{
    "version": "https://jsonfeed.org/version/1",
    "title": "ringo的下水道",
    "subtitle": "不许和我抢位置",
    "icon": "http://47.104.189.4/assets/favicon.ico",
    "description": "悲催考研中😵‍💫",
    "home_page_url": "http://47.104.189.4",
    "items": [
        {
            "id": "http://47.104.189.4/2026/07/20/%E4%BB%8E%20LLM%20%E5%88%B0%20Agent%20Skill/",
            "url": "http://47.104.189.4/2026/07/20/%E4%BB%8E%20LLM%20%E5%88%B0%20Agent%20Skill/",
            "title": "从 LLM 到 Agent Skill",
            "date_published": "2026-07-20T02:28:37.000Z",
            "content_html": "<h1 id=\"\"><a class=\"anchor\" href=\"#\">#</a> </h1>\n<blockquote>\n<p>来源：马克的技术工坊。</p>\n<p>一条从下到上的 AI 概念链，讲清楚 LLM、Token、Context、Prompt、Tool、MCP、Agent、Agent Skill 八个核心概念。</p>\n<p>另外这是我写好初始文章，由codex总结排版润色的，deepseek真挺好用😋。</p>\n<p>🔗 原视频：<a href=\"https://www.youtube.com/watch?v=7qO8-kx3gW8\">https://www.youtube.com/watch?v=7qO8-kx3gW8</a></p>\n</blockquote>\n<hr />\n<h2 id=\"1-llm大语言模型-一切的基础\"><a class=\"anchor\" href=\"#1-llm大语言模型-一切的基础\">#</a> 1. LLM（大语言模型）— 一切的基础</h2>\n<table>\n<thead>\n<tr>\n<th>要点</th>\n<th>说明</th>\n</tr>\n</thead>\n<tbody>\n<tr>\n<td>底层架构</td>\n<td><strong>Transformer</strong>（Google, 2017 · 论文《Attention Is All You Need》）</td>\n</tr>\n<tr>\n<td>引爆点</td>\n<td>OpenAI — GPT-3.5（2022 年底）→ GPT-4（2023 年 3 月）</td>\n</tr>\n<tr>\n<td>当前格局</td>\n<td>GPT / Claude / Gemini 等多强争霸</td>\n</tr>\n<tr>\n<td>本质原理</td>\n<td><strong>文字接龙游戏</strong>：每次预测下一个概率最高的词，吐出来塞回输入，再预测下一个，循环往复直到输出结束符</td>\n</tr>\n</tbody>\n</table>\n<hr />\n<h2 id=\"2-token词元-模型处理文本的最基本单元\"><a class=\"anchor\" href=\"#2-token词元-模型处理文本的最基本单元\">#</a> 2. Token（词元）— 模型处理文本的最基本单元</h2>\n<p>模型只认数字，所以需要 <strong>Tokenizer</strong> 在人类与模型之间做翻译。</p>\n<p><strong>工作流程</strong></p>\n<ol>\n<li><strong>编码</strong>（文字 → 数字）\n<ul>\n<li>切分：用户输入被拆成最小片段，每个片段叫一个 <strong>Token</strong></li>\n<li>映射：每个 Token 对应到一个 <strong>Token ID</strong>（数字）</li>\n</ul>\n</li>\n<li><strong>解码</strong>（数字 → 文字）：把模型吐出的 Token ID 翻译回文字</li>\n</ol>\n<blockquote>\n<p>Token ≠ 词。比如&quot;工作坊&quot;被切成 [工作, 坊]，&quot;程序员&quot;被切成 [程序, 员]。<br />\n平均 1 Token ≈ 0.75 个英文单词 / 1.5~2 个汉字。</p>\n<p>极端情况：一个对勾字符（✅）可能需 3 个 Token 才能表示。<br />\n底层切分算法为 <strong>BPE（Byte Pair Encoding）</strong>，视频另有专题讲解。<br />\nOpenAI 官方提供了 Token 可视化页面，可以直观查看任意文本被如何切分。