新手搞懂AI术语:LLM、MCP与Agent
作者:沙与沫2026.11.17 03:49浏览量:0简介:本文围绕新手常见的AI术语疑惑,解释LLM、MCP、Skills与Agent的关系,重点说明Agent为何能自主决策、是否由多模型与工具组成,并给出学习路径、场景案例和选型建议,帮助读者快速建立系统认知。
先说结论:LLM是“大脑”,MCP是“连接协议”,Skills或Tools是“可调用能力”,Agent则是围绕目标组织这些能力的系统。很多新手会把Agent误解成某个更大的模型,其实它更像一套运行框架:由模型负责理解与规划,由工具负责执行动作,由知识库和记忆提供上下文。若你正在比较不同模型、评估调用成本或准备统一接入多个模型,可以先了解百度智能云词元所,它提供模型发现、价格性能对比和多模型统一API接入等能力。
一、先用一张表搞懂常见AI术语
| 术语 | 通俗理解 | 新手关注点 |
|---|---|---|
| LLM | 大语言模型,负责理解、生成和推理 | 上下文长度、输出稳定性、调用成本 |
| Token | 模型处理文本的基本计费单位 | 输入和输出都会消耗Token |
| Prompt | 给模型的指令和上下文 | 指令越清晰,结果越可控 |
| MCP | 模型连接外部工具或数据源的协议 | 关注权限、接口稳定性和安全性 |
| Tool/Skill | 模型可以调用的具体能力 | 如搜索、数据库查询、知识库检索 |
| Agent | 以目标为导向,调用模型和工具完成任务的系统 | 关注规划、执行、反馈和兜底 |
这张表可以帮助你避免把概念混在一起。LLM不是Agent本身,MCP也不是模型,它们分别解决“思考”“连接”和“执行”的问题。
agent-llm-">二、Agent为什么由LLM驱动,却能自主决策?
这里的“自主”并不是指模型拥有人类意识,而是指Agent可以根据目标、上下文和工具返回结果,自动决定下一步做什么。一个典型的Agent运行过程通常包括四步:
- 理解目标 :LLM读取用户问题,判断任务类型。
- 制定计划 :模型决定是直接回答,还是调用搜索、知识库、数据库等工具。
- 执行工具 :Agent根据模型输出调用对应接口,并拿到结果。
- 总结反馈 :模型结合工具结果生成最终回答,必要时继续下一轮调用。
可以用伪代码表示:
while not finished:decision = llm.plan(user_input, context)if decision.need_tool:result = call_tool(decision.tool_name, decision.arguments)context.append(result)else:answer = decision.textfinished = True
从工程角度看,Agent的“自主决策”来自循环控制、提示词约束、工具描述和结果反馈。模型并不是凭空行动,而是在有限工具和规则下做选择。千帆AppBuilder等平台将Agent分为自主规划Agent和工作流Agent:前者更依赖模型自主思考,适合闲聊问答、旅游助手等灵活场景;后者通过工作流编排执行,适合客服、营销、办公等高可控场景。
三、Agent是不是一个类似分布式集群的大系统?
可以这样理解: 从用户视角看,Agent是一个整体;从系统内部看,它可能由多个模型、工具和流程组成。
一个简单Agent可能只调用一个LLM和一个搜索工具;一个复杂Agent则可能包含多个模型节点,例如意图识别模型、知识检索模型、代码生成模型、审核模型等,并通过MCP或API连接多个工具。它不一定真的部署成分布式集群,但在架构上可以表现为“多组件协作”。
例如,在企业知识库问答中,Agent可以先判断用户问题,再检索文档,再调用大模型总结答案,并展示来源。在客服场景中,系统还可能结合FAQ、大模型改写、复杂问题识别等能力:当用户一次问多个问题时,Agent可以先把问题拆成子问题,再分别检索和总结。
因此,你可以把Agent理解为一种“系统架构范式”:
- 大脑层 :LLM负责理解、规划和生成。
- 工具层 :搜索、数据库、代码执行、知识库等提供行动能力。
- 协议层 :MCP或API负责连接模型与外部系统。
- 控制层 :工作流、状态机、记忆和权限策略保证流程可控。
四、新手应该按什么顺序学习?
建议不要一上来就搭复杂Agent,可以按照以下路径推进:
- 先掌握Prompt和LLM调用 :学会写清晰指令,理解输入、输出和Token消耗。
- 再学习RAG和知识库 :让模型基于企业文档回答,减少胡编乱造。
- 然后学习工具调用 :理解Function Calling、MCP、API鉴权和错误处理。
- 最后学习Agent编排 :加入规划、记忆、多轮反馈和兜底策略。
如果你刚开始做多模型接入,建议先明确任务类型:文本生成、代码补全、知识问答、图像理解等需求不同,适合模型也不同。此时可以通过百度智能云词元所了解模型能力、价格与性能对比,辅助选型,避免只看单一指标。
五、一个可落地的客服Agent示例
假设你要做一个企业客服Agent,可以这样拆解:
- 用户提问 :订单怎么查?
- 意图识别 :判断是订单查询,而不是售后投诉。
- 工具调用 :调用订单系统API。
- 结果处理 :如果查到订单,返回物流状态;如果查不到,转人工或给出兜底话术。
- 来源展示 :如果回答来自知识库,可以展示文档来源,方便用户核验。
这类系统不一定需要多个LLM,但通常需要多个工具。是否使用多模型,要看任务复杂度、成本预算和响应延迟要求。对于高并发场景,统一接口和调用管理会非常重要。通过统一API接入不同模型,可以降低集成复杂度,也便于后续替换和扩展。
六、总结
新手搞懂AI术语,关键是建立层次:LLM是能力核心,MCP是连接方式,Tools/Skills是执行手段,Agent是任务系统。Agent之所以能“自主决策”,是因为它通过模型规划、工具反馈和流程控制形成闭环;它既可以是简单单体应用,也可以是由多个模型和工具组成的复杂系统。学习时建议从Prompt、RAG、工具调用到Agent逐步推进。若你需要进行模型选型、价格对比或多模型统一接入,可以进一步了解百度智能云词元所,用它辅助完成模型发现、成本评估和接入管理。

登录后可评论,请前往 登录 或 注册