AI开发必读：Token、MCP与Agent等核心概念解析

请在微信客户端打开

请在微信客户端打开

请在微信客户端打开

请在微信客户端打开

请在微信客户端打开

随着大语言模型（LLM）逐渐从“娱乐工具”转变为真正的底层应用设施，一套全新的技术术语体系正在建立。无论您是开发者、产品负责人还是技术决策者，掌握这些概念及其内在联系，已成为必备技能。本文将对AI应用开发中的关键术语进行系统梳理：Token、API调用频次、MCP、Skills、Function Calling、Tool、Agent、供应商、SDK、提示词库，并深入分析它们之间的互动逻辑。

定义：Token是大语言模型处理文本时的最小计量单元。它并非简单的字符或单词，而是对应模型词表中整数索引的文本片段。

主要特性：

举例说明：

在架构中的定位：Token构成了LLM交互的基础“货币”，无论是Prompt、输出内容，还是Function Calling的输入/输出参数，均会消耗Token。

定义：指调用LLM供应商API接口的单次交互次数。每向LLM发送一条消息并接收到响应，即计为1次API请求。

主要特性：

API请求次数与Token的关联：

主要区别：

二者通常呈现相互制约的态势：

定义：指对提示词进行版本控制、分类及参数化管理的系统，旨在提升LLM调用的质量与一致性。

核心功能：

典型实现：

与Agent的关联：Agent会根据当前任务类型，从提示词库中筛选合适的Prompt模板来调用LLM。Prompt即您向AI模型（如ChatGPT、DeepSeek）输入的指令、问题或信息，用以引导其生成期望的回复。

可将prompt通俗理解为“您向AI提出的提问或任务描述”。

即使模型相同，不同的prompt所产生的结果质量也可能天差地别。精准且详尽的prompt能显著降低AI的“幻觉”或答非所问现象，助您更快获得满意答案。

因此，掌握撰写优质prompt的技巧，等同于掌握更高效地使用AI的方法。这在AI领域甚至被称为“提示工程”。

定义：指LLM在生成回复时，决定调用外部函数的能力。它并非由LLM直接执行代码，而是输出一个结构化的函数调用请求。

工作流程：

关键点：

从API请求次数视角看：一次包含Function Calling的交互通常需消耗2次API请求（第1次获取调用指令，第2次发送Tool结果并获取最终回复）。

定义：Tool是Function Calling的具体实现载体，是对可调用功能的完整描述（包含函数签名、描述、参数Schema及实际执行逻辑）。

Tool与Function Calling的关系：

Tool示例：

定义：Skills是对某一类任务的完整能力封装，通常涵盖：目标描述 + 相关Tools + 示例Prompt + 成功标准。

Skills与Tools的对比：

定义：MCP（Model Context Protocol）是由Anthropic提出并开源的协议，旨在标准化LLM与外部数据源、Tools之间的通信方式。

MCP架构图：

MCP核心概念：

对比分析：

定义：Agent是能够自主理解目标、拆解步骤、调用Tools、观察结果并规划下一步的闭环智能体。

核心循环（ReAct模式）：

Agent架构图：

Agent与普通LLM调用的区别：

定义：提供大语言模型API访问服务的企业。

定义：供应商提供的编程语言库，封装了API调用、认证、重试及流式响应等底层细节。

示例（OpenAI SDK）：

理解这套术语体系的关键在于厘清层级与职责：

请在微信客户端打开

请在微信客户端打开

请在微信客户端打开

请在微信客户端打开

请在微信客户端打开

来日方长，未来可期。