</p>\n</blockquote>\n<hr />\n<h2 id=\"3-context上下文-context-window上下文窗口\"><a class=\"anchor\" href=\"#3-context上下文-context-window上下文窗口\">#</a> 3. Context（上下文）&amp; Context Window（上下文窗口）</h2>\n<table>\n<thead>\n<tr>\n<th>概念</th>\n<th>含义</th>\n</tr>\n</thead>\n<tbody>\n<tr>\n<td><strong>Context</strong></td>\n<td>模型每次处理任务时接收到的<strong>信息总和</strong>（历史记录 + 系统规则 + 当前输入等），本质是模型的<strong>临时记忆体</strong></td>\n</tr>\n<tr>\n<td><strong>Context Window</strong></td>\n<td>Context 能容纳的<strong>最大 Token 数量</strong></td>\n</tr>\n</tbody>\n</table>\n<p>当前主流模型的 Context Window 普遍在 <strong>100 万 Token 左右</strong>（约 150 万个汉字）。</p>\n<p><strong>相关技术：RAG（Retrieval-Augmented Generation）</strong></p>\n<p>面对大量资料（如上千页产品手册），不是全部塞进 Context，而是先检索最相关的片段，只将这些片段送入模型——降低成本和 Token 消耗。<br />\n视频另有 RAG 专题讲解。</p>\n<hr />\n<h2 id=\"4-prompt提示词\"><a class=\"anchor\" href=\"#4-prompt提示词\">#</a> 4. Prompt（提示词）</h2>\n<p>从用户的简单指令到开发者后台配置的约束，Prompt 共同决定了模型的输出行为。</p>\n<table>\n<thead>\n<tr>\n<th>类型</th>\n<th>来源</th>\n<th>作用</th>\n</tr>\n</thead>\n<tbody>\n<tr>\n<td><strong>User Prompt</strong></td>\n<td>用户直接输入</td>\n<td>具体任务或问题</td>\n</tr>\n<tr>\n<td><strong>System Prompt</strong></td>\n<td>开发者后台配置</td>\n<td>设定模型角色、人设和做事规则（用户不可见）</td>\n</tr>\n</tbody>\n</table>\n<blockquote>\n<p>示例：一个数学辅导机器人</p>\n<ul>\n<li>System Prompt：你是一个耐心的数学老师，不要直接给答案，要引导学生思考</li>\n<li>User Prompt：3 加 5 等于几？</li>\n<li>模型不会说&quot;8&quot;，而是说&quot;你手里有 3 个苹果，又拿了 5 个，现在一共有多少个？&quot;</li>\n</ul>\n</blockquote>\n<p><strong>Prompt Engineering 正在衰退</strong>——不是因为不重要，而是模型能力越来越强，模糊指令也能大致猜对意图。</p>\n<hr />\n<h2 id=\"5-tool工具-让模型感知外部世界\"><a class=\"anchor\" href=\"#5-tool工具-让模型感知外部世界\">#</a> 5. Tool（工具）— 让模型感知外部世界</h2>\n<p><strong>大模型的先天缺陷</strong>：无法获取实时信息（天气、数据库等）。</p>\n<p>Tool 本质上就是一个<strong>函数</strong>——给它输入，它返回输出。</p>\n<p><strong>完整调用链路</strong></p>\n<pre class=\"shiki shiki-themes vitesse-light vitesse-dark\" style=\"background-color:#ffffff;--shiki-dark-bg:#121212;color:#393a34;--shiki-dark:#dbd7caee\" tabindex=\"0\"><code class=\"language-text\"><span class=\"line\"><span>- 模型分析该用哪个工具，生成调用指令</span></span>\n<span class=\"line\"><span>- 平台实际调用工具函数</span></span>\n<span class=\"line\"><span>- 模型归纳工具返回的结果</span></span>\n<span class=\"line\"><span>- 最终输出给用户</span></span></code></pre>\n<blockquote>\n<p><strong>关键认知</strong>：模型不会自己调用工具，它唯一的能力是输出文本指令。实际调用由<strong>平台</strong>完成。