AI入门科普 · 第1篇LLM、Token、RAG、MCP……这10个AI名词一张图给你讲明白程序猿Joe · 2026-06-29大家好我是程序猿Joe。前两天有个读者私信我“Joe哥我看AI文章的时候满屏都是 LLM、Token、Prompt、RAG、MCP、Agent……这些词到底啥意思每个都懂一点但串起来就懵了。”说实话我刚接触AI那会儿也是这样。看一篇技术博客查3次百度百科结果越查越乱。直到我把这些名词串成一条AI进化链才发现它们根本不是孤立的而是一层层叠加起来的。今天就用最接地气的方式把这10个最常见的AI名词一次性讲清楚。看完这篇你再看任何AI文章都不会卡壳了。建议先收藏。一、一切的开始LLMAI的大脑**LLMLarge Language Model大语言模型**就是AI的大脑。你可以把它想象成一个读了海量书籍的超级学霸。它通过学习万亿级别的文字掌握了语言的规律。你输入一句话它其实是在预测下一句最可能是什么——只不过它预测得特别准准到看起来像理解了你说的话。我们熟知的 ChatGPT、Claude、DeepSeek背后都是 LLM。一句话LLM 是地基。后面所有的AI能力都建立在这个大脑之上。二、大脑怎么读文字TokenLLM 不是直接读字或单词的。它读的是Token。Token 是AI处理文字时的最小单位。中文里1个字通常是1个Token英文里1个单词可能被拆成2-3个Token比如 “unbelievable” 会被拆成 “un” “believ” “able”。为啥要拆因为AI的脑容量是有限的用Token来计量最省空间。就像快递打包把衣服叠成方块比一团塞进去更省地方。记住一个原则Token 越少AI处理越快、越便宜。所以写 Prompt 时精简文字就是在省钱。三、怎么跟大脑对话Prompt**Prompt提示词**就是你对AI说的指令。但同样一个大脑你问写个代码和问你是一个10年经验的Python工程师请用Flask写一个带JWT认证的RESTful API要求包含单元测试得到的答案天差地别。**Prompt Engineering提示词工程**就是研究怎么把话说清楚的学问。它不是什么高深技术核心就一句话给AI越明确的上下文和约束它输出越精准。举个生活中的例子你让同事帮买个外卖他可能买错。但你说明帮我点一份少油少盐的黄焖鸡加一份米饭送到3楼会议室12点前到成功率就高得多。Prompt Engineering 就是让你的指令从模糊变精确的过程。四、大脑能记住多少Context 和 MemoryLLM 有个很大的限制它没有真正的长期记忆。**Context上下文**是AI在当前对话里能看到的内容。比如你跟ChatGPT聊了半天它之所以能接上你的话是因为你把之前的聊天记录都发给了它——这些内容就是 Context。但这个窗口是有限的超过上限早期的内容就会被遗忘。**Memory记忆**则是想办法让AI记住你。比如ChatGPT的记忆功能会把你的偏好存起来下次对话时自动带入。划重点Context 是短期记忆有容量上限Memory 是长期记忆需要额外的存储机制来实现。五、大脑能产出什么AIGC**AIGCAI Generated Content生成式AI内容**就是AI生产出来的所有东西。文字文章、代码、邮件、图片Midjourney、Stable Diffusion、视频Sora、音乐Suno——这些都是AIGC。本质上是LLM这个大脑把学到的知识重新组合后输出的结果。你可以把AIGC理解为大脑的**“表达能力”**。会聊天、会画图、会写歌都是同一个大脑在不同领域的才艺展示。六、大脑怎么查资料RAGLLM 有个致命问题它会一本正经地胡说八道专业术语叫幻觉Hallucination。为什么因为它的知识来自训练数据有截止日期而且可能记错。**RAGRetrieval-Augmented Generation检索增强生成**就是解决这个问题的。核心思路特简单先查资料再回答。比如你问AI我们公司今年的销售数据怎么样RAG会先到你的内部文档/数据库里检索相关内容把找到的资料喂给AI然后让AI基于这些资料来回答。这样AI就不会瞎编了。方式原理缺点纯LLM靠训练数据里的记忆回答知识过时、容易幻觉RAG先检索外部资料再基于资料生成检索质量决定回答质量七、大脑怎么用手MCP到目前为止我们的AI还只能动嘴——回答问题、生成内容。但如果想让它真正干活呢比如查数据库、发邮件、操作文件MCPModel Context Protocol模型上下文协议就是解决这个问题的。