句话当成“接龙的开头”，一个词一个词往下接。
训练 = 海量阅读使用 = 预测下一个词输出 = 一个词一个词往外蹦
所以它不是在“查资料”，而是在“接话”。这也解释了它为什么有时特别会说，有时却一本正经地胡说八道。
超级大脑，但有三个「不能」
不记你
它只有一个临时工作台叫上下文。新开一个对话，工作台就清空了；聊得越久，台面越满。
动不了手
它只能输出文字，不能真的订机票、查天气、改文件。要动手，就得给它配工具（Tool）。
会自信地胡说 = 幻觉
因为它只负责“接得像”，不负责“接得对”。遇到不确定的地方，它也可能用非常肯定的语气编一个答案。重要结论务必自己核对，或让它给出处。
把人话记住：它是一颗超级大脑，但被关在聊天框里。后面所有技术，都是在给它补东西。
亲手接一次龙
点「开始接龙」，看它如何只做一件事：每一步，从候选里挑一个最可能的词。
输入（Prompt）
他每天早晨
注意：它不会“想清楚整句话”再开口，而是每 600 毫秒猜一个词，猜完再猜下一个。
接下来先逛一张“概念全家桶”地图，把 Token、Prompt、RAG、MCP、Skills、Agent 这些词一次认全；然后再逐个拆开。
第 2 章 · 概念全家桶
十个词，一张图
接下来你会反复听到这十个词。先别急着背定义——把每张卡当成一个角色：点开它，看清它长什么样、负责什么。混个脸熟，后面再逐个深聊。
基础机制 Token · 上下文 · Prompt能力增强 Tool · RAG · 微调系统能力 Agent · 多 Agent · MCP · Skills
建议玩法：从上到下点开 10 张卡；计数满格时，会有一点小庆祝。Agent、MCP、Skills 三张卡底部有深潜入口，随时可以跳章。
点开每张卡，认识一个新角色
是什么模型读写文字的最小单位。文字先被切成一个个 token，模型才能处理。
迷你例子“大模型”三个字可能切成 1–3 个 token；英文长单词常被拆成好几块。
常见误区以为按“字数”计算。计费、上下文上限、输出长度都按 token 算，中英文切法还不一样。
我喜欢学习大模型
AI 眼里没有“字”，只有一块块 Token——计费和上下文都按它算。
是什么模型这一次能“看见”的全部文字：系统提示、聊天记录、贴进去的资料、工具返回结果。
迷你例子聊到第 50 轮，早期内容可能被挤出窗口；新开一个对话，台面直接清空。
常见误区把它当长期记忆。上下文是临时工作台，不会自动跨会话保存。
上下文工作台容量有限
桌面快满了——这就是上下文窗口，满了就该清一清 / 总结一下。
是什么你交给模型的工单：角色、任务、材料、输出要求，都在这里说清。
迷你例子“帮我写个总结” vs “你是产品经理，用 5 条要点总结这份会议记录，每条不超过 30 字”。
常见误区把 Prompt 当咒语，觉得越长越玄。清晰、具体、带例子，通常比堆词更有效。
帮我写点东西。
好的，你想写什么？请提供主题、读者和字数要求。
你是数据分析师。把 3 条销售数据写成周报：华东 +12%、华南 -4%、华北 +7%。用 3 条要点，每条不超过 25 字，最后给一句建议。
本周销售速览
· 华东增长 12%，表现最强
· 华南下滑 4%，需排查原因
· 华北增长 7%，保持稳定
建议：下周重点复盘华南下滑原因，并复制华东打法。
是什么模型不直接干活，而是输出“调用哪个工具、传什么参数”，由外部程序执行，再把结果回填。
迷你例子查天气：模型说 get_weather(city="上海") → 程序调 API → 返回 26°C → 模型再组织回答。
常见误区以为模型自己执行了工具。真正动手的是你的代码或平台，模型只负责选工具、填参数。
1
AI 说
我需要调用查天气工具（上海）。
2
工具执行
get_weather(city="上海") → 晴 · 26°C
3
结果回填
AI 拿到数据，继续组织回答。
今天上海晴，26 度，适合出去走走。
是什么先从你的资料库里检索相关片段，再把片段塞进上下文，让模型“照着材料回答”。（embedding：把文字变成向量，按语义找相近内容）
迷你例子企业知识库问答：先检索到《报销制度》第 3 段，再让模型据此回答。
常见误区以为 RAG 会“训练”模型。它不改参数；检索不到、切块不好，回答就会差。
embedding：把问题变成「意思坐标」，再去书架里找坐标最近的一本。
回答：项目复盘提到，上线前先做小流量灰度，再逐步放量。资料来源：《项目复盘》第 3 节
是什么用一批示例继续训练模型，让它更符合某种风格、格式或判断习惯。
迷你例子让模型稳定输出公司格式的工单摘要，用几千条标注样本训练。
常见误区拿微调塞频繁变化的知识。知识更新用 RAG 更便宜；微调成本高、周期长。
