摘要：大模型为什么会说话，却不能天然查询天气？Tool、MCP、Agent 和 Skill 又分别解决什么问题？本文用一个“出门助手”的例子，串起从 Token 到 Agent 的完整技术链路。
关键词：大语言模型；Token；上下文；工具调用；AI Agent
当我们对 AI 说：“看看今天会不会下雨。如果下雨，帮我找附近卖雨伞的店，并告诉我出门要带什么。”屏幕上可能很快出现天气、商店位置和物品清单。
这看起来像一个聪明助理在独立办事，背后却不是某个无所不能的“大脑”，而是一套分工明确的系统：大语言模型负责理解和生成，Tokenizer 把文字转换成模型能处理的符号，Context 提供当前任务的信息，Prompt 说明目标，Tool 连接外部世界，MCP 提供标准化接口，Agent 负责规划和推进，Skill 则保存某类任务的成熟做法。
理解这些组件如何协作，也就理解了一个“会聊天”的模型怎样变成“会办事”的 Agent。
一、LLM：负责理解和生成的“大脑”
大语言模型（Large Language Model，LLM）要解决的基本问题是：根据前面的内容，判断接下来可能出现什么。
为了便于理解，可以把它想成一个规模极大的“文字接龙”系统。看到“今天出门记得带”，模型会结合当前上下文和训练中学到的语言规律，为许多候选 Token 计算分数，再产生下一个 Token。新内容又成为后续生成的依据，如此循环，直到回答结束。
但它远不只是普通输入法。现代 LLM 大多建立在 Transformer 架构之上，能够分析长文本中不同信息之间的关系，因此可以总结材料、比较方案、改写文章和规划步骤。“文字接龙”解释的是它逐步生成内容的方式，不代表它只会机械背诵；模型也不一定总选分数最高的 Token，还可能通过采样增加表达的多样性。
LLM 擅长理解语言、推理和组织表达，却有天然边界。训练完成后，它不会自动知道此刻是否下雨，也不能仅凭生成文字就在地图上搜索商店。语言流畅也不等于事实可靠：模型可能生成听起来合理、实际却不存在的内容。实时信息、精确数据和外部操作，需要交给工具完成。
二、Token：文字进入模型前的编码
模型内部进行的是数字计算，不是直接看着汉字思考。人类语言进入模型前，要先经过分词器（Tokenizer）。
Token 是模型处理文本时使用的基本单位，可能是一个汉字、一个单词、词的一部分、标点，甚至空格与字符的组合。Tokenizer 先把文字切成 Token，再将每个 Token 映射为 Token ID；这些 ID 随后会转成向量，供模型计算。模型生成结果后，Tokenizer 再将输出的 Token ID 解码成人类可读的文字。
例如，“今天会下雨吗”可能被示意性地切成“今天｜会｜下雨｜吗”，也可能采用其他组合。不同模型使用的词表和切分算法不同，所以同一句话交给不同 Tokenizer，结果可能不一样。精确切分必须使用对应模型的 Tokenizer 实测。
Token 也不能按固定比例换算成汉字或单词。中文、英文、代码、数字、生僻字和标点的编码效率各不相同。之所以需要关注 Token，是因为上下文容量、API费用和部分计算开销通常都以它为基础。
三、Context：模型当前任务的“办公桌”
如果 LLM 是大脑，那么上下文（Context）就是它此刻摊在办公桌上的全部材料。这里可能包括用户问题、此前的对话、系统规则、工具说明、检索到的资料、工具返回的结果，以及模型已经生成的内容。
上下文窗口（Context Window）是这张办公桌能够容纳的信息上限，通常用 Token 数量表示。窗口越大，一次能放入的对话和资料越多，但大窗口不等于永久记忆。会话结束后是否保存、以后能否重新找回，取决于产品的记忆和检索机制。
信息“放进去了”，也不等于模型一定能用好。材料太多时，关键内容可能被无关信息淹没，还会增加成本和延迟。因此，AI 系统需要管理上下文，而不是把所有资料一股脑塞进去。
检索增强生成（RAG）就是一种常见办法：不把整座图书馆搬上桌，而是先根据问题找出最相关的几页，再交给模型阅读。
四、Prompt：本次任务说明书
Prompt 是交给模型的任务信息与指令。用户提示（User Prompt）是我们直接输入的问题；系统提示（System Prompt）则由系统或开发者设置，用来规定角色、规则、权限边界和输出方式。
同样一句“今天适合跑步吗”，健身助手可能关注运动强度，过敏人群助手会查看空气质量，儿童出行助手则会采用更严格的安全标准。用户问题没变，但系统规则改变了判断重点。
好的 Prompt 通常会说明目标、必要背景、约束、输出格式和验收标准。模型理解能力再强，也不能代替清楚的任务定义。目标越含糊，它就越需要猜测用户真正想要什么。
五、Tool：让模型连接外部世界
工具（Tool）让 AI 系统能够查询实时信息或执行具体动作，例如查天气、使用计算器、读文件、搜索地图或发送消息。
这里最容易产生一个误解：通常不是模型自己打开网站或执行函数。模型负责判断需要什么工具，并生成结构化的调用请求；Agent 运行平台负责检查参数和权限，真正调用外部服务；工具执行完毕后，平台再把结果放回 Context，供模型继续判断。
以天气查询为例，完整过程是：
- 用户询问是否下雨；
- 平台把问题和可用工具说明交给模型；
- 模型提出调用天气工具，并给出地点参数；
- 平台执行调用，把天气数据放回上下文；
- 模型读取结果，组织成自然语言回答。
工具越强，权限管理越重要。查天气通常只是读取信息，发送邮件、付款和删除文件却会改变外部世界。成熟系统需要设置参数校验、授权范围和人工确认，不能因为 Agent 会规划，就给它无限权限。
