从 LLM 到 OpenClaw:七步看懂 Prompt、Memory、MCP、Skills、Agent

news2026/4/6 1:01:32
从 LLM 到 OpenClaw七步看懂 Prompt、Memory、MCP、Skills、Agent这两年 AI 术语越来越多LLM、MCP、Agent、Skills、OpenClaw。如果你不是技术背景第一次看到这串词基本都会懵。下面我用一个统一场景来讲把 AI 当成一个“数字员工”你一步步给它补能力。你可能见过这种反差同样是用 AI有人一句话就能让它查资料、排计划、连工具执行而你这边得到的往往只是一段“看起来对、但用不上”的回答。差别通常不在你“会不会提问”而在于你有没有看清这 7 个概念各自负责哪一层能力。第一步LLM大语言模型LLM 可以理解成语言引擎。你给它一段文本它根据训练数据预测下一个词。能力上它能写、能改、能总结也能处理不少推理任务。但它默认有三个限制不知道实时信息不能直接操作外部系统对话结束后不会长期记住你旅行规划例子你问它“周末去哪玩”它会给你一些常见推荐但不知道你预算是 500 还是 5000也不知道周末天气更不知道你上周刚去过杭州。第二步Prompt提示词Prompt 就是你给 LLM 的输入。同一个模型输入方式不一样结果会差很多。相比“帮我做旅行计划”这种泛指令更有效的是把约束讲清预算、出发地、饮食偏好、时间安排、不能接受的选项。旅行规划例子把问题改成“我吃素预算 1000 元周末两天从上海出发不爬山想找安静一点的地方。”这时建议会明显收敛结果通常更可用。第三步Memory记忆单次对话里的上下文可以看作短期记忆把用户偏好存到数据库是长期记忆。有了长期记忆后AI 才能在下一次对话里延续你之前的偏好而不是每次都从头问一遍。旅行规划例子如果系统记住你长期偏好“吃素、预算约 1000、不喜欢人挤人”你下次只说“帮我安排五一短途”它就能直接给出更贴近你的方案。第四步MCP模型上下文协议MCP 是 Anthropic 提出的开放协议用来标准化“AI 连接外部工具”的方式。没有统一协议时每接一个系统都要单独写一套对接代码。用了 MCP 后AI 接日历、文件、数据库、内部 API 的流程可以统一迁移和维护都更省事。旅行规划例子接了 MCP 之后AI 才能真的做事读你的日历避开冲突时间查实时天气避免踩雷查票务和价格给出可执行方案第五步Agent智能体可以把 Agent 理解成“会分解任务并执行闭环”的系统。常见组成是LLM理解和生成Memory记住用户和上下文规划能力拆任务和排序工具调用真正执行旅行规划例子你说一句“帮我安排这周末苏州行”。Agent 会自己走完整流程检查日历、比较车次、筛选餐厅、生成行程必要时回头调整而不是只回复一段建议文本。第六步Skills技能这里最容易混淆的是 Tools 和 SkillsTools 是单个能力比如“订票”“发邮件”Skills 是流程模板规定“先做什么再做什么”很多系统里Skill 往往就是一份 Markdown 说明里面写清楚某类任务的执行步骤和检查点。旅行规划例子只有订票工具时AI 可能直接下单。有旅行 Skill 时它会先确认预算和时间窗口再给候选方案、等你确认后执行并在执行后回传行程单。第七步OpenClawOpenClaw 是在本地运行的 AI 助手。它可以把聊天入口如微信、Telegram 等和模型、工具层连接起来。你可以把它看成一个网关前面接消息入口后面接 LLM 与 MCP 工具核心逻辑在你自己的机器上跑它受欢迎的点很实际本地部署、可连接真实工作流、可跨平台触发。风险也同样实际如果它拿到了文件、终端或账号权限安全边界就必须认真做。权限给多少、怎么隔离、日志怎么审计这些都不能省。旅行规划例子你在手机上发一句“周末帮我安排个短途。”系统在家里电脑上完成查询、规划和下单再把结果回到聊天窗口。体验很顺但前提是你已经把权限控制和安全策略配好。总结一张对照表就够了LLM会理解和生成文本Prompt你如何下达任务Memory系统如何记住你MCP系统如何接外部工具Agent系统如何自动拆解并执行Skills系统按什么流程做事OpenClaw把这些能力落到本地可用的一层如果你刚入门先抓住一句话LLM 负责“会说”MCP 和 Tools 让它“能做”Memory、Skills、Agent 决定它“做得稳不稳”OpenClaw 则是把整套能力装到你自己的环境里。往期文章【CLAUDE.md 完全指南让 AI 记住你的项目】 https://blog.csdn.net/qq_28299919/article/details/159659294【Claude Code越用越贵5个技巧让成本降70%】 https://blog.csdn.net/qq_28299919/article/details/159775289【从对话到执行一文读懂AI Coding Agent的底层原理】 https://blog.csdn.net/qq_28299919/article/details/159620737【用这套“AI-Native 面试官手册“给自己打分你在 AI 时代有竞争力吗】 https://blog.csdn.net/qq_28299919/article/details/159758251【axios 被投毒了你的小龙虾可能已经中招你却不知道】 https://blog.csdn.net/qq_28299919/article/details/159726666

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2487419.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…