LLM大语言模型 链接到标题
对话（只能一问一答）
context 上下文 链接到标题
背景信息
prompt 链接到标题
提示词
memory 链接到标题
每次沟通前，可以把历史对话放到context里面，然后再提出问题
memory还可以再次调用LLM对历史对话进行总结
Agent 链接到标题
LLM 对于网上的资料信息，需要提示关键词和位置才能获取【但是我们告诉他在哪里找又不智能】
因此就需要一个程序，帮助我们上网查询，再跟LLM沟通，然后处理LLM的结果再给用户
RAG-检索向量生成 链接到标题
agent可以上网搜索，也可以搜索本地文档和数据库，这时要使用向量数据库RAG，来吧相近的片段找出来
联网搜索的叫web search
Function Calling 链接到标题
如果agent和LLM用自然语言沟通，很复杂，要有大量的判断，以及slice
因此需要一种固定格式,类似于前后端的接口通信
MCP- agent功能解耦 链接到标题
将一些 tools/list 方法返回工具列表， tools/call返回具体的方法
模型上下文协议，提供各种程序的程序集，Agent成一个传话筒 ，agent和工具服务之间的约定
和agent通信的类型 链接到标题
命令行窗口的形式：CLI IFlow\ CodeX \Claude Code
编程程序： cursor Trae
桌面助手：Clawdbot、openclaw
LangChain 链接到标题
例如将 文件 提取 翻译 保存为 MD，直接让Agent做他会浪费token
完全可以写成脚本py，自动完成，中间的翻译让大模型完成
他的低代码方式叫：workFlow
Skill - 渐进式批漏和按需加载 链接到标题
文件可以是各种形式，保存的形式也可能各种各样，每次都判断一下也很费劲
因此可以在和智能体沟通时都提前让他读一下skill.md文件，里面说明了各种脚本的作用
一些比较简单的程序都直接嵌入到Agent里面了（内化在里面了）