当你开始使用 ChatGPT、Claude 等 AI 产品，或尝试开发 AI 应用时，会频繁遇到一些术语：Token、Context Window、Prompt、MCP、Skill……本文用通俗的语言和例子，帮你快速理解这些概念。
LLM：大语言模型
LLM（Large Language Model，大语言模型） 是能够理解和生成人类语言的 AI 模型。你可以把它想象成一位「读过海量书籍、文章和代码」的助手：给它一段文字，它能续写、总结、翻译、写代码，或回答你的问题。
常见的大模型包括 OpenAI 的 GPT 系列、Anthropic 的 Claude、Google 的 Gemini 等。它们都基于「预测下一个词」的核心机制：根据已有内容，推断最可能的下一个词，从而生成连贯的文本。
Token：AI 的「语言积木」
Token 是 LLM 处理文本的最小单位。它不是完整的单词，而可能是：
- 一个单词（如
hello） - 单词的一部分（如
un+believable） - 一个汉字或几个汉字
- 标点、空格等
可以把它类比成乐高积木：模型把文本拆成一块块 Token，再根据这些积木的组合规律来理解和生成内容。
粗略换算
| 语言 | 大致换算 |
|---|---|
| 英文 | 1 Token ≈ 0.75 个单词 ≈ 4 个字符 |
| 中文 | 1 Token ≈ 1–2 个汉字 |
例如：「人工智能」可能被拆成 2–3 个 Token。因此，同样长度的中文往往比英文消耗更多 Token。
为什么 Token 重要？
- 计费：多数 AI 服务按 Token 数量收费（输入 + 输出）
- 上下文限制：模型单次能「记住」的内容有上限，通常用 Token 数表示
- 性能：Token 过多会影响响应速度和效果
动手试试：在线分词工具
想直观感受文本如何被拆成 Token？可以使用 OpenAI 官方 Tokenizer 输入任意文字，查看分词结果和数量。
备注：该工具需能访问 OpenAI 平台（platform.openai.com）方可使用。
Content 与 Context Window：模型的「记忆容量」
Content（内容）指的是在一次对话中，模型能「看到」的全部信息，包括：
- 系统提示（System Prompt）
- 用户消息（User Message）
- 历史对话
- 模型回复（Assistant Message）
Context Window（上下文窗口 / 内容窗口）则是模型单次能处理的最大 Token 数，可以理解为它的「短期记忆容量」。
举个例子
假设某模型的 Context Window 是 128K Token（约 10 万英文单词）：
- 你可以一次性塞进一本中篇小说
- 但如果对话太长，最早的内容会被「挤出」窗口，模型就「忘掉」了
- 超出窗口的输入通常会被截断或拒绝
不同模型的 Context Window 差异很大，例如：
注意：窗口越大不代表效果一定更好，关键在于「放进去的内容是否相关、精炼」。
Prompt：你给模型的「指令」
Prompt（提示）就是你发给模型的文字，用来描述任务、提供背景或约束输出。
可以把它类比成给同事写的工作说明：写得越清晰、越具体，对方越容易做对。
简单例子
- 模糊：「写一首诗」
- 清晰：「用七言绝句写一首关于春天的诗，押平水韵，风格偏田园」
后者更容易得到符合预期的结果。
常见 Prompt 类型
| 类型 | 作用 |
|---|---|
| System Prompt | 设定模型角色、语气、规则（如「你是一位专业翻译」） |
| User Prompt | 用户的具体问题或任务 |
| Few-shot Prompt | 在问题前加几个示例，教模型「照这个格式回答」 |
Tool 与 MCP：让模型「动手做事」
默认情况下，LLM 只能「说话」——生成文本。但很多场景需要它执行操作：查天气、读文件、发邮件、查数据库……
这就需要 Tool（工具）：模型根据你的需求，决定调用哪个工具，并传入参数，再把工具返回的结果整合进回复。
MCP：统一的「工具接口」
不同 AI 产品各自定义工具格式，导致同一能力要重复开发。MCP（Model Context Protocol） 就是为了解决这个问题：定义一套标准协议，让各种工具以统一方式暴露给 LLM。
可以把它类比成 USB-C：设备只要符合协议，就能插到不同电脑上使用。
MCP 工具类示例
MCP 生态中有大量现成的「工具服务器」，按类型大致可分为：
| 类型 | 示例工具 | 能力 |