六、MCP：能力接入的“统一接口”
如果每个 AI 应用都用自己的方式连接每一种工具，开发者就要重复编写大量适配代码。模型上下文协议（Model Context Protocol，MCP）试图用标准化方式降低这种成本。
可以把它类比为 Type-C：工具是具体设备，MCP Server 按统一方式暴露工具或数据，AI 应用通过 MCP Client 发现能力、发送请求并接收结果。MCP 不只是连接可执行工具，也可以提供文件、数据库记录等上下文资源。
不过，MCP 不是工具本身。它负责描述、连接和通信，真正查询天气的仍是天气服务。它也不能保证“一次开发，在所有平台无条件通用”，因为不同平台在协议版本、权限和认证方面仍可能存在差异。它的价值是减少适配成本，而不是消灭所有差异。
七、Agent：围绕目标持续行动
普通聊天往往是一问一答，Agent 则会围绕一个目标持续运行：分析任务、选择工具、观察结果，再决定下一步，直到完成任务、达到停止条件，或者需要用户介入。
这可以概括为“判断—行动—观察—再判断”的闭环。Agent 并不是某一种模型，而是一套运行系统，通常包含 LLM、上下文管理、工具、权限、循环控制、错误处理和评估机制。模型做关键判断，平台则决定它能看到哪些工具、最多执行多久、何时必须请用户确认。
Agent 与固定工作流也不完全相同。固定工作流事先写好每一步，适合规则稳定的任务；Agent 会根据中间结果动态选择下一步，适合路径不确定的问题。实际系统常把高风险环节写成固定流程，只在需要灵活判断的地方使用 Agent。
八、“出门助手”是怎样完成任务的
现在回到开头的请求：“看看今天会不会下雨。如果下雨，帮我找附近卖雨伞的店，并告诉我出门要带什么。”
Prompt 给出了目标和条件。Tokenizer 把文字转成 Token ID，LLM 在 Context 中读取问题、系统规则和工具说明。它发现缺少位置与天气信息，于是 Agent 先请求定位，再调用天气 Tool。
平台真正执行这些调用，把位置、降雨概率和气温等结果放回 Context。LLM 判断是否满足“下雨”的条件。如果成立，Agent 再调用地图或商户搜索工具，寻找附近且营业中的雨具店；最后由 LLM 把多项结果整理成天气提示、店铺信息和携带清单。
如果这些工具通过 MCP 接入，MCP 负责能力的发现与通信，地图和天气服务仍负责实际查询。整个过程中：
- LLM负责理解条件、判断和组织答案；
- Context保存当前规则与每一步结果；
- Prompt说明本次要完成什么；
- Tool执行定位、天气和商户查询；
- MCP标准化部分外部能力的接入；
- Agent安排顺序，并根据结果决定下一步。
九、Skill：给 Agent 的可复用操作手册
Skill 可以理解为交给新员工的标准作业指导书。它不会重新训练模型，而是在特定任务出现时，告诉 Agent 应该遵循什么步骤和规则。
例如，“出门助手 Skill”可以规定：先取得位置授权；天气数据过旧时重新查询；达到某个降雨条件才搜索雨具店；推荐商户时显示距离和营业状态；无法确认实时信息时明确说明限制。
在一些 Agent 系统中，Skill 会把名称、用途、操作步骤、工具方法、风险边界和输出格式写入结构化目录。系统可以先读取简短描述，任务匹配时再加载详细说明，以减少上下文占用。具体文件结构和加载方式取决于平台，不能把某一种实现当作所有 Agent 的通用标准。
五个容易混淆的概念由此可以分开：Prompt 说明“这一次做什么”；Tool 表示“系统能做什么”；MCP 解决“外部能力如何接入”；Agent 负责“围绕目标持续规划和执行”；Skill 规定“这一类任务应该怎么做”。
十、一张完整的技术地图
可以把整套系统想成一家公司：LLM 是负责理解、推理和表达的大脑；Tokenizer 是语言编码员；Context 是当前任务的办公桌；Prompt 是任务单；Tool 是能真正查询或操作的设备；MCP 是连接部分设备和数据源的标准接口；Agent 是协调资源、持续推进的项目负责人；Skill 是某类工作的标准作业手册。
从 LLM 到 Agent 的关键变化，不是模型突然拥有了意识，而是工程系统为它补上了现场信息、外部工具、权限控制和执行循环。理解这张地图后，再看到“函数调用”“MCP Server”“自主 Agent”或“安装 Skill”，就能判断它位于哪一层、解决什么问题，以及真正执行动作的究竟是谁。
核心概念速查
- LLM：根据上下文理解、推理并生成内容的大语言模型。
- Token：模型处理文本时使用的基本符号单位。
- Tokenizer：在文字、Token 与 Token ID 之间编码和解码的组件。
- Context：模型本次处理时可以接触的全部信息。
- Prompt：交给模型的任务和指令。
- Tool：查询外部数据或执行实际动作的能力。
- MCP：标准化AI应用与外部能力连接方式的协议。
- Agent：围绕目标持续判断、行动和调整的运行系统。
- Skill：指导Agent完成某类任务的可复用操作说明。
参考资料
- Vaswani 等，《Attention Is All You Need》，2017。
- OpenAI，《Tokenizer》。
- OpenAI，《Function calling》。
- Model Context Protocol，《Architecture overview》。
- Agent Skills，《Specification》。