</p>\n</blockquote>\n<p><strong>各角色职责</strong></p>\n<table>\n<thead>\n<tr>\n<th>角色</th>\n<th>职责</th>\n</tr>\n</thead>\n<tbody>\n<tr>\n<td>模型</td>\n<td>① 选择工具并生成参数 ② 归纳工具执行结果</td>\n</tr>\n<tr>\n<td>平台</td>\n<td>串联整个流程：告诉模型可用工具、根据模型指令去调用工具</td>\n</tr>\n<tr>\n<td>工具</td>\n<td>完成具体的查询/计算任务</td>\n</tr>\n</tbody>\n</table>\n<hr />\n<h2 id=\"6-mcpmodel-context-protocol-统一工具接入标准\"><a class=\"anchor\" href=\"#6-mcpmodel-context-protocol-统一工具接入标准\">#</a> 6. MCP（Model Context Protocol）— 统一工具接入标准</h2>\n<p><strong>痛点</strong>：以前每个平台（ChatGPT / Claude / Gemini）有自己的一套工具接入规范，同一个工具要写多遍。</p>\n<p><strong>MCP 的作用</strong>：定义一套统一标准，工具开发者只写一次，所有支持 MCP 的平台都能用——就像 <strong>Type-C 接口</strong>。</p>\n<p>视频另有 MCP 终极指南系列（3 期），从使用到原理全面讲解。</p>\n<hr />\n<h2 id=\"7-agent智能体-能自主规划的程序\"><a class=\"anchor\" href=\"#7-agent智能体-能自主规划的程序\">#</a> 7. Agent（智能体）— 能自主规划的程序</h2>\n<table>\n<thead>\n<tr>\n<th>要点</th>\n<th>说明</th>\n</tr>\n</thead>\n<tbody>\n<tr>\n<td>定义</td>\n<td>能够 <strong>自主规划 → 自主调用工具 → 持续运作直到完成任务</strong> 的系统</td>\n</tr>\n<tr>\n<td>代表产品</td>\n<td>Claude Code、Codex、Gemini CLI、Cowork、OpenClaw 等</td>\n</tr>\n<tr>\n<td>构建模式</td>\n<td>ReAct、Plan and Execute 等经典模式</td>\n</tr>\n</tbody>\n</table>\n<p>Agent 不再是&quot;问一句答一句&quot;，而是面对复杂任务时自己分析、拆解步骤、多次调用工具、最终给出答案。</p>\n<p><strong>视频中的多步串联例子</strong>：&quot;查天气→下雨→搜附近雨伞店&quot;</p>\n<ol>\n<li>调用定位工具获取经纬度</li>\n<li>调用天气工具查询天气（有雨）</li>\n<li>调用店铺工具搜索附近雨伞店（100 米有全家便利店卖伞）</li>\n<li>归纳所有信息，输出最终答案</li>\n</ol>\n<p>视频另有专题深入拆解了 ReAct 等构建模式的运行流程，甚至手写了一个简化版 Claude Code。</p>\n<hr />\n<h2 id=\"8-agent-skill-给-agent-看的说明文档\"><a class=\"anchor\" href=\"#8-agent-skill-给-agent-看的说明文档\">#</a> 8. Agent Skill — 给 Agent 看的说明文档</h2>\n<p><strong>本质</strong>：一份提前写好的 <strong>Markdown 文件</strong>，告诉 Agent 遇到某类任务该怎么做事。</p>\n<p><strong>文档结构</strong></p>\n<pre class=\"shiki shiki-themes vitesse-light vitesse-dark\" style=\"background-color:#ffffff;--shiki-dark-bg:#121212;color:#393a34;--shiki-dark:#dbd7caee\" tabindex=\"0\"><code class=\"language-text\"><span class=\"line\"><span>┌─ 元数据层 ─────────────────────────┐</span></span>\n<span class=\"line\"><span>│  Name:        go-out-checklist    │</span></span>\n<span class=\"line\"><span>│  Description: 出门前帮你查天气、带物品│</span></span>\n<span class=\"line\"><span>├─ 指令层 ───────────────────────────┤</span></span>\n<span class=\"line\"><span>│  目标                              │</span></span>\n<span class=\"line\"><span>│  执行步骤（先调定位 → 再调天气 → …）   │</span></span>\n<span class=\"line\"><span>│  判断规则（下雨带伞，风大穿外套 …）     │</span></span>\n<span class=\"line\"><span>│  输出格式（先总结句，再列清单）         │</span></span>\n<span class=\"line\"><span>│  示例（给出一组输入→输出的样例）        │</span></span>\n<span