一条视频讲清 18 个主流 AI 热词：从 LLM、Prompt 到 Agent 与 MCP

以下是视频口播的自动转写，可能有错字。

嘿，很多人在学 ai 的时候，遇到生词，脑袋就卡住了，看的人就一脸懵。嗯，看完这期视频，以后你再看一些 ai 相关的视频、文章、资讯的时候，头就再也不会大了。给你用最简单、最直白、最不绕弯子的大白话讲清楚这些词的关联和逻辑。好了，话不多说，点好收藏、关注、赞，我们出发喽！

那先说 llm 大语言模型，你平时用的一些 ai 助手，里面负责理解和生成语言的核心，主要的就是它了。不过这里啊，我们先要理解一件事情，聊天应用和模型还真不是一回事。应用里边呢，可以接入模型，而模型给我们回答的时候，它呢会根据我们前面给它聊的一些内容，来预测接下来该生成什么。

再一点点的把回答接进来，所以呢它能给我们生成一些文案，编写一些故事，也可能生成听起来挺合理的，但实际呢完全不准确的一些内容，这个就是大家常说的 ai 幻觉。回答呢是流畅的，但是它不代表它事实，它就是正确的。不过我们平时交给 ai 的也不完全是文字哈，比如你拍一张发票给他，让他帮你统计一些日期、抬头、金额。

给他一段录音，他呢能够处理里面的一些文字内容，能处理一些文字、图片、声音等等这种不同类型的信息，这个呢就涉及多模态了。那具体能处理哪些呢？还要看我们接入的模型，它支持什么。但同样一张发票，你不管是让它帮你提取里面的一些信息，还是把它整理成表格，那这些具体的问题我们肯定都是要说清楚的。

那这些你给 ai 提出的指令和要求，就 prompt。提示词，比如帮我看一下这张发票。这个我就给他说，把金额、日期、抬头整理成表格。那我们交代的任务不同，他整理出来的结果自然也是不会一样的。所以要写提示词，首先就是要把我们的话讲清楚，要做什么，你有什么材料，最后我的需求结果是什么。

你就可以把它当成你和同事在交代工作，也不要指望他能知道你脑袋里面的一些小九九。这些要求发送过去，模型在处理这些文字的时候，他们呢还会把这些文字先拆开，而拆出来这一个个的小片段呢，就叫 token，也是衡量模型处理内容数量的基本单位。token、汉字、英文单词，它们之间呢没有固定的对应关系。

那具体怎么拆呢？怎么来算这次的收费方式？还是要看你用的那个模型分词的一个方式。咱们呢也不用挨个数啊，因为每个模型的分词方式呢，它也是不一样的。咱们只要知道它跟这两件事情有关就可以了。第一，能处理多少？你的问题、聊天记录、参考资料，还有模型给你生成的回答，这些呢都和 token 挂钩。

第二就是我们花多少钱。通过 api 调用模型的时候呢，它通常会用输入和输出的 token 数量来计费。所以你再看到什么哪个哪个模型百万 token 上下文，这些呢都说的是容量，每百万 token 多少钱，讲的呢就是费用。那这个容量具体限制我们的又是什么呢？

模型一次能处理的 token 数量呢，它是有上限的，不是无限的。所以这个就叫 context window 上下文窗口，你就可以把它想成模型面前的一张办公桌，你的什么问题，前面的对话，还有一些参考资料，以及正在生成的回答。他们都占这张桌子的空间，聊的越久呢，资料也就越多了，这张桌子就会越来越挤。

当他快放不下的时候呢，模型就会移走一些旧内容，或者呢就把他们压缩成一些摘要，一些细节呢，他就可能丢掉了。这个时候呢，你就会发现，我前面明明已经给他讨论过了，讨论的很好，但现在他。他依旧是忘了一些细节。模型的窗口大呢，他确实能放更多内容，但是能放进去的一些内容，不代表每个细节他都能记得住。

一些无关的信息在你上下文里面呢，也可能会影响他最后给你的回答。就像几百分的公司文档，就没必要一次性都给他塞进去。这次问的是报销，先找到报销的相关内容就可以了。那怎么从一堆资料里面找到我想要的一些相关内容呢？这个时候通用的一种方法就是把 embedding 和向量数据库它们两个结合起来去使用。

