不讲文绉绉的概念，旨在用通俗易懂的话让大家搞明白。 1. LLM（大语言模型） AI的“大脑”，比如GPT、文心一言、通义千问。 链路：人类语言 → Tokenizer（中间人）→ 转成数字 → 大模型处理 → 转回文字输出。 本质是“一个词（Token）对应一个输出”的概率模型。 2. Token 大模型处理语言的最小单位。 • 1个Token ≈ 0.75个英文单词 • 1个Token ≈ 1.3-2个汉字 词元≠词，比如“程序员”就是2个Token，是大模型每次能处理的最小单元。 3. Context （上下文） • Context：大模型的“临时记忆”，每次处理任务时收到的所有信息总和。 • Context Window：上下文窗口。上下文能容纳的最大Token数量，超过就会被遗忘。 4. RAG（检索增强生成） 解决大模型“忘事”和“乱编”的神器！ 不用受Context Window大小限制，能读取你的私有资料，让回答更真实可靠。 5. Prompt （提示词） • Prompt：你对AI说的具体问题/指令，直接决定回答质量。 a. User Prompt：你每次输入的话 b. System Prompt：开发者后台设置的AI人设和做事规则 • Prompt Engineering：提示词工程，研究怎么把话说明白，让AI输出更精准。 6. Function Calling（函数调用） 给大模型装“外挂工具”，让它能调用外部能力（查天气、计算器、发邮件）。 7. MCP（Model Context Protocol） 统一的工具接入标准，不用为每个大模型单独开发，让工具更易接入平台，大大降低了工具集成的成本。 8. Agent（智能体） 能自主规划、自主调用工具，直到完成你任务的系统，像一个“自动助理”。 • Multi-Agent（多智能体）→ 多线程并行，拆分不同Agent负责不同模块，效率更高。 9.Skill（技能） 给Agent看的可复用能力说明文档（Markdown格式），是结构化的功能单元。 • 和Prompt的区别：Skill是可复用的，Prompt是一次性、每次都要输入的指令。 10. Harness Engineering（驾驭工程） 给AI套上“马具”，让它听话、稳定、不出错。 #howto用好AI @HOWTO薯