从 LLM 到 Agent Skill：这些 AI 概念其实是一条线

这期视频来自 YouTube 频道「马克的技术工作坊」，把 LLM、Token、Context、Prompt、Tool、MCP、Agent、Agent Skill 这几个常被混着用的概念串成一条线。

作者的讲法是自下而上，先解释模型怎么生成文字，再解释它怎么记住上下文、怎么调用外部能力，最后落到 Agent 与 Agent Skill 这一层。视频按每个概念的底层角色逐个拆开，适合当成一张概念地图来读。

先补齐这几个词

Token：大模型处理文本的最小单位，文字先被切成 Token，再编码成数字参与计算。这条视频把它放在 LLM 之后讲，是因为「模型看到的不是字而是数字」这一点，是后面讨论容量与成本的起点。

Context Window：一次请求里模型能接收的 Token 总量上限，超出的部分进不了这次计算。视频讨论长文本处理时，它是最直接的约束条件。

MCP：Model Context Protocol，把外部工具接入大模型的统一协议标准。视频把它放在「工具」之后讲，用来解释不同平台各写一套接入代码这件事是怎么被处理的。

System Prompt：由开发者或使用者在后台配置的系统级提示词，界定模型的人设、禁忌与行为规范。视频用它区分两类 Prompt，也解释了 Agent Skill 想替用户省掉的那部分重复劳动。

一句话结论

视频的结论是：LLM、Token、Context、Prompt、Tool、MCP、Agent、Agent Skill 不是并列的新名词，而是一条自下而上的链路。底层是预测下一个词的文字接龙引擎，中间靠 Token 编码、Context 记忆、Prompt 指令和 Tool 外部调用补齐能力，顶层是能自主规划并持续执行的 Agent，Agent Skill 则把业务流程固化成说明书。

视频讲了哪几件事

• LLM 的底层本质：基于 Transformer 的文字接龙，靠注意力机制捕捉信息的关联
• Token 与 Tokenizer：文本怎么变成数字，又怎么变回文字
• Context 与 Context Window：模型的临时记忆体有多大，装不下时怎么办
• Prompt 的两层结构：User Prompt 与 System Prompt 的分工
• Tool、MCP、Agent 与 Agent Skill：模型如何走出文字预测，接上外部世界并被规范任务流程

关键结论与依据

LLM 不神秘。视频里把它描述成一个基于 Transformer 架构的文字接龙引擎，通过注意力机制捕捉信息之间的关联，每次输出时挑概率最高的下一个词。它的输入输出都停留在文字层面，这一点决定了后面那些组件为什么存在。

Token 不等于词。视频里提到，模型按训练阶段形成的切分规则（例如 BPE）来分 Token，遇到未知的长单词、复杂中文词或特殊字符，会拆成更小的片段。Tokenizer 负责两个方向的翻译：把文字编码成 Token ID 送进模型，再把模型输出的数字解回文字。

Context 是临时的。视频把它称作模型处理任务时的临时记忆体，里面装着对话历史和 System Prompt 等已经收到的信息，Context Window 则是这个记忆体的容量上限。长文本处理成本高、窗口装不下时，视频给出的思路是 RAG：从外部文档里抽取匹配的片段送进模型，而不是整篇塞进去。视频里还提到，目前主流模型已经支持百万级 Token 的输入。

Prompt 分两层。User Prompt 是用户当次给出的指令，System Prompt 是配置在后台的系统设定，用来界定模型的人设、禁忌和行为范式。区别在于谁写、写在哪一层。

Tool 让模型跳出文字预测。视频里把工具说成提供给大模型的函数，模型可以调用外部接口去感知和操作真实世界。工具多起来之后，每个平台各写一套接入代码就成了负担，MCP 作为统一的工具接入标准正是针对这件事。

Agent 与 Agent Skill 是链路的最上层。视频里说 Agent 具备自主规划和调用工具的能力，能持续运作直到把复杂任务解决掉；Agent Skill 是它的操作说明书，用规范化的 Markdown 文档定义任务步骤、规则和输出格式。视频给的理由很直接：没有这层说明书，用户每次提问都要把繁琐的规则和格式要求重新写进 Prompt。

适用条件

这期内容是一条概念主线，不是某个产品的操作教程。想学具体某个客户端怎么接入 MCP、某个框架怎么写 Agent Skill，得另找对应项目的官方文档。

涉及窗口容量、协议支持这类信息，视频给的是发布时的说法。模型能力和工具协议更新都快，动手前建议以官方当前说明为准。

这套框架适合用来建立概念地图。如果你的目标是判断某个具体产品值不值得用，它能帮你定位这个产品处在哪一层，但替代不了产品本身的评测。

要不要看原片

值得看原片的情况：第一次系统接触这些名词，希望有人按顺序从头讲到尾；或者你更习惯跟着时间轴听讲解，边听边暂停消化。视频的处理方式是每个概念点到为止，重点在顺序。

看这篇就够的情况：你已经知道 LLM、Token 大概是怎么回事，只缺一条把它们串起来的线。

视频里没有给出各概念之间的量化对比，也没有演示具体代码或配置，需要动手的部分要另找资料补上。