原文作者：@VincentLogic
一、最底层：LLM大语言模型
-
历史脉络：Transformer架构由Google团队在2017年提出（论文《Attention Is All You Need》），但真正引爆全球的是OpenAI。
-
里程碑事件：2022年底：GPT-3.5横空出世，首个真正达到可用级别的大模型 2023年3月：GPT-4发布，将AI能力天花板拉到新高度 如今：GPT家族仍是标杆，但Claude、Gemini等后起之秀已在各自领域同台竞技
-
预测下一个概率最高的词："特别"
-
将"特别"追加到输入后，再预测下个词："得"
-
继续追加，预测："棒"
-
最终输出完整回答："特别的棒"
二、大模型的"翻译官"：Token与Tokenizer
-
切分：将文本拆成最小片段（token）
-
映射：将每个token对应到数字（token ID）
-
中文例子："程序员"被拆成"程序"+"员"两个token
-
英文例子："helpful"被拆成"help"+"ful"两个token
-
极端情况：一个特殊字符可能需要3个token表示
-
1个token ≈ 0.75个英文单词
-
1个token ≈ 1.5~2个汉字
-
40万token ≈ 60~80万汉字（相当于一本厚书）
三、临时记忆体：Context与Context Window
-
用户当前问题
-
对话历史
-
正在输出的token
-
工具列表
-
System prompt等
-
GPT-4.5：105万token
-
Claude 3.1 Pro：100万token
-
Cloudopus 4.6：100万token
-
从文档中抽取与问题最匹配的片段
-
只将相关片段发给模型
-
既突破context window限制，又控制成本
四、指令的艺术：Prompt工程
-
User Prompt：用户输入的问题（如"帮我写一首诗"）
-
System Prompt：开发者配置的人设和规则（用户不可见）
五、感知世界的钥匙：Tool与MCP
-
Tool本质是一个函数：输入参数 → 执行操作 → 返回结果
-
例如天气查询工具：输入（城市+日期） → 调用气象接口 → 返回天气数据
-
用户问题发给平台（传话筒）
-
平台将问题+可用工具列表发给大模型
-
大模型分析后生成工具调用指令
-
平台调用对应工具
-
工具返回结果给平台
-
平台将结果发给大模型
-
大模型整理成自然语言回答用户
-
大模型：选择工具 + 汇总结果
-
工具：执行具体操作
-
平台：串联整个流程
-
ChatGPT需按OpenAI规范接入
-
Claude需按Anthropic规范接入
-
Gemini需按Google规范接入 → 同一个工具要写三遍代码
-
全称：模型上下文协议
-
本质：统一的工具接入标准
-
价值：工具开发者只需按MCP规范写一次代码，即可在所有支持MCP的平台使用 → 类似手机统一用Type-C接口
六、自主智能体：Agent与Agent Skill
-
调用定位工具获取经纬度
-
调用天气工具查询天气
-
根据天气结果（如下雨），调用店铺工具搜索雨伞店
-
综合所有信息给出最终答案
-
下雨带伞、光照强戴帽子、空气差戴口罩...
-
要求回答格式："先总结，再列带原因的物品清单"
-
本质：提前写好给Agent看的说明文档（Markdown格式）
-
结构：元数据层：名称(name)+描述(description) 指令层：目标、执行步骤、判断规则、输出格式、示例
-
在.cloudskills目录新建文件夹（名称=skill名）
-
文件夹内创建SKILL.md文件（注意：必须大写）
-
写入完整指令内容
-
Agent在匹配时自动加载执行
-
调用定位工具
-
调用天气工具
-
按预设规则判断需带物品
-
按指定格式输出结果
七、完整知识体系
-
LLM = 核心引擎
-
Token = 数据处理基本单元
-
Context = 临时记忆体（内容单位是token）
-
Context Window = 记忆体容量上限
-
Prompt = 具体指令（分User/System两类）
-
Tool = 感知外部世界的函数
-
MCP = 统一工具接入标准
-
Agent = 自主规划+工具调用的系统
-
Agent Skill = Agent的说明书
-
Cloud Code、Codex、Gemini CLI... 本质都是在这个框架下运作
-
无论技术如何迭代，核心原理不变
来源：https://x.com/VincentLogic/status/2041013815031267830
