前言：准备补充学习大模型应用开发相关技术栈，后面也投一投对应的大模型岗位，这里整理一下关于 Agent 的一些基础概念
一、Agent 相关基础概念
在深入学习 AI Agent 技术体系之前，我们需要先吃透一系列核心基础概念。这些概念是理解大模型应用、智能代理开发、AI 工具落地的核心基石，也是前后端开发、测试、AI 应用岗位面试中的高频考点，熟练掌握能够帮助我们搭建完整的 AI 技术认知体系。
1. LLM：大语言模型
LLM 的全称为 Large Language Model（大语言模型），是整个 AI Agent 系统的底层核心引擎，也是所有 AI 对话、推理、任务执行应用的基础核心。我们可以将其类比为人类的大脑，市面上主流的 ChatGPT、Claude、DeepSeek 等人工智能产品，其核心底层均为大语言模型。
核心要点：
大语言模型具备自然语言理解、逻辑推理、内容生成、语义解析等核心能力，能够对人类语言进行精准解读，并根据输入信息完成思考、判断与内容输出。在整套 Agent 系统架构中，LLM 承担着中枢决策的作用，是所有智能行为、工具调用、任务规划的核心主体。
2. Token：文本处理单位
Token 是大语言模型处理文本数据的最小基础单位。与人类直接以句子、词语为单位理解文字不同，大模型无法直接识别完整的自然语句，所有用户输入、系统指令、对话内容、文档文本，都会先经过分词器（Tokenizer）进行拆分切割，转化为一个个独立的 Token，再交由模型进行处理运算。
Token 是把控大模型调用的核心关键，几乎所有模型使用的核心限制与成本规则都围绕 Token 数量展开，其中最核心的三大相关概念为：上下文长度（Context Length）、模型输入输出限制、接口调用成本。简单来说，文本内容越长，拆分后的 Token 数量越多，对应的调用成本越高、占用的上下文资源也越多。
3. Context：临时记忆
Context 即上下文，我们可以将其通俗理解为大模型在单次、连续任务执行过程中可读取、可参考的全部临时信息，等同于模型的“临时记忆”，直接决定了模型当前的思考依据和回答范围。
Context 的完整组成内容：
并非仅包含用户的提问，一套完整的上下文信息涵盖多个维度，包括用户实时提问内容、历史全部对话记录、系统预设角色指令（System Prompt）、可调用的外部工具列表、模型当前生成的输出内容，以及通过外部检索获取的知识库结果。这些信息共同构成了模型的决策依据。
核心限制说明：Context 并非无限承载，它存在固定的容量上限，行业内称之为 Context Window（上下文窗口）。一旦对话内容、检索信息、指令内容的总 Token 量超出窗口上限，模型会自动舍弃早期的历史信息，出现“遗忘前文、上下文断裂、回答偏离需求”的问题，这也是大模型对话失忆、长文本任务出错的核心原因。
4. RAG：检索增强生成
RAG 全称为 Retrieval-Augmented Generation，中文释义为检索增强生成，是目前解决大模型知识滞后、私有知识缺失、上下文不足问题的主流核心技术方案，广泛应用于企业知识库、智能问答、垂直领域 AI 助手等场景。
核心设计思路：摒弃传统“将所有文档数据一次性塞入模型上下文”的低效方式，采用“先检索、后生成”的逻辑，先从专属知识库中精准筛选出与用户问题高度匹配的核心文档片段，将有效信息输入模型，再由大模型结合检索内容与自身能力生成精准答案，极大提升了回答的专业性和准确性。
典型执行流程：
用户问题 → 语义检索匹配知识库 → 筛选精准相关文档片段 → 整合内容并入 Prompt 指令 → 大模型生成专业答案
RAG 核心解决的两大行业痛点：
第一，弥补大模型知识盲区。原生大模型的训练数据存在时间截止限制，且无法获取企业内部业务数据、私有文档、专属业务知识，通过 RAG 可以对接私有知识库，让模型精准回答垂直领域、企业内部的专属问题。
第二，缓解上下文窗口容量不足的问题。无需将海量全量文档加载到上下文，仅按需检索、加载有效片段，大幅节省上下文资源，避免长文本场景下的信息溢出问题。
5. Prompt：指令
Prompt 即提示词、指令，是用户或系统传递给大模型的核心指令，直接定义模型的工作任务、执行规则、输出标准，是决定大模型输出内容质量、贴合度、规范性的关键因素。在实际应用中，Prompt 主要分为 User Prompt 和 System Prompt 两大类，分工明确、各司其职。
简单总结：User Prompt 定义“模型要做什么任务”，System Prompt 规范“模型按照什么标准、什么身份、什么规则去做事”，二者配合才能产出高质量的 AI 输出结果。
6. Tool：外部工具
