从 LLM 到 Agent Skill：一文带你打通 AI 技术的底层工程逻辑

从 LLM 到 Agent Skill：一文带你打通 AI 技术的底层工程逻辑

从 LLM 到 Agent Skill：一文带你打通 AI 技术的底层工程逻辑

摘要

本文从底层工程视角，系统拆解了从大语言模型（LLM）到 Agent Skill 的完整 AI 技术栈。文章以分层逻辑为主线，依次阐述了 Transformer 架构与 LLM 的"文字接龙引擎"本质、Tokenizer 与 Token 的编码解码机制、Context 与 Context Window 的短时记忆原理、RAG 检索增强生成的知识注入方案、Prompt 工程的行为控制方法、Tool 与 MCP 协议的现实世界接口、Agent 的规划与执行能力，以及 Agent Skill 的结构化操作说明书概念。文章强调，理解这套底层工程逻辑是驾驭 AI 技术、避免被营销话术误导的关键。

核心论点

AI 技术栈（从 LLM 到 Agent Skill）是一套逻辑严密的分层系统，理解其底层工程逻辑是驾驭 AI 技术的关键。每个层级解决特定的工程问题，层层递进，最终将通用模型转化为贴近业务场景的专属数字助手。

关键发现

  1. LLM 本质是"文字接龙引擎"：其"智能"源于对下一个 Token 的预测，而非真正的理解或思考。
  2. Token 是底层计量单位：Token 不等于"词"，是模型处理文本的最小片段，决定成本、容量和吞吐。
  3. 模型无持久记忆：模型的"记忆"是通过每次请求时打包历史对话作为 Context 实现的。
  4. RAG 是实用工程方案：通过检索+生成的方式，打破 Context Window 限制，降低 Token 成本，提高回答准确率。
  5. Prompt 是行为轨道：System Prompt 是后台设定的隐藏规则，决定模型的行为边界和输出风格。
  6. Tool 与 MCP 是现实世界接口：Tool 是封装好的外部函数或 API，MCP 是统一模型与工具交互的标准协议。
  7. Agent 是执行者：具备拆解任务、制定计划、循环执行工具的能力，核心是 ReAct（推理与行动循环）模式。
  8. Agent Skill 是关键差异化：一份写给 Agent 的结构化操作说明书，让通用 Agent 理解特定业务工作流，实现个性化、专业化。

分层结构总结

  • LLM：基础智能引擎
  • Token 和 Context：信息处理边界
  • Prompt：行为方向盘
  • Tool 和 MCP：现实世界接口
  • Agent：规划与执行能力
  • Agent Skill：业务场景适配
分享到