它呢能把一段内容转换成一串数字，而这串数字就叫做向量。这样的话系统就能够计算比较这个内容的意思上是否是接近的。这样说你可能有点不太明白，就比如你问出差的打车钱怎么报呢？那我数据库文档里写的是差旅交通费报销规定。它这个用词是不一样的，但意思是相关的，系统呢就有机会把它们给匹配上。

意思越近，坐标呢通常也就越近。这些向量多了呢，就需要我们找地方存起来，还需要方便我们去查找。这个时候就用到了向量数据库。当你提问的时候呢，系统也会把你的问题转换成向量，再去数据库中呢检索一些相近的向量，把对应的资料提取出来。两个字连起来记，embedding 就负责把内容变成向量，而向量数据库就负责存储和检索。

当然，找资料也不一定用向量，我们还可以用关键词，或者是把这两个办法给它结合起来。资料找到了，再让模型参考着来回答我们。就接上 rag，rag 检索增强生成，先查资料再回答。就比如你问你公司的 ai，出门打车钱公司给不给报？他要是没有看过公司规定，光靠猜那肯定是不行的。

而 j 呢，他就会先去检索相关的报销条款，再把找到的内容和问题一起交给模型，模型组织完语言之后呢，再回答你。这就像你问同事能不能报，他呢先去翻公司的规章制度。然后根据里面的条款再来回答你。而这些资料呢，只是模型回答你这次问题的参考资料，不代表模型已经通过训练，永久学会了相关的一个知识。

而且 rag 呢，也不是用了它就一定会答对。资料找偏了、规定过期了，或者模型它理解错了，回答呢照样可能会有问题。而你在聊天框里看到的是一段回答，但它背后呢其实有程序在给它传达问题、资料还有结果。而程序和模型要想沟通起来呢，通常就要用到 api 接口。

那我们在平常使用 ai 的时候呢，通常是在聊天框里给它打字。而程序要想调用模型，就需要按照规定的格式来发送请求。就比如一段邮箱的正文，我发送给模型之后，想让它生成一段回复，再把生成的这个文字显现给我的话，那这里说的是文字怎么传递，还没有真正的去给我们实操邮箱。

那 api key 呢，它就是调用接口时使用的一个凭证，就可以把它理解成一把钥匙。那服务方呢，就通过它来识别你调用的是来自哪里的账号或者是项目，在检查权限之后呢，记录用量，api 规定了怎么调用，api key 用于验证调用身份。那这个凭证呢，就需要我们保管好，不要让别人拿到了。

你要让别人拿走了，就可能占用你的额度，费用呢还要记在你的头上。那现在呢，回复的文字是已经写好了，那我再说一句，帮我发送出去。那这个时候就需要我们连接上能够执行操作的工具了。to 就是 ai 能调用的外部能力，比如查日历、发邮件、检索一些网页、读取文件或者是运行一些代码。

就比如我这里要发邮件的话，那我就要填写好收件人、标题和正文。接着外面程序的操作呢，再把成功或者是失败的结果返回到模型里面。所以模型提供调用请求的时候，程序就负责去执行，而这两边就配合着把这件事情去做下去。可是邮箱、日历还有网盘，它们每一家的接口还不太一样。

这个时候就出现了 mcp。mcp 呢就是一套能让 ai 应用连接工具和数据源的标准协议。你呢就可以把它理解成之前大家都在用方言去交流，这个呢就不太方便。现在呢大家都用普通话去对接交流，这个就叫 mcp。所以 mcp 呢，就在解决工具和数据源我到底怎么接进来，让他们共用一套可以交流的方式。

而把这些能力都组织起来，完成一整件事情，还得安排步骤。那这每一步做什么，用哪个工具，遇到什么情况走哪一条路，这些都需要提前设计好。这个。就叫 workflow。比如新邮件来了之后，我先让 ai 去分类，然后问价格，查看价格表，起草回复，等你确定之后呢，再发送。

