几句话讲清楚Agent、LLM、MCP、SKill、RAG、WorkFlow

OpenViking上下文数据库Golang集成实践 技术创新文件系统范式:将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略:L0/L1/L2三层加载机制,减少62.1%的Token消耗记忆自迭代:会话提交触发Agent经验沉淀,实现越用越智能工程实践完整Golang实现:提供生产级可用的OpenViking客户端库企业级集成方案:涵盖文档摄入、检索、会话管理等全流程性能优化成果:检索准确率提升24.1%,响应时间减少53.3%可观测性提升可视化检索轨迹:实现检索过程的白盒化,调试效率提升77.1%全面监控指标。 阅读详情

今天咱们用 5 分钟,把 AI Agent、LLM、Skill、MCP、RAG、Workflow 这些词一次性讲明白。

首先我们先来看一下AI是如何做事情的。

Agent出现之前大约是2025 年7月之前:AI其实只是一个大模型(LLM),它什么都懂,但你只能通过发文字(Token)和它交流,这里为什么用它,因为它只是一个大脑,一个会聊天的机器人。它就像一个坐在房间里的学者,你问什么它答什么,但是它不会主动做任何事,也无法使用外部的软件,工具。

Agent出现之后,大约是2025 年7月之后:聪明的科学家给这个大脑装上了躯壳,加上了眼睛、手和脚,这就是 Agent。所以现在的 AI 不再是只会聊天的机器人,它能自己主动去做事情了。

我给你打个最通俗的比方,你一下子就懂了:

  • Agent:Agent好比是一个人,这个人可以借助LLM、Skill、MCP、RAG等这些能力做很多事情。
  • LLM:就是这个人的「大脑」,负责思考、理解、推理,是整个人的思考中枢。
  • Skill:就是这个人的「技能」,比如会整理错题、会分析薄弱点、会生成练习题。
  • MCP:就是这个人的「工具」,比如扫描仪、打印机、文档软件,让 Agent 可以调用外部系统,并且Agent是通过MCP这个“Type-c”接口使用工具的。
  • RAG:就是这个人的「知识库」,比如孩子的课本、之前的错题本、学校的教学大纲,让 LLM 能获取更专业的私有数据。
  • Workflow:就是这个人的「工作流程」,比如 “扫描试卷→识别错题→分析原因→生成同类题→整理成 Word→打印”,这就是一个固定的 Workflow。

咱们可以用「给孩子整理错题本」这个例子,把所有概念串起来,而且你会发现:这个事大模型自己做不到,但 Agent 能轻松搞定。

  1. 用户给任务:我需要把孩子这周的数学试卷、作业本拍个照,发给 AI,说 “帮我整理成一份错题本,要分析每道题错在哪里,再出 3 道同类题,最后生成 Word 文档打印出来并且发送到我的邮箱”。
  2. Agent 规划执行步骤:
  • 识别试卷上的错题
  • 分析错题原因(是计算错了,还是知识点没掌握)
  • 从知识库中找到对应的知识点
  • 生成 3 道同类练习题
  • 把错题、分析、练习题整理成 Word
  • 打印并发送到我的邮箱
  1. Skill 调用:Agent 调用「错题分析 Skill」「知识点匹配 Skill」「同类题生成 Skill」。
  2. MCP 连接:Agent通过MCP打开图像识别软件、连接文档软件、访问打印机、连接邮箱。
  3. RAG 辅助:Agent通过RAG访问互联网上最新的错题库,把最相关的错题记录喂给 LLM,让分析和练习题更贴合孩子的实际情况。
  4. Workflow 优化:如果你经常需要整理错题本,就可以把这个流程做成一个固定的 Workflow,下次直接用。”

你可能会问:我把这些要求发给大模型,它是不是也能做到?