开卷考试：带着资料答题，资料一拿走，答案就没了。适合知识经常变、需要出处。
是什么模型 + 工具 + 循环：想一步、做一步、看结果、再想下一步，直到完成任务。
迷你例子“找出本周新增客户并整理成表”：查数据库 → 读结果 → 补字段 → 输出表格。
常见误区以为 Agent 是更强的模型。它通常是普通模型 + 脚手架（工具、循环、记忆、权限）。
去第 3 章深潜 Agent →是什么多个角色化 Agent 分工协作，比如一个写、一个查、一个审。
迷你例子写报告：研究员查资料 → 撰稿人写初稿 → 审稿人挑错 → 汇总定稿。
常见误区以为 Agent 越多越好。协调成本和出错面也会上升，先把一个 Agent 跑稳。
▦表格员整理数据待命
✎设计员排版配色待命
✓校对员检查错漏待命
三个人各干一摊，合成一份完整 PPT。
是什么一套开放协议，让 AI 应用用统一方式连接外部工具和数据源（Host ↔ Client ↔ Server）。
迷你例子同一个 MCP 服务器，可以被不同 AI 客户端复用，不必为每个模型重写一遍接入。
常见误区以为 MCP 是模型或某个工具。它是“连接标准”，工具本身还是外部服务。
去第 4 章深潜 MCP →是什么把一套流程、规范、脚本打包成“技能”，模型按需加载，不必一次全塞进上下文。
迷你例子一个“周报技能”包含格式、检查清单和脚本；触发时才读取正文。
常见误区以为 Skills 等于一段长 prompt。它支持分层加载、附带脚本，更像可复用的工作包。
去第 5 章深潜 Skills →不用一次全记住。第 3–5 章会把 Agent、MCP、Skills 拆开深讲，第 6 章再把所有概念串成一次真实任务。
先送你一段全家福口诀
第 7 章还会再见到它。现在先读一遍，看看能认出几个角色。
Token 切块进上下文，Prompt 写清要干啥；
工具伸手 RAG 翻书，微调回炉改习惯；
Agent 自己转圈圈，多 Agent 分工不忙乱；
MCP 一个插座通天下，Skills 一本手册随叫随看。
读不顺没关系——等第 6 章把它们串成一次“做 PPT”的任务，这段口诀就会自动对上号。
接下来进入第一个深潜章：Agent——看看“会自己干活的实习生”到底怎么转起来。
第 3 章 · Agent 智能体
Agent = 给大脑配上手脚和循环
普通 Chatbot 像坐在窗口后的问答机：你问一句，它答一句。Agent 像被派出去办事的实习生：你只给目标，它自己想下一步、动手做、看结果，没办完就继续转。
问答机
你问：“北京周五天气？”它答：“晴，26℃。”答完就结束，不会顺手替你订票。
办事员
你说：“帮我订周五去北京的票。”它会查车次、比较、下单、确认，直到出票。
目标 vs 问题
Chatbot 接收“问题”，Agent 接收“目标”。差别不只在模型多聪明，更在外面那圈脚手架。
Agent = 模型（大脑）+ 工具（手脚）+ 循环（想 → 做 → 看）
先记住这个公式。下一节把“循环”画出来看。
它的工作节奏：想 → 做 → 看 → 再想
这不是一次性问答，而是一个不停转的圈。点一点四个节点，看看每一格在干什么。
想（Reason）+ 做（Act）= ReAct。名字很唬人，直觉就是：边想边做，边做边看。
亲手推进一次订票任务
你只给它一个目标。每点一次「走一步」，看它如何想一步、做一步、看一眼。
目标帮我订一张周五去北京的高铁票
✅ 出票成功——从头到尾，只给了一个目标
注意：它不是在“一次回答里想完所有事”，而是走一步、看一步——这正是 Agent 和普通问答的分水岭。
最大的误区
“换个更强的模型，就成 Agent 了吧？”
不是。Agent = 模型 + 脚手架。模型负责想，脚手架负责给它工具、记忆、循环和护栏。同一个模型，接上这些能订票；拔掉这些，它仍然只是个聊天框。
模型 + 工具 + 循环 + 规则 = Agent
工具
让“想”变成“做”：查资料、调用接口、写文件。
记忆
记住目标、中间结果和已经试过的路，别每轮都失忆。
护栏
哪些事能自己做、哪些要先问人、什么时候必须停。
Agent 要动手，就得有统一的“工具插座”。下一章看看 MCP 怎么把 M×N 根线，收成一根 USB-C。
第 4 章 · MCP
每个 AI 应用，都要重新接一遍工具
ChatGPT 要连邮箱、Claude 要连日历、Cursor 要连 GitHub……如果每对组合都单独写一套接口，就是 M×N 条定制线。MCP 要做的，是把它们收成 M+N。
M 个应用
ChatGPT、Claude、Copilot、Cursor……每家都想连上同一批工具。
N 个工具
