AI 七大核心概念
图解手册
Token · API · 大模型 · Skill · Workflow · Agent · MCP
—— 一张图看懂 AI 时代的基础积木 ——
前言
这份手册用最直观的比喻，把当前 AI 应用开发中最常听到的七个核心概念讲清楚。每个概念都包含：一句话比喻、详细解释、部署方式和使用方法，并配示意图。读完这份手册，你就能听懂技术同事在聊什么，也能判断自己该从哪里入手搭建自己的 AI 应用。
七个概念不是孤立的：大模型是大脑，Token是它消耗的话费，API是它对外的插座，Skill是给它的岗位培训，Workflow是把多步任务串成流水线，Agent是能自主干活的智能员工，MCP则是让它能接上各种工具和数据的万能转接头。
1. Token
▲ 概念示意图
概念详解
Token（词元）是大模型处理文本的最小计量单位。你可以把它理解成 AI 的“字数”——但和汉字不完全等同：通常 1 个中文汉字约等于 1.5～2 个 token，1 个英文单词约等于 1～1.5 个 token。你发给模型的每一句话（输入）和模型返回的每一段回答（输出），都会被拆成 token 来计数和计费。
部署方式
· 无需自己部署 Token 系统：它是模型服务商统一的计费口径。
· 主流厂商都有：OpenAI（GPT 系列）、Anthropic（Claude）、百度文心、阿里通义千问、月之暗面等。
· 类比手机话费：先充值额度，用多少扣多少；不同“套餐”（模型）单价不同。
· 在厂商控制台可以看到实时用量、剩余额度和账单。
使用方法
· 调用 API 时，系统自动计算输入+输出 token 数并扣费，你不用手动算。
· 长文本会受模型上下文窗口限制（如 8K、32K、128K token），超出会被截断。
· 省钱技巧：精简提示词、复用系统提示、选择更便宜的小模型处理简单任务。
· 关注厂商控制台的“用量仪表盘”，设置额度告警，避免意外超支。
2. API
▲ 概念示意图
概念详解
API（应用程序编程接口）是系统之间沟通的“标准插座”。你不需要知道大模型内部怎么算，只要按照规定格式（HTTP 请求）把数据发过去，它就会按规定格式返回结果。API 规定了：地址是什么、要带什么参数、用什么密钥鉴权、返回什么格式的数据。
部署方式
· 云端 API（最常用）：厂商把模型放在云上，你拿 API Key 直接联网调用，零部署。
· 私有化部署：把开源模型装在自己服务器上，前面挂一个 API 网关（如 vLLM、FastChat），对外暴露和云端一样的接口。
· 鉴权方式：通常在请求头里带一个 API Key，相当于“插卡取电”。
使用方法
· 第一步：到厂商官网注册账号，创建 API Key。
· 第二步：用 HTTP 请求（或官方 SDK）向 API 地址发 POST 请求，带上 Key 和你的问题。
· 第三步：解析返回的 JSON 数据，取出模型回答。
· 常见风格是 RESTful：一个 URL 对应一个功能，用 JSON 传数据。
3. 大模型
▲ 概念示意图
概念详解
大模型（Large Language Model，LLM）是基于海量文本训练出来的深度神经网络，参数量从几十亿到上万亿。它读了几乎整个互联网的公开文本，因此具备了语言理解、文本生成、逻辑推理、代码编写、翻译总结等能力。它是整个 AI 系统的“发动机”。
部署方式
· 云端 API 调用（零门槛）：直接用 GPT、Claude、文心一言等，按 token 付费。
· 开源模型本地部署：下载 Llama、Qwen（通义千问开源版）、ChatGLM、DeepSeek 等开源权重，需要 NVIDIA GPU（显存至少 8GB 起步，越大模型越吃显存）。
· 微调（Fine-tuning）：在基础模型上用自己的业务数据再训练，让它更懂你的领域。
使用方法
· 提示词工程（Prompt）：把问题说清楚，给角色、给背景、给要求。
· Few-shot：在提示词里给几个例子，模型照着格式输出。
· System Prompt：先设定模型身份（如“你是一个专业客服”），再开始对话。
· Temperature 参数：值越低越稳定保守，越高越有创造力。
4. Skill
▲ 概念示意图
概念详解
Skill（技能）是封装好的领域能力模块。它不只是一段提示词，而是一个完整的“岗位培训包”：里面有方法说明（SKILL.md）、参考资料、可执行脚本和专用工具。AI 平时是“通才”，加载某个 Skill 后就变成那个领域的“熟手”，知道该按什么流程、用什么工具、遵守什么规范干活。
部署方式
· 目录化部署：每个 Skill 是一个独立文件夹，里面放 SKILL.md（说明文件）、脚本、模板、参考资料。
