AI的一些名词，希望有所帮助
- 内容介绍
- 文章标签
- 相关推荐
AI常见名词
一、大模型
1.LLM
LLM 是 Large Language Model（大型语言模型）的缩写
image-20260402192117025865×170 27.5 KB
现代 LLM 几乎都建立在 Transformer 架构之上，核心机制是 Attention（注意力机制），让模型在生成每个词时能"关注"到上下文中最相关的部分
常见产品
image-20260402192831483642×261 13.9 KB
2.Token
LLM 不是以"字"或"词"为单位处理文本的，而是以 Token 为单位。Token 是模型能识别的最小文本单元，介于字符和单词之间
image-20260402193044026950×304 22.1 KB
二、上下文
1.Context
在 LLM 里，Context 就是模型在生成回答时能"看到"的所有信息。每次调用模型，你塞给它的全部内容——都叫做 Context
image-20260402194305999966×534 39.5 KB
2.Context Window
上下文窗口，这是 Context 的容量上限，以 token 数衡量：
image-20260402194510009761×210 7.14 KB
200K token 大概能装下一整本长篇小说，或者几千行代码
超出上限 早期内容会被截断丢弃，模型就真的"忘了"
三、常见外挂
1.Prompt
Prompt 就是你发给 AI 模型的输入文本，用来引导它生成你想要的输出
可以把大语言模型想象成一个极其博学但没有主动意识的"函数"：
输入（Prompt） → [LLM] → 输出（Response）
你给什么输入，它就根据输入预测最合适的续写内容。所以 Prompt 的质量直接决定输出质量
image-20260402194843083952×372 37.9 KB
2.Tool
Tool 是给 AI 模型扩展能力的机制，让它不只是"说话"，还能执行操作、获取外部数据
LLM 本身有两大局限：
- 知识有截止日期，不知道实时信息
- 只能输出文本，无法直接操作系统
image-20260402195053575969×400 15.8 KB
具体运行流程
image-202604021953354991250×723 126 KB
3.MCP
（Model Context Protocol）MCP 是一套开放标准协议，让 AI 模型能够以统一的方式连接各种外部工具和数据源，由 Anthropic 提出并开源
image-20260402195620458890×165 18.2 KB
传统缺点
App A 想用 GitHub → 自己写 GitHub Tool
App B 想用 GitHub → 又自己写一遍
App C 想用 GitHub → 再写一遍...
image-202604021957435961303×510 20.5 KB
4.Agent
Agent 是能够自主思考、规划、并连续执行多步操作来完成目标的 AI 系统
image-20260402200516821945×311 19.1 KB
Agent 的三个核心能力
┌─────────────────────────────────────────┐
│ Agent │
│ │
│ 🧠 规划能力 把大目标拆成小步骤 │
│ 🛠️ 工具使用 调用 Tool / MCP 执行操作 │
│ 💾 记忆管理 记住上下文和中间结果 │
└─────────────────────────────────────────┘
本质上就是这样
image-20260402200806476541×228 10.7 KB
5.Skill
SKILL 是一套给 Claude 看的"最佳实践说明书"，告诉它在完成特定类型任务时该怎么做、用什么库、注意什么坑
Claude 虽然什么都懂一点，但在具体任务上（比如生成 .docx、.pptx）往往需要：
- 知道用哪个 Python 库
- 知道正确的代码模板
- 避免已知的坑（比如 pip 需要加
--break-system-packages）
这些经验靠"试错积累"出来，写进 SKILL.md 文件里，Claude 每次执行前先读，就能直接用最优方案
image-20260402201047916689×307 9.2 KB
本质就是一个 Markdown 文件，里面包含
# PPTX Skill
## 使用的库
python-pptx >= 0.6.21
## 安装方式
pip install python-pptx --break-system-packages
## 基础模板
[代码示例]
## 注意事项
- 字体路径在 Linux 下是 xxx
- 图片插入需要先转换格式
- 已知 bug：xxx 要这样绕过
具体关系