它是Anthropic提出的一套开放标准相当于AI和外部工具之间的USB-C接口。以前你想让AI操作你的数据库得写一堆集成代码。现在有了MCP只要数据库提供了MCP Server任何支持MCP的AICursor、VS Code Copilot、ChatGPT等都能直接调用——一次配置到处使用。一句话MCP 让 AI 从会说话变成了能动手。八、大脑的专业技能Skill**Skill技能**可以理解为AI被额外训练出来的一种专门能力。打个比方LLM本身是个通才但如果你想让它专门帮你做代码审查、写测试用例、或者分析财务报表你可以给它训练一个 Skill。这个Skill里包含了特定的知识、工具和流程。在MCP生态里Skill通常指的是一组预定义好的工具组合提示词模板。比如前端开发助手这个Skill可能包含了读写文件、查询文档、运行测试等一系列工具以及对应的Prompt模板。九、从被动回答到主动做事Agent普通AI聊天是**“你问一句它答一句”**——被动模式。Agent智能体则是你给一个目标它自己想办法完成——主动模式。比如你跟Agent说帮我调研一下竞品最近三个月的功能更新整理成一份报告发到我的邮箱。Agent会自己分解任务① 搜索竞品官网和更新日志② 整理关键功能点③ 生成报告文档④ 调用邮件工具发送整个过程不需要你一步步指挥Agent自己规划、执行、调整。Agent LLM大脑 MCP手脚 Skill专业技能 自主规划能力。十、管理一群AI干活Harness Engineering当AI能主动做事之后新的问题出现了怎么让一堆AI、工具、工作流稳定地协同工作不出乱子**Harness Engineering驾驭工程**就是解决这个问题的。它是一套工程方法论核心思想是给AI系统加上缰绳和马鞍——既要让它跑得快又要保证不跑偏。具体来说包括监控AI的执行过程、设置安全边界、处理异常情况、评估输出质量等。就像你不会让一个刚学会开车的实习生独自上高速Harness Engineering 就是给AI系统上的保险和导航系统。一张图串起来AI的进化链看完这10个名词你可能会觉得信息量很大。但如果把它们串成一条链逻辑就清晰了LLM 大脑基础能力Token 大脑处理信息的方式Prompt 跟大脑说话的语言Context/Memory 大脑的记忆力AIGC 大脑的产出物RAG 大脑查资料的能力MCP 大脑操作外部工具的手Skill 大脑的专业技能包Agent 有大脑、有手、有技能能自主干活的人Harness Engineering 管理这群人干活的工程方法层级对应名词类比基础层LLM、Token大脑 思维方式交互层Prompt、Context、Memory说话方式 记忆力产出层AIGC、RAG创作能力 查资料能力扩展层MCP、Skill手 专业技能应用层Agent、Harness Engineering完整的人 管理团队常见误区我踩过的坑误区1这些名词是互斥的学了A就不用学B恰恰相反它们是层层叠加的关系。你理解LLM才能更好地写Prompt会写Prompt才能用好RAG有了RAG和MCP才能搭出Agent。别想着跳过基础直接上Agent地基不牢会摔得很惨。误区2AIGC就是聊天机器人AIGC的范围远不止文字聊天。图片、视频、音频、代码、3D模型……只要AI生成出来的东西都叫AIGC。聊天只是其中一种形式。误区3有了Agent程序员就要失业了Agent确实能干很多活但它需要Harness Engineering来约束和管理。谁来设计Harness谁来定义Skill谁来评估Agent的输出质量还是程序员。工具变了但工程思维永远不过时。总结回看这些AI技术名词你会发现它们其实都在解决同一件事怎么让AI从回答一句话慢慢变成真正能协助人完成工作的系统。最开始AI只是能聊天LLM Prompt。后来它开始理解复杂指令、记住上下文、生成文字图片视频Context Memory AIGC。再后来它会查资料、调用工具、执行复杂任务RAG MCP Skill Agent。最后我们用工程化的方法把它们管理起来Harness Engineering。技术名词不可怕可怕的是把它们当成孤立的孤岛。串成链、理清楚你会发现AI的世界没那么复杂。如果觉得这篇文章对你有帮助欢迎点赞、在看、转发三连有问题也可以在评论区留言我会尽量回复。关于作者程序猿Joe从CRUD程序员到架构师的蜕变者专治各种代码癌症。不定期分享技术干货欢迎关注。