为什么用木匠做凳子来比喻？
LLM 技术栈越来越复杂——Prompt、Agent、MCP、RAG、Embedding、Token Budget……概念多到让人头疼。
我找到一个办法：把它们全装进一个木匠工坊的比喻里。你只需要想象”一个师傅带着学徒做一把凳子”的完整流程，就能理解整个技术栈。
这个比喻框架覆盖了 14 个层级、40+ 个技术概念，以下是最核心的映射。
一、核心角色：谁是师傅，谁是大脑？
| 工坊角色 | 技术实体 | 一句话 |
|---|---|---|
| 师傅（你） | User | 提需求、做决策、验收成品 |
| 大脑 | LLM | 理解意图、推理、决策、生成 |
| 肢体 | Claude Code / Codex / Hermes | 执行动作、协调工具 |
| 学徒 | Agent / Sub-agent | 接受任务，独立完成，汇报结果 |
| 工头 | Orchestrator | 拆活儿、派单、验收 |
Prompt 的三层含义：
- System Prompt = 师傅每天开工前的例行规矩：“榫头宁紧勿松”
- User Prompt = 顾客上门说的：“我要一把 45cm 高的槐木凳子”
- Skill Prompt = 贴在工作台上的工序卡：“先打榫眼，再锯榫头”
二、能力层：Tools、Plugin、API 怎么区分？
| 概念 | 比喻 | 一句话 |
|---|---|---|
| Tools | 尺子、刨子、凿子、锯子 | 原子能力，一把螺丝刀 |
| Plugin | 台钻的斜孔模块 | 插上就用，拔掉不影响，封装了多 tool + prompt |
| API | M6 标准螺丝 | 互换性协议，谁产的都能拧 |
| Tool Use | 知道何时该用刨子 | 大脑的核心能力：判断 + 调用 |
三、MCP 和 Context：神经 vs 工作台
这是我个人最满意的两个比喻：
-
MCP (Model Context Protocol) = 神经系统。大脑想”刨这块木头”，信号要经过神经传到手。MCP 管的是连接和路由——大脑不直接握刨子。
-
Context = 工作台上的东西。当前手边的半成品、图纸、尺寸、刨子。这就是大脑决策的全部依据。工作台之外的东西，大脑不知道——除非你起身去翻（RAG）。
四、约束层：不是你想做多大就多大
| 概念 | 比喻 |
|---|---|
| Context Window | 工作台面积——就这么大，一次铺不了太多 |
| Token Budget | 工钱预算——一把椅子预算 50 文 |
| Rate Limit | 接单产能——一天最多接 3 个活 |
| Caching | 模板/模具——一样的榫头做十个，做个模子比每次划线快且省 |
| Compaction | 收拾台面——台面满了，收进工具箱，丢掉细节保留要害 |
五、质量控制：做错了怎么办？
| 概念 | 比喻 |
|---|---|
| Temperature | 胆量。T≈0 严格按图纸（算数），T≈1 随性发挥（写诗） |
| Hallucination | 闭眼瞎刨。自信满满觉得平了，拿尺一量歪了 2mm。概率模型的固有属性，不是 bug |
| Guardrails | 台锯防护罩。硬约束，必须装，没商量 |
| Structured Output | 公差要求 ±0.2mm。JSON Schema 就是把格式卡死 |
| Verification | 拿尺量。做完一步验一步，不靠信任靠测量 |
六、学习层：大脑怎么变聪明？
| 概念 | 比喻 | 一句话 |
|---|---|---|
| Memory | 肌肉记忆/工坊日记 | 跨会话保留经验，不用每次重新想 |
| Fine-tuning | 师承/流派 | 跟鲁班还是朱由校学的，风格不同 |
| RAG | 翻木工手册 | 查标准尺寸→喂入上下文→大脑决策 |
| Embeddings | 木料分类嗅觉 | 一闻就知硬杂木还是软杂木（语义聚类） |
| In-context Learning | 师傅示范一遍，徒弟当场学会 | Few-shot prompting |
七、运行与运维：刨坏了怎么办？
| 概念 | 比喻 |
|---|---|
| Streaming | 边刨边看——刨花一卷一卷飞，随时喊停 |
| Batch | 五把椅子腿一起锯——批量加工省时间 |
| Latency (TTFT) | 第一片刨花飞出来的时间 |
| Concurrency | 三个学徒同时刨板子，互不干扰 |
| Retry | 榫头刨小了，重新锯一根 |
| Fallback | 这个办法不行，换条路走 |
| Idempotency | 一刀是一刀——同一刀不可能切两次 |
| Observability | 工坊监控——Logs/Metrics/Traces 三件套 |
八、完整层级总图
认知层: LLM / Prompt / Plan / Reasoning / Temperature / Hallucination
编排层: Workflow → Skill
执行层: Claude Code / Agent / Orchestrator
协调层: MCP (神经系统)
能力层: Plugin / Tools / API / Tool Use
质量层: Guardrails / Structured Output / Verification
学习层: Memory / Fine-tuning / RAG / Embeddings
约束层: Context Window / Token Budget / Rate Limit / Caching
环境层: Sandbox / Worktree / Hooks / Git
运行层: Streaming / Batch / Latency / Concurrency
观测层: Observability / Retry-Fallback / Idempotency
模态层: Multi-modal / Input-Output-Thinking tokens九、一个故事的总结
顾客上门：“师傅，我要一把凳子，45cm 高，槐木。“（User Prompt）
师傅看工作台（Context Window），这单预算 50 文（Token Budget）。
翻开木工手册查尺寸（RAG），画张图纸（Plan），顺手做榫头模板（Caching）。
按工序卡开干（Skill），让三个学徒（Concurrency）同时锯腿，师傅只管验收（Verification）。
大脑通过神经（MCP）告诉手拿刨子（Tool Use）。刨花一卷卷飞（Streaming），刨完拿尺量（Structured Output），±0.2mm 合格。
台面满了收一收（Compaction），关键步骤记工序本（Git）。工坊监控全程记着（Observability）。
安全护栏卡着（Guardrails），台锯防护罩必须装。三天后交货，每一刀都有记录，出问题随时回溯。
下次再来个顾客要桌子，师傅的肌肉记忆（Memory）已经记住了：槐木硬，凳腿三缺榫，桌子得换插肩榫。
资源
- 📄 Word 文档下载：LLM技术栈-木匠工坊比喻框架.docx
- 🧠 思维导图：在线查看
- 📖 完整源文档（16 章）：GitHub
2026-05-25 · Daniel Cao · danielcao2023@gmail.com