AI术语入门（下篇）：Prompt、Agent、Langchain，下一站的AI地图

上篇从基础开始，先理解 AI 是什么（上篇）我们从AI、LLM、大模型、多模态等核心术语入手，理了一遍基础概念。

这篇，我们继续深入，把那些在产品搭建、Agent组合和生成式AI项目中常见、但容易混淆的术语彻底讲清楚。

不只是解释“它们是什么”，更要回答这些术语背后那些你一定想问的问题：

Prompt为什么有的人写得好，有的人写不出效果？

Langchain和LLAMA是干嘛的？能做出产品吗？

MCP到底是什么？和RAG、Agent又有啥关系？

Prompt 就是你给大模型的“提问方式”或“提示词”。它不仅是一句话，可能是结构化的长文本，也可能嵌入函数调用、格式模板、指令组合。

新手最常遇到的问题有两种：

这就是为什么我们会听到 Prompt Engineering（提示词工程） 这个词，它强调：

写Prompt不是写作文，而是设计输入，要结合模型上下文逻辑。

高质量Prompt通常具备结构清晰、角色设定、输入输出边界明确等特点。

举个栗子?：

你是一个资深儿童心理学家，帮我设计一份适合6岁小朋友、以“勇气”为主题的游戏互动剧本，要求包含3个关卡，每关1分钟，角色为：狐狸、小兔子。

这个提示词就比“帮我设计儿童剧本”清晰得多。

结构、目标、语境、输出内容边界都说清了。

你可以在FlowGPT、PromptBase、PromptHero 中文站等网站上，查看热门Prompt模板，也可以收藏别人写好的提示词，复用参考。

Prompt管理工具： 

像 Langchain / LLAMA / PromptLayer 等框架中，也提供提示词模板组件，可以集中管理和复用。

Agent（智能体）并不是大模型本身，而是一个“调度员”+“执行器”的系统，它可以：

自主决策： 根据目标判断下一步干什么

调用工具： 比如搜索网页、调用函数、读写文件

分步骤完成任务： 比如“帮我订酒店并发邮件通知我”

用户输入 → 思考（Thought） → 工具调用（Tool Use） → 观察结果 → 再决策 → 输出答案

和普通的 Chatbot 相比，它不只是“回答问题”，而是“解决任务”。

常见的Agent框架平台包括：

Langchain 不是模型，而是一个“用来组装模型和工具”的 Python 框架。

它的核心目标是：

让你能像搭积木一样，把 LLM + Prompt + Agent + Memory + 工具调起来，做成“能执行任务的 AI 应用”。

串联多个步骤，比如“提取文本 → 搜索资料 → 生成内容”

管理多个Agent、多个模型调用

实现“记忆”功能，比如上下文管理、用户偏好记忆

?注意：这里的 LLAMA 不是 Meta 的模型 LLaMA，而是另一个拼写相近的工具LLAMAIndex（原名GPT Index）。专为连接大型语言模型（LLM）与外部数据设计的开源框架，通过结构化索引和高效检索机制，解决LLM在处理企业级知识库时的上下文限制与幻觉问题。适合做：

?建议：需深度优化检索效果（如金融、医疗领域）选LlamaIndex；需快速搭建通用Agent选LangChain

Token 是模型处理文本的基本单位。

不是“字”也不是“词”，而是“模型能识别的片段”，

比如：

“ChatGPT” 会被分成 2 个 token

中文“你好”会被分成 1 个 token

成本按token计费，比如GPT-4是0.03美元 / 1000输入token，DeepSeek-V3是4.8人民币/100万输入token。

Prompt不能太长，超过token上限会截断。

训练、推理、存储全部与token数有关。

MCP = Model Context Protocol，是一类用于管理大模型“上下文状态”的协议或组件。

它的作用是：

你会发现：

这背后很可能就是MCP配置问题。它常常集成在 Langchain、LangGraph、OpenAI Function Calling 等框架中，帮助你精细控制模型上下文。

✅总结一下：这些术语之间怎么联动？

我们把核心术语再串起来，形成这样一张“AI术语地图”：