Agent / Skills / MCP / RAG 三层架构实战

概述

在大模型从“能聊天”的通用工具，演进到“能负责结果”的专业自治系统的过程中，一个越来越清晰的共识是：光有一个强大的 LLM 远远不够，需要一整套围绕 Agent、Skills、MCP、RAG 构建的系统化架构。

这套架构既要能连接真实世界的系统与数据，又要能沉淀领域经验、可控地调度外部能力，并在长周期内稳定地产生“可交付结果”。

本文将从架构与产品视角拆解标准化三层智能体系统：在感知、决策、执行三层能力之上，落地 Agent、Skills、MCP 与 RAG 核心能力，通过真实业务场景，讲解如何将普通对话框，升级为可落地、可履职、可自治的企业数字员工。

从宏观视角看，一套可落地的企业智能体系统，必须闭合核心三件事：看得懂业务输入、做得出专业决策、调得动外部业务系统。

整体可抽象为标准三层架构：

感知层（Agent + RAG）：作为智能体核心入口，接收自然语言任务、识别业务意图、理解上下文，同时依托 RAG 检索长期私有知识，完成需求解析与子任务拆分。

决策层（Skills）：承载领域专业能力，将行业流程、操作规范、业务经验结构化、模板化，解决复杂任务“专业怎么做、标准怎么落地”的核心问题。

执行层（MCP）：统一对接数据库、业务系统、API、文件资源，是智能体连接外部世界、落地实操动作的核心通道，让 AI 不止输出建议，更能落地执行。

简单来说：Agent 是调度大脑，Skills 是行业经验资产，MCP 是执行接口，RAG 是长期记忆体系，四者联动形成完整的 AI 自治工作流。

MCP：AI 的“USB-C 接口”，统一连接外部世界

如果将大模型比作 AI 的核心 CPU，那么 MCP（Model Context Protocol）就是 AI 领域的通用 USB-C 标准接口，核心价值是解决大模型对接各类外部系统、异构资源的碎片化问题，实现标准化、低成本、可复用的外部能力接入。

协议架构：Host / Client / Server 三元模型

MCP 采用经典的三段式链路拓扑，结构清晰、适配性极强：

Host（应用宿主）：面向用户的 AI 应用载体，负责会话管理、大模型调用、任务判定，决策是否需要调用外部工具能力。

Client（协议客户端）：宿主内部的专属连接器，基于 JSON-RPC 2.0 标准通信，统一处理链路重试、异常捕获、权限鉴权、消息封装等底层逻辑。

Server（能力服务端）：各类外部系统的适配层，可针对数据库、业务平台、代码仓库、合规系统等单独部署，将私有化接口、原生能力统一封装为 MCP 标准能力。

该架构带来核心优势：开发者无需适配各类系统差异化 API，只需完成一次 MCP 接入，即可实现多系统通用调用；各类业务系统只需适配 MCP 标准，即可被所有 AI 宿主复用。

标准原语：Tools、Resources、Prompts

MCP 将所有外部能力抽象为三种通用原语，让大模型能够精准、稳定、无歧义地调用外部资源：

Tools（可执行工具）：结构化函数能力，包含固定名称、参数范式、返回结构，用于执行查询、统计、审批、导出等动态操作，例如销售数据查询、日志检索、合规校验工具。

Resources（可读资源）：通过唯一 URI 定位的静态/动态资源，涵盖业务文档、报表数据、规范文件、历史案例等，支持按需读取、溯源引用。

Prompts（提示模板）：可复用的标准化任务模板，适配固定业务场景，支持用户手动触发或任务自动调用，统一输出格式与校验标准。

通信方式：适配不同部署形态

为适配企业本地部署、云端服务、私有化集群等不同场景，MCP 支持多模式传输方案：

stdio 模式适配本地子进程、脚本工具，满足内网隔离、离线运行需求；HTTP+SSE 模式适配跨网络轻量服务，维持流式对话与实时响应；Streamable Http 模式适配网关集群、多租户服务化部署，兼顾鉴权、稳定性与扩展性。企业可根据自身架构灵活选择，无需重构现有业务体系。

Skills：把“资深同事的经验”变成可复用能力包

单纯依靠长提示词，无法支撑复杂、规范、可审计的企业业务流程。Skills 的核心价值，是将零散的行业经验、岗位规范、业务流程，封装为结构化、可版本化、可管控的标准化能力包，让 AI 执行业务动作更专业、更可控。

目录结构：一个 Skill 长什么样

标准 Skill 采用轻量化仓库结构，核心结构清晰、可落地、可复用：

核心入口 SKILL.md 包含 YAML 元数据与 Markdown 业务流程，定义技能名称、场景描述、允许调用工具、执行步骤与异常处理逻辑；scripts 目录存放配套可执行脚本；references 与 assets 存放规范文档、模板资源，按需加载调用。

这种结构让企业隐性的岗位经验，转化为可沉淀、可迭代、可审计的组织资产，彻底摆脱依赖个人经验、Prompt 零散混乱的问题。

渐进式加载：不把模型“喂撑”

