大语言模型底层逻辑：从LM到Agent的完整工作流解析！

本文深入剖析了大语言模型（LM）的核心架构与工作原理，重点介绍了Token作为数据处理单元、Context作为临时记忆体的作用，以及Prompt、Tool、MCP等关键组件如何协同运作。文章还探讨了Agent的自主决策系统与Agent Skill的任务定制机制，并揭示了RAG技术如何突破Context Window限制。整体内容系统性地梳理了大语言模型的内部机制与外部扩展能力，为读者呈现了一个完整的AI工作流图景。

一、底层引擎：大语言模型(LM)

核心定义与架构

· LM全称: Large Language Model (大语言模型) ,简称大模型

· 底层架构: 基于 Transformer (2017年 Google团队在论文《 Attention is All You Need》中提出)

·工作原理：本质是文字接龙游戏，通过预测下一个概率最高的词生成连续文本

发展里程碑

二、数据处理单元: Token

核心特性

·定义：大模型处理文本的最小单位，通过 Tokenizer (分词器)将文本切分为片段

· 编码过程: 分两步——①文本切分为Token②映射为 Token ID (数字)

·解码过程：将 Token ID还原为文本 (无需切分步骤)

Token与自然语言单位的关系

量化参考

· 1个 Token≈0.75个英文单词

· 1个 Token≈1.5-2个汉字

· 40万 Token≈60-80万汉字 或30万英文单词

三、临时记忆体: Context

核心概念

·定义：大模型每次处理任务时接收的信息总和，相当于模型的"临时记忆"

· 组成部分: 用户问题、对话历史、当前输出 Token、工具列表、 System Prompt等

· 容量限制: 由 Context Windo w (上下文窗口) 定义,即最大可处理的 Token数量

主流模型 Context Window对比

突破 Context Window限制的方案

·RAG技术 (检索增强生成)：从知识库中抽取与问题最相关的片段，仅将关键信息送入模型，降低Token消耗

四、指令交互: Prompt

定义与分类

· Prompt：给大模型的问题或指令，决定模型输出质量

· Prompt分类:

。User Prompt:用户输入的具体任务 (如"帮我写一首诗")

SystemPrompt：开发者后台配置的人设与做事规则(如"你是一个耐心的数学老师，当学生问你数学问题时，不要直接给答案，而是要一步步引导学生思考，帮助他们理解解题的思路")

Prompt Engineering提示词工程

·核心原则：清晰、具体、明确

·现状：曾经重要，但现在重要性下降，原因①门槛低 (本质是"把话说清楚")②大模型能力提升，可推测模糊意图

五、外部能力扩展： Tool

核心作用

·定义：大模型调用的外部函数，使其能够感知和影响外部环境

·解决痛点：弥补大模型无法获取实时信息 (如天气)、计算能力有限等弱点

工作流程

1.用户提问→平台转发 (含工具列表)

2.大模型分析→生成工具调用指令

3.平台执行调用→获取结果

4.大模型整理结果→自然语言输出

角色分工

六、工具标准化：MCP

· 全称: Model Context Protocol (模型上下文协议)

·本质：理解为统一的工具接入标准，解决不同平台工具接入规范不统一的问题。

比如：openAl、Anthropic、Google三个平台各自有接入规范，用一个要写一个接入规范。所以想搞一个统一的技术规范标准。

就像手机都统一用 type c充电口统一标准

·价值：工具开发者只需按MCP规范开发一次，即可在所有支持MCP的平台使用 (类比手机 Type-C接口)

七、自主决策系统: Agent

· Agent定义：能够自主规划、自主调用工具，持续工作直至完成用户任务的系统

·核心能力：多步骤推理、工具选择、流程控制

· 代表产品: Claude Code 、 Codex、 Gemini CLI等

· 典型构建模式: React、 Plan and Execute等

八、任务定制: Agent Skill

核心功能

·定义：给Agent的说明文档，包含任务规则、执行步骤、输出格式等

·结构：

元数据层: 名称 (name) 、描述 (description)

指令层：目标、执行步骤、判断规则、输出格式、示例

技术实现

· 存储形式: Markdown文档 (文件名必须为"SKILL. md")

· 存放位置: 特定目录 (如 Claude Code找到用户目录的". claude/ skills"文件夹)

·加载机制：仅在用户问题与技能名称/描述相关时加载完整指令

九、概念体系关联

！[概念体系层级关系]

LM (核心引擎) →Token (数据单位) →Context (记忆空间) →Prompt (交互接口) →Tool (外部能力) →MCP (工具标准) →Agent (决策系统) →Agent Skill (任务定制)

补充细节

· Transformer架构: 虽由 Google提出,但由OpenAI通过GPT系列引爆应用

· Token切分原理：基于BPE (字节对编码)算法，模型自主学习的文本切分规则

· Agent Skill高级特性：支持运行代码、引用资源，采用渐进式披露机制节省 Token

·RAG技术：通过检索相关片段而非全文，有效解决 Context Window限制问题

2026年AI行业最大的机会，毫无疑问就在应用层！

字节跳动已有7个团队全速布局Agent

大模型岗位暴增69%，年薪破百万！

腾讯、京东、百度开放招聘技术岗，80%与AI相关……

如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的大模型应用开发工程师**，**却极度稀缺！

落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：

✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑

✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……

✅微调：针对特定任务优化，让模型适配业务

目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！

技术的稀缺性，才是你「值钱」的关键！

具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻

AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

⭐️从大模型微调到AI Agent智能体搭建

剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！

大模型微调

• 掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。

• 学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。

RAG应用开发

• 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
• 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。

AI Agent智能体搭建

• 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
• 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。

如果你也有以下诉求：

快速链接产品/业务团队，参与前沿项目

构建技术壁垒，从竞争者中脱颖而出

避开35岁裁员危险期，顺利拿下高薪岗

迭代技术水平，延长未来20年的新职业发展！

……

那这节课你一定要来听！

因为，留给普通程序员的时间真的不多了！

立即扫码，即可免费预约

「AI技术原理 + 实战应用 + 职业发展」

「大模型应用开发实战公开课」

👇👇

👍🏻还有靠谱的内推机会+直聘权益！！

完课后赠送：大模型应用案例集、AI商业落地白皮书