邮箱、日历、数据库、GitHub、文件——每家都有自己的接口。
M×N 套胶水
每加一个应用或工具，都要重写、重测、重新维护一遍。
M 个应用 × N 个工具=M×N 条定制线→ 装上 MCP →M+N 条标准线
先别记缩写：把它想成 USB-C——插座统一了，谁都能插。
把乱麻，收成一个插座
左边 4 个 AI 应用，右边 5 个工具。没有标准时，它们两两对接；装上 MCP 后，所有线都插到同一个 hub。
现在：20 根定制线，每加一个工具就要再连一遍。装上 MCP：9 根标准线——4 进 + 5 出，也就是 M+N。
一次调用，经过谁？
MCP 不是一根魔法线，而是三段接力。你只需要认识三个角色。
你用的应用
ChatGPT、Claude、Cursor……它发起请求，也把结果呈现给你。
翻译官
把“查天气”翻译成 MCP 的标准请求，再把结果译回来。
工具方
邮箱、数据库、GitHub 的适配器，真正执行动作并返回数据。
类比：Host 是顾客，Client 是前台，Server 是后厨。顾客不直接进厨房，前台负责把话传到。
几个值得记住的事实
这些时间点能帮你判断：MCP 已经不是“某个厂商的小工具”，而是行业共同维护的标准。
Anthropic 发布 MCP，先在自己的工具生态里跑通。
OpenAI（3 月）、Google（4 月）相继采用；微软也在上半年全面接入。
捐给 Linux 基金会旗下 Agentic AI Foundation，变成中立标准。
MCP Apps 成为第一个官方扩展：工具可以带着自己的界面来。
规格改为无状态：不再需要握手和会话，部署更简单。
官方注册表全量盘点：22,636 个活跃服务器，且仍在增长。
Anthropic 的示例：GitHub、Slack、Sentry、Grafana、Splunk 五个服务器、58 个工具，工具定义约占 5.5 万 token。所以“全装上”并不划算——先精选服务器、按需发现工具，才是控制工具定义成本的办法。
MCP 不是模型
“装了 MCP，AI 就更聪明了？”
不会。MCP 是接口标准，不生产智能，也不训练模型。就像 USB-C 不生产电器——它只负责让插头对得上。真正干活的，还是模型和工具。
工具定义的账，要靠“精选 MCP 服务器、按需发现工具”来省；Skills 解决的是另一类问题——流程和资料按需加载。两件事互补，别混为一谈。
第 5 章 · Skills
每次都要重新教一遍？
提示词像口头交代：这次说清楚了，下次换个对话，AI 又忘了；团队里每个人还得各教一遍。
Prompt
说一次，只生效一次。换个人、换个会话，就得从头再交代一遍。
上下文
聊得越久，越容易被新内容挤掉；昨天的好方法，今天不一定还在。
Skill
把步骤、模板、脚本写成文件，需要时自动翻出来，谁都能复用。
一本会自己展开的手册
Agent 平时只记住每本手册的“书名和一句话简介”；真正用到时，才翻开正文，再深才取附件。这叫渐进式披露。
01≈ 100 token
元数据 · 常驻
name + description
name: weekly-report
description: 当用户要写周报、月报或项目汇报时使用。
description 决定“我什么时候该用它”。
02≈ 4,000 token
正文 · 触发时加载
步骤、模板、注意事项
写周报时，按这四段来：
- 先确认汇报对象与周期
- 按“进展 / 数据 / 风险 / 下周计划”四段写
- 语气简洁，数据必须带来源
03≈ 4,400 token
资源与脚本 · 按需
模板文件、大型资料、脚本
附件：report-template.docx、brand-guide.pdf
脚本：collect_metrics.py —— 运行后只把结果返回给模型。
脚本运行时，只有它的输出进上下文——本体根本不占地方。
Prompt 是口头交代，Skill 是员工手册
两者不是替代关系：Prompt 负责这一次的需求，Skill 负责这一类工作的做法。
这一次，说清楚
- 写在对话里
- 只对当前会话生效
- 换个人就得重说
- 适合临时需求
“帮我把这份周报改得更简洁。”
vs
这一类，写成册
- 存成 SKILL.md
- 谁都能触发
- 用时才加载
- 适合稳定流程
“写周报时，按这四段模板来。”
记住分工：Prompt 说“做什么”，Skill 说“这类事怎么做”。
Skills = 把经验写成手册
先看简介
name + description，决定“这活我会不会”。
再翻正文
确认要用，才把步骤和模板读进上下文。
最后取资源
大附件和脚本，用到才拿；脚本只回传输出。
