AI 核心概念解析：从 LLM 到 Agent
这些词你认识几个？今天我们将逐一解析。所谓智能体，本质上是由非智能部分拼凑而成的；许多新概念不过是旧技术的包装。
涉及关键词：
LLM
Prompt
Context
Memory
Agent
RAG
Function Calling
MCP
Skill
Sub-Agent
先清空大脑
忘掉你已知的一切，跟着故事线走——你会发现这些概念都是从同一个起点，一步步生长出来的。
第一步：语言模型长大了
一切混乱的起点，是这个古老的东西——语言模型。早期的小模型基本上是个智障，只会简单的文字接龙。但随着参数规模不断膨胀，在某个临界点，它突然"涌现"出了真正的智能。
为了和之前的小模型做区分，我们在前面加了个"大"字：
🆕 词汇① 大语言模型（LLM）
LLM 本质上只做一件事：根据上文，预测下一个字。如果只是这么用，它看起来仍然是个智障。
小模型 （智障阶段）
参数不断增大
🌟 大语言模型 LLM （涌现出智能）
把 LLM 想象成你的员工
把自己想象成一个老板，LLM 是你的员工，就叫他「小 L」。小 L 服务你的方式很特别：只能一问一答，问完就结束，不能追问。这个特点非常关键，后面还会用到。
你们每次的对话，你给它起了个洋气的名字：
🆕 词汇② Prompt（提示词）
仔细观察每次对话，你发现里面的内容可以细分：有的是背景信息，有的是最终指令。于是背景信息那部分，你单独起名叫：
🆕 词汇③ Context（上下文）
第二步：让小 L 记住你
问题来了：小 L 只能一问一答，如何追问？
你想了个聪明的办法——把历史对话塞进 Context，每次提问前带上之前的所有交流记录，伪装成连续对话。
🆕 词汇④ Memory（记忆）
随着对话越来越长，Memory 会越来越大，占用大量上下文空间。于是你又让 LLM 对历史记录进行压缩总结，减少长度，提高效率。
追加到
你的第 N 次问题（Prompt）
📦 拼装后发给 LLM
历史对话记录（Memory / Context）
小 L 回答
小结： 到目前为止，你已经发明了 4 个新词：
LLMPromptContextMemory。一个原本只会词语接龙的小 L，现在已经可以进行有记忆的连续对话了。
第三步：给小 L 配上工具
你很快发现小 L 有个致命缺陷：它不会上网查资料，给的信息要么过时，要么是瞎编的。
最简单的解法是：你帮它查，查完再告诉它。但这样一来，到底谁是牛马？
于是你把"上网搜索"这个动作写成了一段程序，让程序替你跑腿，自动完成搜索然后把结果喂给小 L。
🆕 词汇⑤ Agent（智能体）