image-20260402201436370520×139 5.59 KB
网友解答：--【壹】--：
skill会占用上下文的token么 即开启一次回话后在一开始添加. 然后超过上下文就没了? 论坛里一直看到说有些agent给的skill或者rule 老是不听话
--【贰】--：
感谢分享！学习学习！
--【叁】--：
harness 是开发流程，从ai遵循这套规范吗？
--【肆】--：
感谢佬的分享
--【伍】--：
感谢分享
--【陆】--：
我去，好主意
--【柒】--：
感谢佬的分享，讲的很好，非常适合给想了解的人介绍；
--【捌】--：
是的，会占用。 模型是不具备长久记忆的，它每一次回答你，都是在对当前的“所有上下文”进行重新阅读和计算。写在 Agent 里的 Skill、人设、规则，本质上就是一段文本，它们会实打实地占据模型总上下文窗口的 Token 额度
现在绝大多数成熟的 Agent 平台（包括主流 API 的 System Prompt 功能），都会把 Skill 作为“系统级提示词”永久固定在最前面。 它的运作逻辑是：每次你发送新消息时，后台都会把 【固定的 Skill + 截断后的最近聊天记录 + 你的新问题】 打包发给模型。 结果就是： Skill 永远不会消失，但它永远都在占用你的 Token 额度。如果你的 Skill 占了 2000 个 Token，那么模型每次留给“聊天记录”的可用空间就永久少了 2000 个
--【玖】--： chuan:
Token
词元， 台湾作符元
--【拾】--：
md文件，好好好
--【拾壹】--：
其实是想像佬请教一下记笔记的方式，总感觉我这么写不容易回顾
--【拾贰】--：
神经网络等等嘛，好的好的
--【拾叁】--：
感觉可以放到文档共建区域去大家一起完善（）
--【拾肆】--：
感谢佬友分享，感觉还可以加上一些AI黑话啥的
--【拾伍】--：
L站作为作者，出一本人工智能的书
--【拾陆】--：
写成md文件方便查找
--【拾柒】--：
很有用，感谢
--【拾捌】--：
感谢佬友！非常全面！
AI常见名词
一、大模型
1.LLM
LLM 是 Large Language Model（大型语言模型）的缩写
image-20260402192117025865×170 27.5 KB
现代 LLM 几乎都建立在 Transformer 架构之上，核心机制是 Attention（注意力机制），让模型在生成每个词时能"关注"到上下文中最相关的部分
常见产品
image-20260402192831483642×261 13.9 KB
2.Token
LLM 不是以"字"或"词"为单位处理文本的，而是以 Token 为单位。Token 是模型能识别的最小文本单元，介于字符和单词之间
image-20260402193044026950×304 22.1 KB
二、上下文
1.Context
在 LLM 里，Context 就是模型在生成回答时能"看到"的所有信息。每次调用模型，你塞给它的全部内容——都叫做 Context
image-20260402194305999966×534 39.5 KB
2.Context Window
上下文窗口，这是 Context 的容量上限，以 token 数衡量：
image-20260402194510009761×210 7.14 KB
200K token 大概能装下一整本长篇小说，或者几千行代码
超出上限 早期内容会被截断丢弃，模型就真的"忘了"
三、常见外挂
1.Prompt
Prompt 就是你发给 AI 模型的输入文本，用来引导它生成你想要的输出
可以把大语言模型想象成一个极其博学但没有主动意识的"函数"：
输入（Prompt） → [LLM] → 输出（Response）
你给什么输入，它就根据输入预测最合适的续写内容。所以 Prompt 的质量直接决定输出质量
image-20260402194843083952×372 37.9 KB
2.Tool
Tool 是给 AI 模型扩展能力的机制，让它不只是"说话"，还能执行操作、获取外部数据
LLM 本身有两大局限：
- 知识有截止日期，不知道实时信息
- 只能输出文本，无法直接操作系统
image-20260402195053575969×400 15.8 KB
具体运行流程
image-202604021953354991250×723 126 KB
3.MCP
（Model Context Protocol）MCP 是一套开放标准协议，让 AI 模型能够以统一的方式连接各种外部工具和数据源，由 Anthropic 提出并开源
image-20260402195620458890×165 18.2 KB
传统缺点
App A 想用 GitHub → 自己写 GitHub Tool
App B 想用 GitHub → 又自己写一遍
App C 想用 GitHub → 再写一遍...