Skill 采用三级渐进式加载机制，平衡 AI 推理质量与算力成本：一级元数据常驻内存，供 Agent 快速匹配场景；二级核心流程在技能被选中后按需加载；三级配套资源、脚本、规范文档在对应执行步骤中分步拉取。

最终实现：智能体可搭载上百项行业技能，单次任务仅加载核心相关资源，避免上下文冗余、推理卡顿、成本过高的问题。

安全与边界：allowed-tools 的意义

企业 AI 落地的核心痛点是权限失控、操作越权。Skills 中的 allowed-tools 作为能力边界管控核心，可精准定义单技能的可执行操作范围，实现最小权限原则。

例如合规审核技能仅开放读取、检索权限，禁止修改、写入、网络调用；数据分析技能仅开放查询与计算权限，规避高危操作，为企业 AI 应用提供安全可控的执行边界。

RAG：从“知识截止”到“持续进化的长期记忆”

原生大模型存在知识截止、领域认知薄弱、输出幻觉等固有问题，RAG 检索增强生成技术，为智能体补齐私有业务知识、实时制度规范、历史业务经验，是 AI 落地企业场景的核心支撑。

技术链路：三步构建“知识管道”

标准化 RAG 落地链路分为三步：首先是知识预处理，采集企业文档、制度、案例、历史业务数据，完成清洗、分块、向量化并存入向量数据库；其次是检索匹配，根据用户问题多维检索、精准召回高关联知识片段；最后是增强生成，将检索知识与用户需求拼接为增强提示词，驱动模型基于真实业务知识作答并溯源。

对产品的价值：可信、可追溯、易维护

RAG 为企业智能体带来四大核心价值：实时同步最新业务规范，无需重训模型即可迭代知识；依托真实知识库抑制模型幻觉，结论可溯源、可校验；依托通用底座快速搭建多场景垂直智能体；沉淀业务对话与纠错案例，形成自学习闭环，让智能体越用越精准。

Agent：决策引擎与运行时，串起三层闭环

如果说 MCP 是外部接口、Skills 是业务能力、RAG 是知识储备，Agent 就是串联所有能力的核心调度引擎与运行时，负责任务拆解、技能选择、工具编排、结果闭环，是唯一对最终业务交付结果负责的核心主体。

决策流程：以“销售 Top3 查询”为例

以典型业务需求“查询近一周华东区域销售 Top3 产品，输出总结与风险提示”为例，Agent 完整决策闭环如下：首先解析自然语言需求，提取区域、时间、输出要求等结构化参数；其次匹配对应的销售分析 Skills，加载标准化输出规范；随后编排 MCP 工具调用，拉取业务数据；结合 RAG 历史案例与行业规范解读数据、识别异常；最后按照模板输出标准化、可直接复用的业务简报。

全程屏蔽复杂的工具调用、数据查询、逻辑编排流程，用户仅需一句话即可获取完整交付结果。

运行时能力：上下文与执行环境

成熟的 Agent Runtime 具备两大核心能力：一是安全沙箱执行环境，隔离脚本运行权限，规避恶意操作与越权风险；二是上下文状态管理，记录多轮任务的技能调用、工具执行、中间数据，保障连续业务任务的完整性与连贯性，实现真正的自动化闭环执行。

三者协同：三个典型业务故事

场景一：销售 BI 简报

针对企业经营分析场景，Agent 接收定时任务或人工查询需求，匹配销售简报专属 Skills，通过 MCP 调用 BI 系统与业务数据库拉取销售数据，依托 RAG 检索历史分析口径与风险案例，自动生成包含排名、同比环比、异常风险的标准化简报，替代人工盯数、整理报表的重复工作。

场景二：代码审查助手

面向研发场景，Agent 监听代码提交、PR 合并事件，触发代码审查 Skills，通过 MCP 获取代码变更日志、CI 运行数据，结合 RAG 沉淀的团队开发规范、历史缺陷案例，自动完成代码合规性、安全性、规范性筛查，输出标准化审查意见，提升研发审核效率。

场景三：合规文档审核

面向法务风控场景，Agent 接收合同、制度审核需求，调用合规审核 Skills 固化的审核流程，通过 MCP 拉取合同原文与最新法规数据，依托 RAG 检索企业历史合规案例与标准条款，自动识别高风险条款、输出修改建议，大幅降低人工逐句审核的工作量。

结语：从技术组合到产品能力

从技术本质来看，AI 智能体的落地核心，从来不是单一模型能力的堆叠，而是 Agent、Skills、MCP、RAG 四大能力的有机协同。Agent 负责智能决策与任务闭环，Skills 沉淀领域专业流程，MCP 打通外部系统壁垒，RAG 补齐长期真实知识，四层能力联动，完成了从“对话交互”到“业务交付”的本质跃迁。这套业界主流的标准化智能体架构，已经成为企业构建自治数字员工的核心范式。

基于 JNPF7.0 快速开发平台 可原生适配整套架构，依托成熟的低代码业务底座，让标准化的AI智能体技术体系真正落地到企业真实业务场景，实现从技术架构到业务产品能力的完整转化。