TL;DR

这篇文章不讲模型训练，不讲太底层的技术细节，只整理 AI 应用层最常见的一批名词。目标不是把每个词讲得非常学术，而是用尽量通俗的方式，把它们之间的关系讲清楚。

先用一句人话讲清楚

如果把一个 AI 应用比作“请一位很聪明的助理帮你办事”，那大概可以这样理解：

LLM 是这个助理的大脑
Prompt 是你给它的任务说明
Context 是它现在手边能看到的资料
Tools 是它可以调用的外部工具
RAG 是“先查资料再回答”
MCP 是让它统一连接工具和资料的接口标准
Agent 是这个助理开始自己分步骤干活的形态
Skills 是它处理某类任务时采用的一套固定方法

如果只记一句话，可以记这个：

AI 应用这件事，本质上就是：让一个会理解语言的“大脑”，拿着足够的上下文，按提示词和流程，去调用外部工具，把事情做完。

生活类比图解

可以把一套常见的 AI 应用，想象成一个“数字助理办公室”：

这个图里最重要的区别是：

LLM 负责“想”
Context 负责“给它看什么”
Tools 负责“让它做什么”
Workflow / Agent 负责“按什么顺序做”

第一部分：主线上的核心名词

1. LLM 大模型

LLM 是 Large Language Model，中文通常叫“大语言模型”。

最通俗的理解，可以把它看成一个“见过海量文本、很会接话、很会组织语言的大脑”。你给它一句话，它会根据以前学到的大量语言规律，生成最合适的下一步回答。

它擅长的事情通常包括：

聊天
写作
总结
翻译
改写
代码辅助

但它也有边界：

它不天然联网
它不天然知道你公司的私有资料
它不天然会调用外部工具
它也可能一本正经地说错话

一句话理解：LLM 是 AI 应用的语言大脑。

2. Prompt 提示词

Prompt 就是你给 AI 的输入指令。

最简单的 Prompt，可能就是一句话：

帮我把这段内容总结成 3 个要点。

复杂一点的 Prompt，可能会同时规定：

角色
目标
输出格式
限制条件
示例

通俗地说，Prompt 就像你在给一个助理布置任务。你说得越清楚，结果通常越稳定。

一句话理解：Prompt 决定你想让 AI 干什么。

3. System Prompt / User Prompt

这两个词很容易一起出现。

System Prompt 可以理解成系统层面的总规则
User Prompt 就是用户当前这次提的具体要求

比如：

系统规则可能是：你是一个客服助手，回答要简洁，不能编造售后政策
用户要求可能是：帮我写一段退款说明

通俗理解：System Prompt 像公司制度，User Prompt 像今天交给你的任务单。

4. Context 上下文

Context 就是模型当前这一轮能看到的全部信息。

它通常包括：

你的问题
前面的对话历史
系统规则
上传的文件
外部检索到的内容
工具返回的结果

最通俗的比方，是 AI 桌上现在摊开的那几页纸。纸上写了什么，它就能参考什么；没摆到桌上的，它就看不到。

一句话理解：Context 决定 AI 回答时手里有什么材料。

5. Context Window 上下文窗口

Context Window 可以理解成“这张桌子到底有多大”。

因为模型能一次看到的内容不是无限的，所以能放进上下文的内容也有限。这个上限通常就叫 Context Window。

通俗理解：

Context 是桌上的资料
Context Window 是桌子的大小

桌子太小，资料放不下；资料太多，前面的内容可能被挤掉。

6. Tools / Tool Use / Function Calling

这几个词本质上在讲一件事：让模型不只会说，还能调用外部能力。

常见工具包括：

搜索网页
查数据库
读文件
调日历
发消息
运行代码
调业务接口

Function Calling 或 Tool Calling，说白了就是：模型先判断现在需要哪个工具，然后按照约定格式发起调用，再根据工具返回结果继续回答。

通俗理解：以前 AI 只能“动嘴”，现在开始能“伸手拿工具”了。

7. Knowledge Base 知识库

Knowledge Base 可以理解成“专门给 AI 查的资料库”。

它里面可能放的是：

公司文档
产品手册
FAQ
会议纪要
项目资料
规范说明

当你不想让 AI 只靠它训练时见过的公共知识回答，而希望它更依赖你自己的资料时，就往往会用到知识库。

一句话理解：Knowledge Base 是 AI 的专用资料柜。

8. RAG 检索增强生成

RAG 是 Retrieval-Augmented Generation，常翻成“检索增强生成”。

它的核心意思是：

先去知识库或资料库里找相关内容
把找到的内容塞进上下文
再让模型基于这些内容来回答

所以 RAG 最通俗的理解就是：

先开卷查资料，再组织答案。

它常被用来减少胡编，也让回答更贴近你自己的数据。

这里很容易混淆的一个点是：

Knowledge Base 是资料库本身
RAG 是“先检索再回答”的工作方式

9. MCP

MCP 是 Model Context Protocol。

最通俗的理解，可以把它看成“AI 连接外部世界的一套通用插头标准”。官方也常用类似 USB-C for AI 的比喻。

以前每接一个新工具，都像要单独拉一根线；有了 MCP 之后，只要 AI 应用和工具双方都支持这套协议，连接方式就会统一很多。

它能连接的通常包括：

文件
数据库
搜索
业务系统
第三方应用
工作流

一句话理解：MCP 不是模型，而是模型连接工具和数据的标准接口。

10. Agent 智能体

Agent 一般翻成“智能体”。

如果只看普通聊天，通常是“你问一句，它答一句”；但 Agent 更像“会自己分步骤做事的 AI 助手”。

比如你说：

帮我整理这周销售会议的重点，提炼行动项，再同步到团队文档。

一个 Agent 可能会这样工作：

先读会议纪要
再抽取重点
生成待办事项
调文档工具写进去
需要的话再发一条提醒

所以 Agent 往往不只是一个模型，而是一套组合：

Agent = 模型 + 上下文 + 工具 + 目标 + 执行流程

一句话理解：Agent 是开始自己拆步骤、调工具、完成任务的 AI 形态。

11. Workflow 工作流

Workflow 就是“做事步骤的编排”。

有些 AI 应用看起来很聪明，其实背后不一定是完全自由发挥的 Agent，而是提前设计好的流程，例如：

先分类问题
再搜索知识库
然后生成回答
最后检查格式

这种时候，AI 更像是在一条既定流水线上工作。

通俗理解：Workflow 是“这件事应该按什么步骤做”。

12. Automation 自动化

Automation 是“把流程自动跑起来”。

比如：

新邮件来了，先总结，再写草稿回复
新会议记录生成后，自动提炼行动项
每天定时汇总销售数据并生成日报

如果说 Workflow 是步骤设计，Automation 就更强调“这套步骤自动执行，不用人每次手动点”。

13. Memory 记忆

Memory 可以理解成“AI 在多轮使用中保留下来的信息”。

它不一定等于模型真的像人一样记住，而更常见的是系统层面帮它保存了一些信息，比如：

你的偏好
项目背景
常用格式
上次任务的中间结果

通俗理解：Memory 是让 AI 下次别又从零开始。

14. Skills

Skills 可以理解成“给 AI 的专长卡”或者“做事方法包”。

一个 Skill 往往会规定：

什么任务触发它
应该按什么流程做
优先看哪些资料
用哪些工具
输出长什么样

所以 Skill 不等于模型本身，而更像是“这类事情最好按这套方法办”。