答案是:大模型只能做到其中一部分,比如分析错题、生成练习题,但它做不到「端到端的完整流程」。

比如:

  • 大模型不能直接调用打印机,你得自己打印;
  • 大模型不能直接发送到邮箱,需要你自己把文档添加到附件发送到邮箱;
  • 大模型不能自动访问孩子的课本和之前的错题本,你得自己把这些资料发给它。

而 Agent 不一样:它能自己完成从识别试卷到生成文档、打印、发送邮箱的全流程,不需要你中间再操作。这就是 Agent 和大模型的核心区别。

简单说就是:Agent 做,LLM 想,Skill 会,Workflow 顺,MCP 连,RAG 补。

如果还有哪个概念没懂,没关系,后续我会针对每个概念逐个讲解,帮助大家更好地理解。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

Agent、RAG、Skill、MCP四者边界与协作机制详解 AI工程中,Agent是决策调度核心,RAG提供可验证的知识增强能力,Skill封装具备输入/输出/语义三重契约的原子能力,MCP则定义跨系统互操作的标准化通信协议。理解这四者的分层职责——Agent管‘怎么做’、RAG管‘知道什么’、Skill管‘能做什么’、MCP管‘怎么说话’——是构建稳定AI应用的基础。尤其在金融、电商、工业等强规则场景,RAG的chunking策略偏差或Skill的参数契约缺失,极易引发线上静默故障。本文聚焦生产级落地,结合LangChain、LlamaIndex与MCP协议的真实 阅读详情

相关推荐

用AI学习graphify

Graphify是一个AI驱动的知识图谱构建工具,能够将代码、文档、论文、图像和视频等多模态数据转换为结构化知识图谱。其核心技术特点包括: 多模态处理能力: 支持25+编程语言的AST解析 处理PDF、Markdown等文档 集成Whisper进行音视频转录 高效知识提取: 采用确定性AST解析与LLM语义提取结合 相比直接读取源文件,查询token消耗最多减少71.5倍 增量更新机制仅处理变更文件 智能分析功能: 自动识别高中心性的"上帝节点" 发现跨领域的"意外连接&quo

我的专栏 749

从 LLM 到 Agent:Prompt、RAG、Function Calling、Workflow、MCP 等技术分别解决了什么问题?

大模型应用从文本生成演进为任务执行智能体,核心概念对应具体工程痛点:LLM(2020-2022)实现通用生成但知识固化;Prompt(2022)控制输出格式;Context/Memory(2023)解决会话记忆问题;RAG+Search(2023)接入外部知识;FunctionCalling(2023)实现工具调用;Workflow/LangChain(2023-2024)组织多步任务;Agent(2024)自动规划分解;Skill/SubAgent(2024)模块化能力;MCP(2024-2025)标准化

weixin_44115575的博客 1008

到底什么是Harness工程?一篇文章从入门到企业落地全解析

随着OpenClaw爆火,Harness Engineering(驾驭工程)成为AI编程时代的热门概念,很多小白对其感到陌生。本文用通俗类比和真实案例,避开复杂术语,从基础定义入手,讲清Harness Engineering的核心逻辑——人类工程师设计“约束系统”(马具),让AI模型(烈马)安全高效地完成代码工作,同时拆解其核心组件、企业落地场景和实战成果,帮小白快速入门,读懂这项能解放人力、提升效率的新技术,轻松掌握它的核心价值和落地思路。

program哲学 3269

基于RAG的企业智能客服项目,已拿70万offer!

基于 RAG 构建一套企业智能客服系统📖。

m0_59164520的博客 1444

告别黑窗口:XShell+X11转发图形化界面的5分钟保姆级教程(附Xming配置)

