LLM 基础概念分享：从原理到 Function Call -> MCP -> Agent -> Skills
1. LLM 最简原理：它在做什么？
LLM（Large Language Model）本质上做的是一件事：
给定上下文，预测下一个 token 是什么。
它不断生成 token 并拼接成文本，因此看起来能“对话”“写作”“编程”。底层关键架构是 Transformer，依靠 Attention**（注意力机制）** 在上下文里动态关注关键信息。
图 1：LLM 的生成过程（Next-token prediction）
工程上要牢记：LLM 的目标是生成“最可能的文本”，不是保证“事实正确”，所以会出现 幻觉（Hallucination）。
2. Function Call：让模型能“调用工具”
Function Call（函数调用） 让 LLM 不只是输出自然语言，而是输出结构化参数（常见 JSON），由系统执行真实工具/API，再把结果返回给模型总结。
图 2：Function Call 的基本闭环
意义：
- 避免模型瞎编实时信息
- 输出可校验、可重试
- 多次调用可串联成流程
3. MCP：Function Call 之后的“标准工具接入层”
当工具变多，难点从“能不能调用”变成：
如何规模化、标准化地把工具暴露给模型？
MCP（Model Context Protocol） 提供统一的工具/数据源/上下文暴露方式，让模型用一致方式发现、理解、调用。
图 3：没有 MCP vs 有 MCP（接入复杂度对比）
- Function Call 是“怎么调用一次工具”
- MCP 是“怎么把一堆工具接入做到标准化、可扩展、可管理”
4. Agent：LLM + 多步规划 + 工具循环
Agent 是把 LLM 变成“任务执行体”的系统形态。典型循环是：
- 理解目标
- 规划步骤
- 调用工具
- 观察结果
- 迭代直到完成
图 4：Agent 的多步执行循环（Plan-Act-Observe）
Agent 的挑战更像系统工程：失败重试、成本控制、权限与安全、结果验证等。
5. Skills：Agent 的“可复用技能模块”（按 Claude Code 定义）
在 Claude Code 体系里，Skill可以理解为：
把某类能力写成标准化的“技能说明书”，让模型在合适时自动使用，或用户手动触发（例如
/skill-name）。
Skill 通常通过 name/description 等元信息描述“何时用、怎么用”，把经验沉淀成可复用模块，让能力更产品化、更可控。
图 5：Skills 在系统中的位置（沉淀与复用）
6. 一句话串起来
LLM 负责理解与生成；Function Call 让它能可靠调用工具；MCP 让工具接入标准化；Agent 用多步规划把工具串成任务；Skills 则把这些能力沉淀成可复用技能库，让系统更稳定、更可控、更易扩展。