前言
随着 AI 工具逐渐渗透到我们的工作与生活，“大模型”“Token”“上下文窗口”这些词频繁出现，但很多人对它们的含义仍然一知半解。不懂这些核心概念，你可能永远只是在“玩”AI，而不是真正“用”好 AI。 本文将以通俗易懂的方式，带你了解 LLM 的基本原理、推理过程、上下文限制，以及如何更好地使用 AI 工具。
1. 什么是 LLM 和 Token?
1.1 LLM
LLM ( Large Language Model,大型语言模型)：他是一个基于海量文本数据训练的模型，能够进行复杂对话、文本创作等任务。
1.2 ToKen
Token：文本或数据中的一个基本单元和符号，例如当我们输入"我想吃苹果"， AI 只会把这几个字转换成特定的代码，例如转为"吃"和"苹果"，像这样转化后的最小单位，就是 Token。
拓展：1个Token大概为1.5个汉字。
1.3 推理过程
AI 推理过程：AI 本身并不会思考，他只会通过前文已经有的 Token，计算下一个 Token 出现的概率。例如你问 LLM "心情不好会怎么做?"，他会有着以下几个步骤。
AI 推理过程：
- 把这句话拆为几个核心 Token："心情"、"不好"、"怎么做"。
- 在自己的数据里搜索"心情"、"不好"关联度最高的上下文
- 发现核心 Token 后常跟着听歌(30%)、跳舞(25%)、吃顿好的(20%)...
- 选择最高的 Token "听歌"，并预测接下来的Token，回答"听听音乐，放松一下心情"。
这个过程看似在“思考”，实则只是基于概率的数学计算。因此，给 AI 投喂的数据越多，Token 越丰富，大模型推测越准。
2. 上下文窗口 与 "大模型幻觉"
2.1 Context Window
大模型本质上是数据函数，我们每次给大模型发送消息的时候，背后的程序会把之前的整段对话历史一起发过去，我们将它叫做上下文(Context)，除了对话记录，还会包含工具列表，系统提示词等。
然而 LLM 大模型的脑容量是有上限的，例如 Claude opus 4.6 的容量极限是1000k，约150万汉字，这个极限成为上下文窗口(Context Window)
2.2 大模型幻觉
当 Token 消耗量达到上下文窗口时，他不会死机，而是会强制删除最早期的Token，但 LLM 大模型必须回答用户问题，即使没有相关数据，他也会编造一个看似合理实则错误的答案，这就是最基本的大模型幻觉。
2.3 RAG
为了避免大模型幻觉，我们使用一个叫做 RAG 的技术，它可以从产品手册中抽取与问题最为匹配的几个片段，然后只把这几个片段发给大模型，让大模型只根据这几个片段进行匹配(不是一整本书，就会节约上下文)，这样的话就解决了上下文问题和大模型幻觉。
3. Prompt、Tool、MCP
3.1 基础Prompt
提示词(Prompt)：大模型接受的具体问题或指令，例如发给AI的"我想吃苹果"。
但是如果只是简单的发送指令，例如"给我写首诗"，AI 可能会给你打油诗、古诗、现代诗，并不稳定，可以这么写"请帮我写一首七言律诗，主题是写水、风格豪放"。
3.2 Prompt Engineering
提示词工程(Prompt Engineering)：研究把话说清楚，让大模型更精准理解意图
不同的人使用 AI 的效果天差地别，表面看是 prompt 提示词的问题，实际上是信息组织能力的体现。
举个例子，例如"帮我拿下钥匙"、"帮我从餐桌上拿一个白色的电动车钥匙并给我"。这个例子在现实来看很蠢，会显得执行人没有常识，但在工作领域，这种表达显得十分重要，因为提供了足够信息，让执行人有明确的执行路径。
因此，学习提示词重要的不是结构、文笔，而是详细且通顺的逻辑，预期学习复杂的提示词模板，不如锻炼自己的逻辑表达，这才是用好 AI 的 "内功"。
3.3 Promot 分类
3.3.1 User Prompt
用户提示词(User Prompt)：用户自己输入的提示词，例如 1+1 等于几。
3.3.2 System Prompt
系统提示词(System Prompt)：系统提示词，用于设计模型的人设和风格。
这是开发者在后台设置的，用户并不会看到，但会一直影响大模型的行为
你是一个乐于助人、诚实、无害的AI助手。你的回答应简洁、清晰，避免过度复杂或模糊的表述。如果遇到不确定的问题，请直接说明“我不确定”或“我暂时无法回答”，不要编造信息。始终用中文回复，语气保持友好、专业。
3.4 Tool
大模型有一个缺点：无法与外界环境接触，只是预测下一个词。
例如你问他今天的天气，它并不能准确地回答，如这篇文章发布时，DeepSeek截止到2025年5月，如果不开联网搜索，往后的事件他是不知道的。
这时候需要工具(Tool)，Tool本质上就是一个函数，你给他输入，他给你输出，在内部，他可能会调用不同的接口，有了它，大模型就可以回答你的问题了。
AI推理过程：
3.5 MCP
在上述的过程中，平台要把工具列表传给模型，还需要调用工具。
这套接入的规范，每个模型都不一样，因此，MCP诞生了。
MCP (Model Context Protocol)：统一接口规范(统一的工具接入标准)，至此，只需要开发一次工具，这个工具就可以被所有支持 MCP 的平台使用了。
4. Agent、Agent Skill
4.1 Agent
AI 可以自主规划，调用工具，直到完成用户任务的系统就称为 Agent。
比如给他一个复杂任务"帮我查一下今天适合穿什么"，Agent 会调用经纬度(查询用户所在地)、天气(根据经纬度查询天气状况)，最后给出回复。
4.2 Agent Skill
SKill 就是 Agent 的说明文档，里面包含了任务规则、执行步骤、输出格式等。
在 SKILL 内部包含了元数据层、指令层，元数据层包含了名字和描述，指令层包含了目标、执行步骤、判断规则、输出格式、示例。
拓展：LLM 大模型 与 日常 AI 的关系
我们日常使用的 AI 模型，例如 DeepSeek、豆包等应用，实则并不是 LLM 本身，只是基于 LLM 开发的 聊天机器人（Chatbot）。
举个例子，LLM 就像是汽车的发动机，虽然可以高速旋转(预测下一个 "Token")，但是无法驾驶；而 产品经理帮他装上了聊天界面、安全限制，还给他写了系统提示词（方向盘、座椅、安全系统），他才变成了一个可以听指令，安全行驶的汽车。
结语
恭喜你，现在已经掌握了 AI 世界的几个核心拼图：从 Token 的拆解、概率推理的真相，到上下文窗口的“记忆天花板”和幻觉的来源；从提示词的精准表达、工具的扩展能力，再到 MCP 统一标准和 Agent 的自主规划。