本文详细介绍了如何使用XShell和X11转发技术快速实现Linux图形化界面的远程访问。通过5分钟快速配置指南,包括服务端设置、客户端工具选择及XShell+Xming的完美配置,帮助用户高效运行GUI应用程序,提升远程工作效率。特别适合需要图形化操作的开发者和运维人员。

weixin_29223603的博客 328

深度强化学习-D3QN算法原理与代码

Dueling Double Deep Q Network(D3QN)算法结合了Double DQN和Dueling DQN算法的思想,进一步提升了算法的性能。如果对Doubel DQN和Dueling DQN算法还不太了解的话,可以参考我的这两篇博文:深度强化学习-Doubel DQN算法原理与代码和深度强化学习-Dueling DQN算法原理与代码,分别详细讲述了这两个算法的原理以及代码实现。本文就带领大家了解一下D3QN算法,代码链接见下方。 代码:https://github.com/indigo

weixin_46133643的博客 2万+

从Vibe Coding到可控生产力:Harness Engineering的实践启示

摘要:OpenAI提出的Harness Engineering(工程化治理)理念为AI Agent时代的软件工程提供了关键方法论,旨在解决代码高产出下的质量闭环、上下文管理等核心矛盾。其三大目标包括重构工程师角色、将AI纳入可控体系、实现低成本纠错,通过六大举措(如角色重构、机械化约束、反熵机制等)重构工程流程。该理念与vibe coding高度互补,既保留灵感驱动的敏捷性,又通过工程化体系保障稳定性,最终推动工程师从"代码生产者"升级为"工程体系设计者"。

小程故事多的博客 4400

单细胞分析实战:用R语言绘制带连线的堆叠柱状图(附完整代码)

本文详细介绍了如何使用R语言绘制带连线的堆叠柱状图进行单细胞转录组数据分析,特别适用于展示细胞比例变化趋势。通过完整代码示例和实战技巧,帮助研究者优化多组别比较的可视化效果,提升科研图表质量。

yhn4567890的博客 390

AI圈名词全解:LLM、Agent、MCP、RAG、Skill、Workflow……

本文用通俗易懂的语言解释了AI领域的热门术语,如LLM(大语言模型)、Agent(智能助手)、MCP(工具协议)等。作者将这些技术概念比作"会说话的军师"和"跑腿助手",形象地说明它们共同的目标是让普通人更便捷地使用AI。文章指出,尽管新术语层出不穷,但核心都在解决两个问题:如何给AI提供足够信息,以及如何减少用户与AI的直接交互。最终强调,评判AI工具的关键在于是否真正为用户省时省力,而非被营销术语迷惑。

javatiange的博客 436

Cursor AI对话历史丢失?开源工具一键恢复项目聊天记录

在软件开发中,数据持久化与工作区管理是保障开发效率与上下文连续性的基础技术。其核心原理在于通过文件系统路径、数据库存储等机制,将应用状态与用户数据持久化关联。对于依赖AI辅助编程的开发者而言,对话历史是宝贵的项目上下文资产,记录了关键的算法思路、API使用范例和问题解决方案。然而,当开发工具(如基于VS Code的Cursor)采用基于项目绝对路径的工作区隔离机制时,项目路径的变更会导致历史对话看似“丢失”,实则是被隔离在了旧路径对应的数据沙箱中。这直接影响了开发体验与知识沉淀的效率。cursor-chat

weixin_26775679的博客 828

用 ADBC 把动态查询做得又快又稳:从 CL_SQL_STATEMENT 到安全取数的工程化实践

本文介绍了ABAP中ADBC(ABAP Database Connectivity)技术的核心用法与最佳实践。ADBC作为Open SQL的补充,适用于动态查询、数据库特性调用等场景。文章通过示例代码详细演示了使用ADBC执行查询的完整流程:创建SQL语句、执行查询获取结果集、批量装载数据到内表,以及分包读取处理大数据量。特别强调了动态SQL的安全防护措施,包括输入转义和参数绑定等防注入技术。同时对比了ADBC与Open SQL的适用场景,指出ADBC更适合需要动态访问数据库原生功能的场合。文章还分析了代码