如果遇到一些投诉问题呢，就需要先整理相应的一个问题，等你处理完。之后再记录相应的一个结果，方便我后面再去跟进。而这个过程呢，也可以让 ai 去参与判断，生成一些相应的内容。但整体要先按照设计的流程去运行。不过有一些任务呢，你很难预判到每一步。

这个时候呢，就需要我们根据实际的一个结果，临时去决定下一步该怎么做。那这个时候就需要我们用到 agent 智能体。agent 它就可以围绕着一个目标，调用工具，观察结果，再根据结果调整接下来的一个行动。比如你说把这30张表格合成一张，这个过程中呢，就不需要我们每一步提前就把它写好，它呢就可以根据当前的一个情况。

决定接下来一步到底该做什么。所以 agent 的关键呢，就是我做一步，看一下结果，再决定下一步我要干什么，直到把这个任务完成。每次日期我该用什么格式？每次重复的记录我该怎么处理？这些反复使用的具体要求呢，就是 agent skills 把工作内容保存成可以复用的技能。

以后你再给 ai 说，按照公司的要求给我写个周报，但 ai 呢就能找到对应的一个技能，读取说明，按照这一套方法去处理。就像你给他准备了一本岗位的操作手册，遇到一些熟悉的工作呢，我就可以翻到对应的章节，我就能照着做下来。你呢也不用每一次都从头教，技能手册有了，资料也有了，但总不能每一次做上工作的时候都把资料发给 ai 看一遍吧？

这个时候就要用到 context engineering 上下文工程，你就可以把它理解成替 ai 整理工作桌。当前我要用到的资料先摆上来，现在我用不到的资料呢，先收起来。那我做完一步，再去补下一步我需要的一些信息。这样模型每一次在做判断的时候，它看到的都是适合它的材料。

但光有信息呢，还是不够的。只。行，检查和出错后到底该怎么处理，这些呢还需要人去安排。而在模型外面，让这些环节运行起来的程序和配套的机制呢，就是 harness。它呢就负责组织上下文，去执行工具的一个调用，把结果呢交回给模型。把这套系统搭好之后，还要去不断调整，就是 harness engineering。

harness 呢原本是马具的意思，你可以把模型想象成一匹马，而这些配套的机制呢，就像缰绳和玩具，让它的能力用到具体的一个任务上。同一个模型呢，配上不同的运行系统，它执行出来的任务可能效果也会差很多。自从有了编程智能体之后呢，写编程这件事情也催生了一个新的哲思。

就用自然语言说出你到底想做什么，让 ai 去生成代码，做出你想要的一个结果。那这个就是大家经常说的 web coding。简单来讲呢，就是以前你写代码，ai 呢给你打辅助。那现在你只要去描述出你的目标，ai 就负责去来实现，你来验收和调整。

还有一个 ai 词啊，就是 git。但严格来说呢，它应该算是一个软件。那 git 是什么呢？又和 github 又有什么区别呢？git 是一个软件，它呢是用来记录代码版本的。就比如说你做了一个项目，你就可以用 git 把现在的这个代码保存下来。

这样的话，以后要是改坏了，你也可以随时能够回退到这个版本。但是注意啊，git 它不会自动的替你保存每一次的修改。这个呢是需要我们主动提交的。而 github 呢，它就是一个网站，你就可以在上面去备份你的代码版本。也就是说你可以把代码还有那些版本记录呢，都在 github 那边存一份。

这样的话，就算哪天我的电脑坏了，这些东西我也不会丢。那总而言之呢，git 和 github 都是非常实用的工具。我个人建议呢，大家可以在用。用 ai 做编程项目的时候用上它，能省去我们大部分的麻烦。聊到这里，我们再回头看这些词，从你给 ai 交代任务，到它读取资料、生成回答，再到调用工具、检查结果，每往前走一步，都需要相应的能力和配套的机制。

所以一个 ai 产品好不好用，除了看模型本身，还要看它能拿到什么信息，用哪些工具，以及整套的程序该怎么配合。那这些词呢，也不用我们全背下来啊，我们只需要它是什么概念，放到哪个位置，它又起到了什么作用就行了。好了，如果这期视频对你有帮助的话，记得点赞、收藏、关注哦，我是之雪，下次见。