|---|---|---|
| 文件系统 | Filesystem | 读写本地文件、目录遍历，可配置访问范围 |
| 版本控制 | Git | 读取仓库、搜索提交、查看 diff、操作分支 |
| 网页抓取 | Fetch | 抓取网页内容并转为适合 LLM 的格式 |
| 数据库 | PostgreSQL、SQLite | 执行查询、查看表结构、分析数据 |
| 云服务 | Google Drive、AWS | 访问云端文件、调用云 API |
| 协作与搜索 | GitHub、Slack、Brave Search | 管理仓库、收发消息、网页搜索 |
这些工具以 MCP Server 形式运行，AI 客户端连接后即可调用。例如启动文件系统工具：
npx -y @modelcontextprotocol/server-filesystem /path/to/allowed/files
具体案例：Instagram MCP
以 Instagram MCP 为例，可以更直观地理解 MCP 能做什么。该服务器面向 Instagram 商业/创作者账号，提供多类工具，例如：
| 能力 | 示例 |
|---|---|
| 内容发布 | 创建媒体草稿、发布图文/视频、创建轮播帖 |
| 数据分析 | 获取帖子洞察（曝光、互动等）、查看评论 |
| 消息管理 | 获取私信会话、查看对话列表 |
连接后，你可以用自然语言对 AI 说「帮我看看最近几条帖子的数据」「把这条草稿发出去」「有哪些新私信」，AI 会调用对应工具完成操作。这类「把第三方服务变成 AI 可调用的工具」的模式，正是 MCP 的典型用法。
更多官方参考实现和社区服务器可浏览：
- 官方介绍：Model Context Protocol 官网
- 文档与规范：MCP 文档
- 参考实现：modelcontextprotocol/servers
- 社区目录：MCP Registry、Smithery
通过 MCP，你可以开发一次工具（如文件系统、数据库、云服务），在支持 MCP 的 AI 产品中复用。
Agent Skill：模型的「技能包」
Skill（技能）可以理解为给模型加载的专项能力包：包含说明文档、示例、工作流程等，让模型在特定任务上表现更好、更稳定。
例如：
- 「处理 Word 文档」技能：教模型如何读写、编辑 .docx
- 「生成 Slack 动图」技能：约束尺寸、帧率、风格
- 「前端设计规范」技能：提供配色、字体、布局规则
官方 Skill 资源
不同厂商有自己的 Skill 体系：
| 厂商 | 资源 | 说明 |
|---|---|---|
| Anthropic | anthropics/skills | Claude 官方 Skill 仓库，含文档、PDF、PPT、设计等 |
| Anthropic | Agent Skills 文档 | 官方 Skill 规范与使用指南 |
| OpenAI | GPT Actions 文档 | 为 Custom GPT 配置外部 API 的「动作」机制 |
Skill 和 Tool 常一起使用：Skill 提供「怎么做」的指导，Tool 提供「实际执行」的能力。
小结：概念之间的关系
用户输入 (Prompt)
↓
[Context Window] ← 限制单次可处理的 Token 总量
↓
LLM 处理 (按 Token 切分)
↓
根据需要调用 Tool (如通过 MCP)
↓
结合 Skill 中的指导
↓
生成回复 (输出 Token)
理解这些概念后，你就能更清楚地：
- 控制输入长度和成本（Token）
- 设计合适的 Prompt 和 System Prompt
- 在 Context Window 内合理安排内容
- 通过 Tool 和 Skill 扩展模型能力
使用 MCP 与 Skill 时请注意安全
MCP 和 Skill 都会直接影响 AI 的行为与可访问的资源，使用前务必重视安全：
- 来源可信：优先选择官方维护或知名开源项目，避免来历不明的第三方服务器或技能包
- 自建或精选：有条件时自行部署 MCP、编写 Skill，或从可信渠道精选后使用
- 先审后用：安装或加载前查看代码与内容，或先交给 AI 帮你审查一遍是否有可疑逻辑
- 警惕投毒：恶意 MCP 可能窃取凭证、篡改数据或植入后门；恶意 Skill 可能植入误导性规则、泄露隐私或操纵模型行为——切勿盲目信任社区分享的配置
如果你在开发或使用 AI 产品时遇到具体问题，欢迎在评论区交流。