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1772

一文搞懂 AI Agent 生态:Function Calling、MCP、SKILL、LangChain 与 Workflow 的核心区别与关系

本文系统梳理了AIAgent生态的核心概念与技术架构。通过解析FunctionCalling(LLM与Agent的通信协议)、MCP(Agent与工具的标准化接口)、SKILL(任务能力封装)、LangChain(开发框架)和Workflow(低代码工作流)等关键组件,揭示了AIAgent实现复杂任务自动化的技术脉络。文章采用分层架构视角,从底层通信协议到上层技能抽象,完整呈现了各组件间的协作关系,并配以PDF翻译的实战案例说明全链路执行过程。为开发者提供了从概念理解到实践落地的系统指南,同时指出未来AIA

爱人爱己,风生水起 1400

GEE:基于MODIS数据计算NDVI时间序列,并使用Savatsky-Golay(SG)滤波器对其进行平滑处理

优快云@_养乐多_本文将介绍如何在 Google Earth Engine (GEE) 平台中,使用 MODIS 数据计算 NDVI 时间序列,并对该数据集应用 Savitzky-Golay 滤波器,得到了一个新的平滑后的数据集。Savitzky-Golay 滤波器可以有效地去除信号中的噪声,并平滑信号的变化。该方法可以扩展到基于 MODIS 数据计算的任何指数或者波段。

养乐多的博客 1426

从聊天到干活:三分钟搞懂 LLM、Agent、RAG、Skill

面试官:现在大家聊的 LLM、Agent、RAG、Function Calling、Skill 这些你怎么看?

2203_75335776的博客 761

海洋CMS admin_notify.php 远程代码执行漏洞复现(CVE-2024-30565)

海洋CMS admin_notify.php 接口处存在远程代码执行漏洞,经过身份验证的远程攻击者可利用该漏洞执行任意代码,写入后门文件,进而控制整个web服务器。

0xSec 2714

电机驱动和电源等大电流设计中的并联 MOSFET设计

在电机驱动等应用中,半桥拓扑(通常为 3 相)用于生成在电机中产生正扭矩或负扭矩的交流电源信号。想要更高的输出电流能力,只有通过并联形成每个功能开关的 MOSFET,才能实现高输出电流。当多个功率 MOSFET 并联以增加系统整体电流能力容量时,通常假设电流在并联器件之间均等分配或均等共享。然而,在并联 MOSFET 时,需要考虑并联器件之间的电流分配。PCB 布局的若干特性和特定的MOSFET 参数会影响这种分配,并在参数不匹配或布局不对称时导致均流不平衡。

小幽余生不加糖 2487

三分钟搞懂 AI 新词:LLM、Agent、RAG、Skill 到底是啥?

这些新词不是故弄玄虚,而是为了解决一个实际问题——怎么让 AI 从"能聊天"变成"能干活"。

why404 1356

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

agent领域的常见名词梳理(llm/functioncalling/mcp/skill)

本文梳理了AI智能体(Agent)相关的核心概念与演进过程。从语言模型到LLM的转变开始,分析了Agent如何通过记忆(Memory)实现多轮对话,以及通过Function Calling和MCP协议与LLM、工具服务交互。文章对比了LangChain、WorkFlow和Skill的区别,指出Skill可能成为前两者的替代方案。最后总结了Agent的本质是处理不需要智能的固定程序部分,而将模糊逻辑交给大模型处理。全文通过框架图清晰展示了Agent生态中的关键组件及其关系。

Miracle8070 780

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

为什么 MCP、Skill、RAG 能工作?从 Conversation Loop 看现代 Agent 的底层架构

这篇文章探讨了现代智能代理(Agent)的核心架构和工作原理。作者从对话循环(Conversation Loop)的角度,系统性地解释了MCP、Skill和RAG等技术如何协同工作。文章要点如下: Conversation Loop是Agent的核心执行引擎,负责持续执行"LLM决策→工具调用→结果反馈→再决策"的循环过程。 现代Agent架构包含四层:用户层、消息网关层、Agent核心层(含Conversation Loop和Tool Registry)和工具生态层(Built-in工具、MCP、Skil

优快云 人工智能领域创作者,专注大模型部署、AI Agent、AI Infra、推理框架与工程实践,持续分享企业级 AI 应用落地经验与技术探索。 396

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

从 LLM 到 Agent Skill,带你打通底层逻辑!