Tool 即外部工具，是大模型能力的核心扩展载体，本质可以理解为可供模型自动调用的后端接口、功能脚本、第三方能力平台。原生大模型仅具备文本理解、推理、生成能力，无法联网获取实时信息、操作本地文件、调用业务系统、执行代码命令、查询数据库数据，而 Tool 的存在，完美补齐了大模型的能力短板。
如果将 LLM 比作 AI 的大脑，负责思考、决策、规划，那么 Tool 就是 AI 的手脚和工具箱，让模型能够突破原生能力限制，落地各类实操类、实时性、业务性任务。
二、工具接入标准与执行框架
7. MCP：工具接入标准
MCP 全称为 Model Context Protocol，即模型上下文协议，是一套统一、通用的 AI 工具与数据源接入标准。在 MCP 标准诞生之前，不同大模型、不同 AI 开发平台、不同业务系统都拥有各自独立的工具接入规范，开发者想要对接多个工具、适配不同模型，需要重复开发、多次适配，开发成本高、兼容性极差。
我们可以用通俗的比喻理解 MCP 的价值：MCP 就相当于 AI 应用领域的 Type-C 通用接口，只要各类外部工具、数据源按照这套统一标准开发、暴露自身能力，那么所有 AI 模型、AI 应用都可以直接无缝接入，无需重复改造适配。
MCP 核心价值：
一方面实现工具接入标准化，彻底解决多模型、多平台适配繁琐的问题，大幅降低 AI 工具开发与对接的人力成本和时间成本；另一方面支持工具的热插拔式扩展，开发者可以自由新增、移除、替换工具，无需改动主体代码，让 AI 应用的能力迭代更加灵活高效。
8. Agent：自主执行系统
Agent 是基于大语言模型深度封装打造的自主任务执行系统，也是 AI 应用从“被动问答”走向“主动干活”的核心形态，彻底打破了传统大模型的交互局限。
传统普通大模型的交互模式是被动响应，遵循“一问一答”的逻辑，用户输入指令，模型单次输出结果，无法自主规划、持续执行复杂任务。而 AI Agent 具备自主思考、任务拆解、步骤规划、工具调用、结果校验、迭代优化的全流程能力，用户仅需要给出一个最终目标，Agent 就可以自主完成全流程工作，直至任务闭环落地。
行业主流的 Agent 构建模式：
第一种是 ReAct 模式，核心逻辑为推理 + 行动（Reasoning + Action），模型在执行过程中实时思考、实时决策，边推理边执行，根据实时反馈调整后续动作，适配动态多变的任务场景。
第二种是 Plan and Execute 模式，核心逻辑为先规划后执行，模型会先根据用户目标拆解出完整、清晰的任务执行计划，梳理分步流程，再按照既定计划逐步落地执行，整体流程更规整、可控性更强，适配固定流程的标准化任务。
核心价值总结：AI Agent 的出现，让大模型的能力从单纯的“文本生成、问答互动”，升级为可自主落地的“全流程任务执行”，是 AI 实现自动化办公、自动化开发、智能业务处理的核心核心载体。
9. 常见 Agent 产品
目前市面上已经落地了多款成熟的 AI Agent 产品，覆盖代码开发、软件工程、智能开发工作台、个人自动化助理等多个场景，这类产品的核心共性是不再局限于简单的问答交互，而是深度融入实际工作流程，实现全流程自动化作业。
其中，Claude Code 和 Codex 聚焦技术开发场景，能够独立完成读取项目代码、编写新功能、修复程序 bug、运行测试用例、优化代码性能等开发工作；Trae 作为智能化开发工具平台，将 AI 能力深度嵌入开发流程，提升整体开发效率；OpenClaw 则聚焦个人办公场景，可自动处理邮件、管理日程、执行日常重复任务，实现办公自动化。
10. Agent Skill：任务说明书
Agent Skill 是专门为 AI Agent 设计的标准化任务能力手册，相当于 Agent 的专属“任务说明书”。其核心作用是统一 Agent 的任务执行标准，明确不同场景下的执行逻辑，避免因模型随机推理导致的输出不规范、流程混乱、结果不一致等问题，让 Agent 的任务执行更加稳定、标准化、可复用。
Skill 会清晰定义每一项技能的适用场景、核心目标、详细执行步骤、约束规则、输出格式以及标准示例，让 Agent 在匹配对应任务时，严格按照既定流程落地，杜绝随意发挥。
单条 Skill 主要分为两大层级：
技术实现方式：
在实际开发中，绝大多数 Agent Skill 都会以独立 Markdown 文档的形式存储（通常命名为 SKILL.md），统一放置在项目指定目录下，方便管理和迭代。Agent 处理用户需求时，会先通过元数据的名称和描述进行快速模糊匹配，仅当任务与技能场景高度契合时，才会加载完整的指令层内容执行任务。这种按需加载的方式，既能大幅节省上下文 Token 资源，又能有效统一任务执行标准，提升 Agent 输出的稳定性和规范性。
Skill 与 Tool 核心区别对比：
三、概念关系总结
四、面试要点速记
整理高频面试核心考点，用精简易懂的一句话总结，方便快速记忆、复盘备考：