如果你刚接触 AI，一定会被一堆名词砸得有点晕：token、prompt、RAG、Agent、MCP……它们各自听起来都很厉害，但彼此之间到底是什么关系？今天这篇文章，我们用几张图把这套知识骨架搭起来。看完你会有一种“原来如此”的通透感。
整体架构关系图
一个真实的 AI 应用，不是只有一个大模型在默默回答问题。它更像是一条流水线，每个环节负责一件事，最后拼接出你看到的“智能”。
flowchart TB
subgraph 用户层
U[用户输入]
end
subgraph Prompt 工程
P1[System Prompt<br/>系统指令]
P2[Instruction<br/>任务指令]
P3[Examples<br/>示例]
P4[Output Format<br/>输出格式]
end
subgraph RAG 检索增强
R1[用户问题]
R2[向量数据库]
R3[Embedding<br/>向量化]
R4[相似度检索]
R5[Top-K 文档]
end
subgraph Context 上下文
C1[System Prompt]
C2[历史对话]
C3[检索文档]
C4[工具返回结果]
C5[当前用户输入]
C6[Context Window<br/>最大 token 限制]
end
subgraph Token 层
T1[Tokenizer 分词]
T2[Token 序列]
T3[Token IDs]
end
subgraph LLM 大语言模型
L1[Embedding 层]
L2[Transformer 层]
L3[注意力机制]
L4[输出层]
end
subgraph Tool 工具调用
TL1[搜索引擎]
TL2[计算器]
TL3[数据库]
TL4[代码执行]
TL5[API 调用]
end
subgraph MCP 协议
M1[MCP Server]
M2[MCP Client]
M3[统一工具接口]
end
subgraph AI Agent 智能体
A1[感知]
A2[推理/规划]
A3[行动]
A4[记忆]
A5[反思]
end
subgraph LangChain 框架
LC1[Models<br/>模型接口]
LC2[Prompts<br/>提示管理]
LC3[Chains<br/>调用链]
LC4[Memory<br/>记忆管理]
LC5[Tools<br/>工具集成]
LC6[Agents<br/>智能体]
LC7[Retrievers<br/>检索器]
end
U --> P2
P1 --> C1
P2 --> C5
P3 --> P2
P4 --> P2
U --> R1
R1 --> R3
R3 --> R4
R2 --> R4
R4 --> R5
R5 --> C3
C1 --> C6
C2 --> C6
C3 --> C6
C4 --> C6
C5 --> C6
C6 --> T1
T1 --> T2
T2 --> T3
T3 --> L1
L1 --> L2
L2 --> L3
L3 --> L4
L4 -->|需要工具| TL1
L4 -->|需要工具| TL2
L4 -->|需要工具| TL3
L4 -->|需要工具| TL4
L4 -->|需要工具| TL5
TL1 --> C4
TL2 --> C4
TL3 --> C4
TL4 --> C4
TL5 --> C4
M3 --> TL1
M3 --> TL2
M3 --> TL3
M3 --> TL4
M3 --> TL5
M2 --> M3
M1 --> M2
A1 --> U
A2 --> L4
A3 --> TL1
A3 --> TL2
A3 --> TL3
A3 --> TL4
A3 --> TL5
A4 --> C2
A5 --> A2
LC1 --> L1
LC2 --> P1
LC3 --> T1
LC4 --> C2
LC5 --> TL1
LC6 --> A1
LC7 --> R4
这张图虽然密密麻麻，但核心逻辑很清晰：用户输入 → 加工 Prompt → 补充上下文 → 转成 Token → 送进大模型 → 必要时调用工具 → 最终输出。MCP、LangChain、Agent 这些，都是让这条流水线更规范、更自动化的不同层级的工具。
一次完整请求的数据流向
理解了整体结构，我们再跟着一个真实的问题走一遍。
可以看到，大模型是整个流程的决策中枢，但它并不孤单。需要查资料时，RAG 上场；需要计算或查实时信息时，工具上场；工具和模型之间，往往由 LangChain 编排、由 MCP 统一对接。答案不是一次性生成的，而是在「推理 → 工具 → 回填 → 再推理」的循环里逐渐成形的。
各概念的角色定位
与其死记硬背每个名词的定义，不如先搞清楚它们站在哪一层。
flowchart TD
subgraph 输入层
TOKEN[Token<br/>基本单元]
CONTEXT[Context<br/>上下文窗口]
PROMPT[Prompt<br/>提示词工程]
end
subgraph 核心层
LLM[LLM<br/>大语言模型<br/>大脑]
end
subgraph 能力层
TOOL[Tool<br/>外部工具]
RAG[RAG<br/>知识检索]
MCP[MCP<br/>工具协议]
end
subgraph 框架层
LANGCHAIN[LangChain<br/>开发框架]
end
subgraph 应用层
AGENT[AI Agent<br/>智能体]
end
TOKEN --> CONTEXT
CONTEXT --> PROMPT
PROMPT --> LLM
LLM --> TOOL
RAG --> CONTEXT
MCP --> TOOL
LANGCHAIN --> TOKEN
LANGCHAIN --> PROMPT
LANGCHAIN --> LLM
LANGCHAIN --> TOOL
LANGCHAIN --> RAG
LANGCHAIN --> AGENT
AGENT --> LLM
AGENT --> TOOL
AGENT --> RAG
MCP -.->|统一接口| LANGCHAIN
style LLM fill:#f9f,stroke:#333,stroke-width:3px
style AGENT fill:#ff9,stroke:#333,stroke-width:3px
style LANGCHAIN fill:#bbf,stroke:#333,stroke-width:3px
LLM 是大脑，Agent 是员工，LangChain 是脚手架。 Token、Context、Prompt 是喂给大脑的材料；Tool、RAG、MCP 是给大脑装上的手脚和资料库。LangChain 负责把它们串起来，Agent 则让这套系统能自己动起来。
分层关系详解
如果我们把 AI 应用比作一栋楼，每一层都有自己的分工。
最底层是输入层，决定模型「看到什么」；往上是 LLM，负责「理解并生成」；再往上是能力扩展层，让模型不再只会聊天；LangChain 是工程框架，帮你把这些能力落地；最顶层的 Agent，则是让 AI 像人一样自主完成任务的最终形态。
一图看懂九大概念关系
如果上面这些图还是太细，那请记住下面这张「鸟瞰图」。
Prompt、RAG、Tool 最终都汇进 Context；Context 的本质是一串 Token；Token 进入 LLM 后，由它决定是直接回答，还是通过 MCP 去调用外部工具。LangChain 是这一切的粘合剂，而 Agent 是最终面向用户的产品形态。
概念速查表
| 概念 | 一句话解释 | 角色 |
|---|---|---|
| Token | 文本的最小切分单元 | 砖块 |
| Context | 模型能看到的全部信息 | 工作台 |
| Prompt | 结构化的输入指令 | 任务书 |
| LLM | 理解和生成语言的核心引擎 | 大脑 |
| Tool | 让模型调用外部能力 | 手脚 |
| RAG | 从知识库检索文档塞入 context | 查资料 |
| LangChain | 串联上述所有组件的开发框架 | 脚手架 |
| AI Agent | 能自主感知→决策→行动的智能系统 | 员工 |
| MCP | 标准化工具接入协议 | USB 接口 |
写在最后
AI 领域的概念很多，但它们并不是孤立存在的。记住一条主线就够了：
Token 组成 Context，Context 承载 Prompt，Prompt 驱动 LLM，LLM 借助 RAG 和 Tool 增强能力，MCP 让工具接入标准化，LangChain 让工程落地，Agent 让这一切自动跑起来。
