揭秘AI进化史：从LLM到智能体的全链路解析

你是否曾好奇——

为何 ChatGPT 能编写代码、检索信息、代订机票？为何 AI 助手正变得越来越像"真人"？

其背后，有一条明确的技术演进路径：LLM → Token → Context → Prompt → Tool → MCP → Agent → Agent Skill。理解它，你就真正掌握了 AI 的未来。

LLM（大语言模型）是经过海量文本数据训练而成的超大型模型。

其底层架构为 Transformer——Google 于 2017 年在论文《Attention is All You Need》中提出。有趣的是，虽然 Google 发明了该架构，但率先实现工程化落地的却是 OpenAI。

2022 年 GPT-3.5 横空出世，让大众首次领略大模型的震撼。2023 年 GPT-4 发布，AI 讨论热度彻底爆发。此后 Claude、Gemini 竞相涌现，开启了群雄逐鹿的时代。

但 LLM 究竟在做什么？其实非常简单：

它实际上是在玩一个超级版的"文字接龙"游戏。

你输入一段文字 → 模型预测下一个最可能的词 → 继续预测 → 如此循环，直至回答结束。这里没有"理解"，只有"预测"。然而，当预测足够精准时，效果便如同真正理解了一般。

LLM 处理文本的最小单位不是字也不是词，而是 Token。

你可以把 Token 看作"半个词"：

"今天天气怎么样"这句话在模型眼中大约只有 4 个 Token。

这意味着什么？模型的处理成本、速度和限制均以 Token 为基准。你说的每一句话都在消耗 Token。

许多人误以为 AI 具有记忆，其实不然。

Context（上下文）是 LLM 每次处理请求时接收的"完整信息包"，包括：

每次对话，平台都会将这整包内容发送给模型，让它"假装"记得之前的对话内容。

而 Context Window（上下文窗口）决定了这个"信息包"的上限：

100 万 Token ≈ 一整部长篇小说的文本量。

当文档超出上限时怎么办？这就需要用到 RAG（检索增强生成）——先将文档向量化存储，提问时仅插入相关片段，从而大幅降低成本。

Prompt（提示词）是你发送给 LLM 的指令，是影响模型输出最直接的因素。

Prompt 分为两种类型：

举个例子：如果 System Prompt 设置了"你是一位数学老师，不能直接给出答案，要引导学生思考"，那么无论你问什么，模型都会遵守这一隐藏规则。

这也是为什么同一 AI 在不同产品中的表现差异巨大——因为其背后的 System Prompt 不同。

Prompt 越清晰、越具体，模型的表现就越好。这就是所谓的"Prompt 工程"的价值。

LLM 本质上只能预测文字，它无法：

Tool（工具）解决了这个问题。工具调用的流程如下：

注意：模型本身无法执行工具，只能"点菜"，真正做菜的是平台。

角色分工明确：模型负责决策，工具负责执行，平台负责中转。

工具增多后，问题随之而来：ChatGPT、Claude、Gemini 各有一套接入标准，开发者必须为同一个工具编写多套代码，维护成本极高。

MCP（Model Context Protocol，模型上下文协议）正是为解决此问题而生的。

用一个类比来说明：

MCP = AI 世界的 USB Type-C

统一标准，一次适配，所有支持 MCP 的平台均可使用。

工具开发者只需遵循 MCP 规范编写一次代码，即可在所有主流 AI 平台上运行。如今，MCP 已成为 AI 生态中工具集成的主流标准。

普通对话：你提问 → AI 回答。问答结束。

Agent（智能代理）则完全不同：

你给出一个任务 → Agent 自主规划步骤 → 调用工具 → 逐步执行 → 完成任务

举个例子：你说"帮我找附近的本地特产店"

全程无需干预，Agent 自己规划并执行。这就是从 LLM 到 Agent 的质的飞跃。

主流 Agent 产品包括：Claude Code、Codex、Gemini CLI、OpenClaw 等。

虽然 Agent 功能强大，但每次执行复杂任务都必须在 Prompt 中编写完整要求，既冗长又难以维护。

Agent Skill 旨在解决此问题——它是一份 Markdown 格式的"说明文档"，指导 Agent：

一个标准的 Skill 文件（SKILL.md）包含：名称、功能描述、执行步骤、判断规则、输出格式。

最妙的是其懒加载机制：Agent 不会一次性读取所有 Skill，仅当任务触发时才加载对应的 SKILL.md，从而大幅节省 Token。

Skill 与 MCP 工具配合，实现了"行为规范 + 工具能力"的统一封装。

读到这里，你已经掌握了整条进化链。让我们用一张概念关系图来总结：

AI 不是魔法，而是工程。理解这条进化链，你就理解了 AI 为何越来越强大——以及它还缺少什么。

你最想深入了解哪个环节？请留言告诉我 👇