class=\"line\"><span>└────────────────────────────────────┘</span></span></code></pre>\n<p><strong>存放规范（以 Claude Code 为例）</strong></p>\n<ol>\n<li>进入 <code>~/.claude/skills/</code> 目录</li>\n<li>新建文件夹，<strong>文件夹名必须等于技能名</strong>（如 <code>go-out-checklist</code>）</li>\n<li>文件夹内创建 <strong><code>SKILL.md</code></strong>（必须大写，这是&quot;接头暗号&quot;）</li>\n<li>所需工具需提前做成 <strong>MCP 工具</strong> 并导入</li>\n</ol>\n<p><strong>渐进式披露</strong>：启动时只读取元数据层；只有用户问题与技能的名称/描述相关时，才加载指令层——节省 Token。</p>\n<p>视频另有专题深入讲解 Agent Skill 的使用和原理。</p>\n<hr />\n<h2 id=\"体系总结\"><a class=\"anchor\" href=\"#体系总结\">#</a> 体系总结</h2>\n<pre class=\"shiki shiki-themes vitesse-light vitesse-dark\" style=\"background-color:#ffffff;--shiki-dark-bg:#121212;color:#393a34;--shiki-dark:#dbd7caee\" tabindex=\"0\"><code class=\"language-text\"><span class=\"line\"><span>Agent Skill   ← 给 Agent 看的说明文档</span></span>\n<span class=\"line\"><span>    ↑</span></span>\n<span class=\"line\"><span>Agent         ← 能自主规划、调用工具完成任务的程序</span></span>\n<span class=\"line\"><span>    ↑</span></span>\n<span class=\"line\"><span>MCP           ← 工具的统一接入标准协议</span></span>\n<span class=\"line\"><span>    ↑</span></span>\n<span class=\"line\"><span>Tool          ← 让大模型感知外部世界的函数</span></span>\n<span class=\"line\"><span>    ↑</span></span>\n<span class=\"line\"><span>Prompt        ← 给模型的指令（User + System）</span></span>\n<span class=\"line\"><span>    ↑</span></span>\n<span class=\"line\"><span>Context       ← 模型每次处理任务时的信息总和</span></span>\n<span class=\"line\"><span>    ↑</span></span>\n<span class=\"line\"><span>Token         ← 模型处理文本的最基本单元</span></span>\n<span class=\"line\"><span>    ↑</span></span>\n<span class=\"line\"><span>LLM           ← 一切的基础（基于 Transformer 的大语言模型）</span></span></code></pre>\n<blockquote>\n<p>理解了这条概念链，无论 AI 圈子里出现什么新产品、新技术，你都能看清它的底层逻辑。</p>\n</blockquote>\n<hr />\n",
            "tags": [
                "搬运"
            ]
        },
        {
            "id": "http://47.104.189.4/2026/07/13/Welcoming!!/",
            "url": "http://47.104.189.4/2026/07/13/Welcoming!!/",
            "title": "WELCOMING!!",
            "date_published": "2026-07-13T14:59:45.000Z",
            "content_html": "<h2 id=\"我是谁\"><a class=\"anchor\" href=\"#我是谁\">#</a> 我是谁？</h2>\n<p>阴暗的大学生，<s class=\"danger\">出门已经申请走下水道</s>(不对，下水道本来就是我的😡)，喜欢<strong>看番，音游，二游</strong>，还有4399😋。</p>\n<p>在这里随便发一点碎碎念，可能有时候也会发一些有用的东西。</p>\n<p>欢迎来GitHub或者b站找我交朋友。</p>\n",
            "tags": [
                "碎碎念"
            ]
        }
    ]
}