下一章：把 Agent、MCP、Skills 串起来，看一个真实任务怎么从一句话跑到交付。
第 6 章 · 实战串联
一句话，把「季度总结」变成 PPT
接下来不讲新名词。我们跟着一句真实需求，把前面所有概念串成一条流水线——看看它们各自在什么时候登场。
把这份季度数据整理成 10 页汇报 PPT，周五前给我。
收到。我先读表格，再写大纲，生成后检查版式；缺的资料我会去查。
你只说了两句话。真正干活的，是背后这一整条链路。
8 步，看它怎么接单 → 交付
跟着一句真实需求，看这些概念怎么接力。
Prompt 提需求
目标、材料、格式说清
PromptAgent 接单
拆步骤、循环推进
AgentSkills 翻手册
按需展开 PPT 流程
SkillsMCP 接工具
文件、表格、PPT 接入
MCPFunction Calling 调工具
读数据、写文件、生成 PPT
Function CallingRAG 补知识
缺资料就翻书
RAG多 Agent 分工
三人并行干活
多 Agent交付
10 页 PPT 到手
完成所有技术都是为了一件事——让 AI 从「会聊天」变成「能干活」。
底层两笔账：Token 计费、上下文窗口；实在学不会你们的黑话，再考虑微调。
一条流水线，串起所有零件
Prompt
把目标、材料、格式说清楚，工单才合格。
Agent + MCP + Skills
会拆步骤、能接工具、随身带手册，才谈得上办事。
RAG / 微调 / 多 Agent
缺知识就查，缺习惯再训，活太大就分工。
下一章不学新概念：我们把整张地图拧成一颗“记忆星球”，再用 10 道题检验一下。
第 7 章 · 记忆加固
把 10 个概念，收进一张星图
点一颗星看比喻，或让它按学习顺序串一遍。
🧠大模型
点一颗星，看看你还记得多少。
最后，用一段顺口溜收尾
不用背定义。跟着节奏读一遍，十个概念自己会排队。
Token 切块进上下文，Prompt 写清要干啥；工具伸手 RAG 翻书，微调 回炉改习惯；Agent 自己转圈圈，多 Agent 分工不忙乱；MCP 一个插座通天下，Skills 一本手册随叫随看。
下一节：10 道题，检验一下这些比喻是不是真的长在脑子里了。
10 道题，检验你还记得多少
答错不扣分，会给出提示；每题只有一个正确答案。
01大模型读一句话之前，通常先做什么？
提示：Token 是模型处理文本的基本单位；计费和上下文长度都按它算。
02聊到后面，AI 忘了你开头说的要求。最可能的原因是？
提示：上下文像工作台：东西越堆越多，放不下的旧内容就会被挤掉。长对话要学会总结和清空。
03下面哪个 Prompt 最可能拿到一份能用的周报？
提示：角色、材料、格式、对象越清楚，结果越可控。Prompt 就是一张工单。
04Function Calling 本质上让模型做了什么？
提示：模型负责“决定 + 填参数”，真正的执行交给宿主程序或工具服务。
05RAG 最适合解决哪类问题？
提示：RAG 像开卷考试：先检索资料，再把资料放进上下文作答。
06什么情况更该考虑微调，而不是 RAG？
提示：RAG 补知识，微调改习惯。缺最新资料优先 RAG；要固定文风或格式，再考虑微调。
07Agent 与普通聊天机器人的关键区别是什么？
提示：Agent = 模型（大脑）+ 工具（手脚）+ 循环（自己推进）。
08多 Agent 协作主要适合什么任务？
提示：多 Agent 像团队：分工清楚才省时间；简单任务拆开反而增加协调成本。
09MCP 解决的核心问题是？
提示：MCP 是 AI 世界的 USB-C：Host → Client → Server，统一插座。
10Skills 的“渐进式披露”指的是？
提示：元数据常驻（示例约 100 token/个），正文触发时加载，资源和脚本按需取用。
1 / 10
🎉 10 / 10
满分。你已经把 10 个概念串成了一张网。
现在，你带走了一张地图
忘了定义也没关系——记住比喻，以及它们怎么接力。
🧱Token乐高块
🗂️上下文工作台
📝Prompt工单
🤲Function Calling手
📚RAG开卷参考书
🔥微调回炉进修
🧑💼Agent实习生
👥多 Agent团队
🔌MCPUSB-C 插座
📖Skills员工手册
🏁 通关！
从 Token 到 Agent，你已经能看懂一条 AI 流水线是怎么跑起来的。下一步，去把一个真实任务交给它。
资料与出处：MCP 官方规范与官方博客；Linux Foundation / Agentic AI Foundation 新闻稿；Anthropic《Agent Skills》文档与《Introducing advanced tool use》。数据盘点截至 2026-10。