企业官网建设流程全解析

1. LLM：大语言模型

LLM，全称是 Large Language Model，它是整个 Agent 系统的底层引擎，可以类比成人的大脑，比如 ChatGPT、Claude、DeepSeek，本质上都是大语言模型。

2. Token：文本处理单位

Token 是大模型处理文本的最小单位。用户输入的内容不会直接按整句处理，而是会先通过 Tokenizer 分词器切分成一个个 Token。我们平时说的上下文长度、模型输入限制、调用成本，本质上都和 Token 数量有关。

3. Context：临时记忆

Context 可以理解为模型当前任务中能看到的全部信息，也就是模型的“临时记忆”。它通常包括用户问题、历史对话、System Prompt、工具列表、当前输出内容、外部检索结果等。

但 Context 是有容量限制的，这个限制叫 Context Window。超过窗口后，模型就无法完整看到前面的内容。

4. RAG：检索增强生成

RAG，全称是 Retrieval-Augmented Generation，也就是检索增强生成。

核心思路是：不要把所有资料都塞给模型，而是先从知识库中检索出最相关的片段，再交给模型生成答案。

典型流程：

用户问题 → 检索知识库 → 找到相关文档片段 → 放入 Prompt → 大模型生成答案

RAG 主要解决两个问题：一是让模型能够回答企业内部知识，二是缓解 Context Window 不够用的问题。

5. Prompt：指令

Prompt 就是给大模型的指令，直接影响模型输出质量。常见 Prompt 可以分为两类：

1. User Prompt：用户输入的具体任务（帮我改一个 bug）。

2. System Prompt：系统层面的角色设定和行为规则（你是一个经验丰富的后端开发专家）。

简单来说，User Prompt 决定“做什么”，System Prompt 决定“按什么规则做”。

6. Tool：外部工具

Tool 是大模型调用的外部能力，可以理解成后端 API。

因为大模型本身不能直接查数据库、获取实时信息、执行命令、操作文件或调用业务系统，所以需要通过 Tool 来扩展能力。

例如：

• 查天气 → 调天气 API

• 查订单 → 调订单系统

• 跑测试 → 调测试脚本

• 生成页面 → 调 Figma/代码生成工具

如果 LLM 是大脑，那么 Tool 就是手脚和工具箱。

TOOL都是接在平台上的

7. MCP：工具接入标准

MCP，全称是 Model Context Protocol，模型上下文协议。它的作用是统一大模型接入工具和数据源的方式，减少不同模型、不同平台都要有自己的工具接入规范带来的重复适配。

可以简单类比为：MCP 就像 AI 应用的 Type-C 接口；只要工具按照 MCP 标准暴露能力，不同 AI 应用就可以用统一方式接入。

别纠结是平台接入工具 还是大模型接入工具

8. Agent：自主执行系统

Agent 是在大模型基础上封装出来的自主任务系统。

普通大模型更像是：你问一句，它答一句。

而 Agent 更像是：你给它一个目标，它自己拆任务、做计划、调用工具、检查结果，直到完成任务。

常见构建模式包括：

1. ReAct：边推理边行动。

2. Plan and Execute：先制定计划，再分步骤执行。

Agent 的核心价值，是让大模型从“生成内容”进一步变成“执行任务”。

9. 常见 Agent 产品

目前比较典型的 Agent 产品包括：

• Claude Code：偏代码开发 Agent。

• Codex：偏软件工程 Agent。

• Trae：偏 AI IDE / 编程工作台。

• OpenClaw：偏个人助理 / 自动化执行 Agent。

它们的共同点是：不只是让 AI 回答问题，而是让 AI 真正参与开发、办公或自动化流程。

例如，Claude Code、Codex 更偏向写代码、改 Bug、读项目、跑测试；Trae 更像集成 AI 能力的开发工具；OpenClaw 更偏向个人任务自动化，例如处理邮件、日历和日常操作。

10. Agent Skill：任务说明书

Agent Skill 可以理解成给 Agent 准备的一套“任务说明书”，它会告诉 Agent：

• 这个技能是做什么的、什么时候使用。

• 执行步骤是什么。

• 输出格式是什么。

• 有哪些规则和示例。

通常一个 Skill 会包含两层内容：

• 元数据层：name、description。

• 指令层：目标、步骤、规则、输出格式、示例。

技术实现上，很多 Skill 会以 Markdown 文档形式存在，例如SKILL.md，然后放在指定目录中。Agent 会先根据用户问题和 Skill 描述进行匹配，只有相关时才加载完整 Skill。这样可以减少上下文占用，也能让 Agent 的执行过程更标准、更稳定。