image-202604021957435961303×510 20.5 KB
4.Agent
Agent 是能够自主思考、规划、并连续执行多步操作来完成目标的 AI 系统
image-20260402200516821945×311 19.1 KB
Agent 的三个核心能力
┌─────────────────────────────────────────┐
│ Agent │
│ │
│ 🧠 规划能力 把大目标拆成小步骤 │
│ 🛠️ 工具使用 调用 Tool / MCP 执行操作 │
│ 💾 记忆管理 记住上下文和中间结果 │
└─────────────────────────────────────────┘
本质上就是这样
image-20260402200806476541×228 10.7 KB
5.Skill
SKILL 是一套给 Claude 看的"最佳实践说明书"，告诉它在完成特定类型任务时该怎么做、用什么库、注意什么坑
Claude 虽然什么都懂一点，但在具体任务上（比如生成 .docx、.pptx）往往需要：
- 知道用哪个 Python 库
- 知道正确的代码模板
- 避免已知的坑（比如 pip 需要加
--break-system-packages）
这些经验靠"试错积累"出来，写进 SKILL.md 文件里，Claude 每次执行前先读，就能直接用最优方案
image-20260402201047916689×307 9.2 KB
本质就是一个 Markdown 文件，里面包含
# PPTX Skill
## 使用的库
python-pptx >= 0.6.21
## 安装方式
pip install python-pptx --break-system-packages
## 基础模板
[代码示例]
## 注意事项
- 字体路径在 Linux 下是 xxx
- 图片插入需要先转换格式
- 已知 bug：xxx 要这样绕过
具体关系
image-20260402201436370520×139 5.59 KB
网友解答：--【壹】--：
skill会占用上下文的token么 即开启一次回话后在一开始添加. 然后超过上下文就没了? 论坛里一直看到说有些agent给的skill或者rule 老是不听话
--【贰】--：
感谢分享！学习学习！
--【叁】--：
harness 是开发流程，从ai遵循这套规范吗？
--【肆】--：
感谢佬的分享
--【伍】--：
感谢分享
--【陆】--：
我去，好主意
--【柒】--：
感谢佬的分享，讲的很好，非常适合给想了解的人介绍；
--【捌】--：
是的，会占用。 模型是不具备长久记忆的，它每一次回答你，都是在对当前的“所有上下文”进行重新阅读和计算。写在 Agent 里的 Skill、人设、规则，本质上就是一段文本，它们会实打实地占据模型总上下文窗口的 Token 额度
现在绝大多数成熟的 Agent 平台（包括主流 API 的 System Prompt 功能），都会把 Skill 作为“系统级提示词”永久固定在最前面。 它的运作逻辑是：每次你发送新消息时，后台都会把 【固定的 Skill + 截断后的最近聊天记录 + 你的新问题】 打包发给模型。 结果就是： Skill 永远不会消失，但它永远都在占用你的 Token 额度。如果你的 Skill 占了 2000 个 Token，那么模型每次留给“聊天记录”的可用空间就永久少了 2000 个
--【玖】--： chuan:
Token
词元， 台湾作符元
--【拾】--：
md文件，好好好
--【拾壹】--：
其实是想像佬请教一下记笔记的方式，总感觉我这么写不容易回顾
--【拾贰】--：
神经网络等等嘛，好的好的
--【拾叁】--：
感觉可以放到文档共建区域去大家一起完善（）
--【拾肆】--：
感谢佬友分享，感觉还可以加上一些AI黑话啥的
--【拾伍】--：
L站作为作者，出一本人工智能的书
--【拾陆】--：
写成md文件方便查找
--【拾柒】--：
很有用，感谢
--【拾捌】--：
感谢佬友！非常全面！