Harness、LLM、Token、Agent、MCP…AI圈最烧脑的8个概念,一文彻底讲透
当前AI技术的核心架构基于Transformer,以大语言模型(LLM)为引擎,通过一系列技术组件实现从单一对话到复杂任务执行的演进。理解这些底层概念,有助于厘清AI产品的技术边界与运作逻辑。本文将从工程视角出发,对LLM、Token、Context、Prompt、Harness、Tool、MCP、Agent等核心概念进行解构。
01核心引擎:LLM与Token机制
大语言模型(LLM)是当前AI应用的基础引擎,其本质是一个概率预测模型。基于Transformer架构,LLM通过海量文本数据训练,核心任务是计算在给定上下文下出现下一个字的概率。这种“预测下一个词”的机制使得模型能够逐字生成回答,而非真正意义上的“理解”或“思考”。
由于模型无法直接识别人类语言,Tokenizer充当了“翻译官”的角色。它将文本切分为模型可处理的数字序列。Token是模型处理的最小语义单元,它可以是一个完整的词,也可以是词的一部分或标点符号。用户与AI交互的成本通常以Token消耗量为计量单位,掌握Token化逻辑有助于优化使用成本。
02信息边界:Context与RAG技术
Context(上下文)指模型在单次任务中接收到的所有信息总和,包含用户输入、系统预设及历史对话。Context Window定义了模型记忆容量的上限。当处理超长文档(如上千页手册)超出Window限制时,需采用RAG(检索增强生成)技术。RAG通过检索策略仅提取与问题相关的信息片段输入模型,从而在不增加Token消耗的前提下突破记忆限制。
03指令进化:从Prompt到Harness
指令体系对比
Prompt(提示词)
关注单次回答的质量
包含具体任务描述与5W1H要素
依赖用户手动输入
适合临时性、探索性对话


Harness(指令束)
定义AI的工作模式与行为边界
预设身份、工具规则、输出格式等
后台自动加载,无需重复输入
适合标准化、专业化的Agent应用
随着AI从对话工具进化为工作伙伴,Prompt Engineering正逐步向Harness过渡。Harness不仅仅是提示词的集合,更是一套完整的约束框架。例如在编程助手场景中,Harness定义了助手如何读取代码、执行命令以及与开发者的交互规范,确保AI在复杂工作流中保持稳定输出。
04能力拓展:Tool与MCP协议
大模型本身存在“信息孤岛”局限,无法获取实时数据或执行物理操作。Tool(工具)机制通过函数调用的方式解决了这一问题:模型输出指令参数,外部平台执行具体操作(如查询天气、发送邮件),并将结果反馈给模型。
针对不同平台工具接口规范不统一的问题,MCP(Model Context Protocol,模型上下文协议)应运而生。MCP类似于AI工具的“Type-C接口”,旨在建立统一的工具接入标准。开发者只需编写一次代码,即可让工具在不同AI平台上运行,显著降低了开发与维护成本。
05自主智能:Agent与Skill
- 自主规划:将复杂任务拆解为可执行的子步骤
- 工具调用:根据需求自动检索并调用相应Tool
- 循环执行:持续工作直至任务目标达成
Agent(智能体)是具备自主行动能力的AI系统。与被动响应的对话模型不同,Agent能像私人助理一样处理多步骤任务。为了解决重复输入偏好设置的问题,Agent引入了Skill机制。Skill本质是一份说明文档,预置了Agent处理特定任务时的规则与逻辑(如出门提醒、天气查询规范),用户仅需发出简单指令,Agent即可按Skill定义自动完成全套流程。
06概念关联图谱
| 概念层级 | 核心组件 | 主要功能 |
|---|---|---|
| 基础层 | LLM / Token | 概率预测引擎与最小语义单元 |
| 交互层 | Context / Prompt / Harness | 记忆管理、单次指令与长期行为约束 |
| 拓展层 | Tool / MCP | 外部能力调用与统一接入标准 |
| 应用层 | Agent / Skill | 自主任务规划与特定技能配置 |
AI技术核心概念关联表
综上所述,AI技术的本质可以概括为:在一个有限的记忆空间(Context)内,利用预测引擎(LLM)处理最小信息单元(Token),依据指令集(Prompt/Harness)调用外部能力(Tool/MCP),并通过自主规划(Agent/Skill)完成任务。理解这一闭环架构,是把握未来AI技术演进的关键。
当前文章无评论,是时候发表评论了