本质是给大模型的具体问题或指令,是模型启动运转的前提(无Prompt则模型无法输出内容),例如“帮我写一首诗”就是典型的Prompt。

Swilderrr的博客 591

浅谈大模型、Agent、Function Calling、MCP、Skill、Subagent、Langchain、Workflow

本文系统梳理了当前AI领域的9个核心概念:1.大模型(LLM)作为AI智能体的核心基座;2.Function Calling实现LLM调用外部工具的能力;3.MCP协议标准化工具调用接口;4.Langchain提供LLM应用开发框架;5.Workflow定义固定执行流程;6.Agent以LLM为核心大脑的智能实体;7.Subagent处理复杂任务的子智能体;8.Skill封装可复用的原子化能力单元。文章通过通俗易懂的语言和实例,阐述了这些概念的定义、功能及相互关系,为理解当前AI技术生态提供了清晰的认知框架

Fightever_的博客 479

“RAG、MCP、Agent、Skill“傻傻分不清楚?——4000字给你说明白

从0到1!想入门大模型(LLM)却不知道从哪开始?我根据最新的技术栈和我自己的经历&理解,帮大家整理了一份LLM学习路线图,涵盖从理论基础到落地应用的全流程!拒绝焦虑,按图索骥~~因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取2025最新版优快云大礼包:《AGI大模型学习资源包》免费分享因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取2025最新版优快云大礼包:《AGI大模型学习资源包》免费分享因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取。

leah126的博客 395

AI 技术体系梳理:从 LLM 到 Agent、RAG、MCP、Skills

本文系统介绍了AI技术的发展历程及核心概念。从最初的规则系统(Rule-Based AI)到机器学习、神经网络,再到突破性的Transformer架构和大语言模型(LLM)。重点解析了LLM的工作原理(预测下一个Token)、文本处理机制(Embedding和Token)及Prompt设计。针对LLM的局限性,详细阐述了AIAgent架构,包括Context上下文处理、RAG检索增强生成、Function Calling工具调用、MCP统一协议、Workflow工作流和Skills技能复用等关键技术。完整呈

柑橘乌云_ 539

7.2 易混对比:Skill vs MCP vs Workflow 等

本文解析AI领域易混淆的6组核心概念:1) Skill/MCP/Plugin分别对应能力模块、连接协议和扩展单元;2) RAG/微调/Prompt工程适用于知识补充、风格适配和输出控制不同场景;3) Agent/Workflow/Pipeline在灵活性、确定性和适用场景上存在差异;4) Context Window/内存/知识库的区别在于作用范围与生命周期;5) Embedding/向量/特征分别强调映射过程、数学结构和数据表征;6) Token/词/字符在中文处理中的对应关系。文章通过对比表格清晰展示各

慢慢 377

AI的核心概念从头梳理 | LLM、Prompt、Agent、RAG、MCP、Skill、Context、Harness Engineering

这篇文章系统梳理了AI领域的核心概念和架构,主要包含以下要点: 三层架构框架:模型层(LLM/Embedding等)、工程层(Prompt/Agent/RAG等)和应用层(AI产品) 大语言模型本质:作为无状态函数,通过上下文窗口(Context)处理输入并生成输出token 技术演进路径:从基础Prompt到Prompt工程,再到Context工程,最终发展为Harness工程 AI Agent架构:基于ReAct循环,整合记忆系统、工具调用和持续推理能力 记忆系统:区分短期记忆(Context窗口)和长

PhilZhou的专栏 108

现代 AI 核心术语学习笔记|从 RAG、Agent 到 MCP,一篇看懂所有热门概念

这篇是我自己整理的,把视频里出现的所有关键词,用讲清楚,方便复习、记录、理解。

m0_57836225的博客 935
上一篇: RAG 工程化实践:RAG 索引重建与向量库同步,别让 Demo 变成生产事故
下一篇: RAG实际测给你看
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2832原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值