· 把文件夹放进 Agent 的技能目录，Agent 启动时自动扫描并注册可用技能。
· 也可以按需加载：任务来了才读对应的 SKILL.md，不占上下文。
· 可以自己写 Skill，也可以用社区分享的现成 Skill。
使用方法
· 自动匹配：你提出任务后，Agent 根据任务描述自动判断该加载哪个 Skill。
· 手动指定：你也可以直接说“用 XX 技能来做这件事”。
· Skill 内部会指导 Agent：先读什么、按什么步骤、调用哪个脚本、输出什么格式。
· 举例：文档写作 Skill、图片处理 Skill、股票分析 Skill、合同审查 Skill。
5. Workflow
▲ 概念示意图
概念详解
Workflow（工作流）是把一个复杂任务拆成固定步骤，按顺序自动化执行：前一个步骤的输出，自动作为后一个步骤的输入。就像工厂流水线——原料进、成品出，中间每个工位干自己的活。它适合标准化、重复性的任务，不用每次都让 AI 从头想一遍该怎么做。
部署方式
· 可视化编排：用 Dify、Coze、n8n、Flowise 等平台，拖拽节点、连上线就能搭好。
· 代码定义：用 LangChain / LangGraph、AutoGen 等框架，用 Python 代码定义节点和流转逻辑。
· 节点类型：大模型调用、条件判断、HTTP 请求、代码执行、知识库检索、人工审核等。
使用方法
· 第一步：想清楚整个业务流程，拆成几个明确步骤。
· 第二步：在平台上逐个添加节点，配置每个节点用什么模型、什么提示词、什么工具。
· 第三步：试运行，看每一步输出对不对，不对就调提示词。
· 第四步：发布上线，以后触发条件一到就自动跑完整条流水线。
6. Agent
▲ 概念示意图
概念详解
Agent（智能体）是一个能自主完成任务的 AI 实体。普通大模型是“你问一句它答一句”，而 Agent 是你给它一个目标（比如“帮我安排下周去北京的出差”），它会自己：拆解任务步骤 → 查日历 → 查航班 → 比价 → 订酒店 → 生成行程单。它不仅会聊天，还会调用工具、做决策、处理异常，最后把结果交到你手上。
部署方式
· 托管平台：用 Coze、Dify、扣子等平台，可视化配置 Agent 的角色、工具和知识库。
· 开源框架：用 LangChain Agent、CrewAI、AutoGen、MetaGPT 等，代码化搭建多 Agent 协作。
· 核心三要素：一个大模型大脑 + 一组可用工具（搜索、计算器、API、文件读写）+ 一套任务规划逻辑。
使用方法
· 给 Agent 一个明确目标，而不是一步步告诉它怎么做。
· 提前告诉它有哪些工具可用（联网搜索、读文件、发邮件、调数据库等）。
· 让它在关键节点（如下单前、发邮件前）停下来等你确认。
· 复杂任务可以多个 Agent 分工：一个做调研、一个写方案、一个做检查。
7. MCP
▲ 概念示意图
概念详解
MCP（Model Context Protocol，模型上下文协议）是 Anthropic 推出的开放标准，解决的是“大模型怎么接外部工具和数据”这个问题。以前每接一个工具都要单独写一套对接代码，有了 MCP 就像有了 USB-C 接口：任何工具只要实现 MCP Server，任何 AI 客户端只要支持 MCP，插上就能用，不用重复开发。它统一了文件系统、数据库、浏览器、API、代码仓库等各类外部能力的接入方式。
部署方式
· 安装 MCP Server：每个工具/数据源对应一个 MCP 服务（官方和社区提供了大量现成的）。
· 本地模式：MCP Server 跑在你自己电脑上，通过 stdio 和 AI 客户端通信。
· 远程模式：MCP Server 部署在云端，通过 HTTP/SSE 连接。
· 在 AI 客户端（如 Claude Desktop、Cursor、各类支持 MCP 的 Agent）里配置 MCP Server 地址即可。
使用方法
· 找到你需要的 MCP Server（文件系统、GitHub、数据库、浏览器、Google Drive 等）。
· 在 AI 客户端的配置文件里加上这个 Server 的命令和参数。
· 重启客户端，Agent 会自动发现这些工具，需要时直接调用。
· 举例：装了文件系统 MCP，Agent 就能直接读写你电脑上的文件；装了 GitHub MCP，它就能查仓库、提 Issue。
七大概念关系总结
这七个概念不是并列的，而是一层一层搭起来的：
一句话记住：大模型是大脑，Token是话费，API是插座，MCP是转接头，Skill是培训手册，Workflow是流水线，Agent是能自主干活的员工。从“会聊天”到“能干活”，靠的就是这一层层积木搭起来。