本文整理自B站「别再死记 AI 名词了用一条线讲清 Prompt、RAG、MCP、Agent」通过 Ai好记 转录整理以下为精炼整理后的内容。很多人听到 AI 圈的新词就头疼。前几年聊 Prompt后来冒出 RAG再后来变成 Agent最近又开始讲 MCP、Skill、Workspace Agent。每次刚跟上一个又来一堆更离谱的。其实这些概念背后有一条清晰的主线。搞清楚每个词解决的是什么问题它们之间的演进逻辑就自然串起来了。一、Token 和 Context WindowAI 一次能处理多少信息大家第一次接触 AI 大多从 ChatGPT 开始输入一句话就能写文章、写代码。但往底层看AI 并不是像人一样直接阅读整篇文章它会先把输入的内容拆成更小的单位这个单位就叫Token。举个例子输入「我喜欢人工智能」在模型眼里可能不是一整句而是被拆成若干个 Token。不同模型的拆法不一样但你只需要理解一件事拆成的这些片段就是 Token。Token 之所以重要是因为它影响三件事AI 一次能读多少内容调用 AI 的成本为什么 AI 有时候会忘记前面聊过的内容一个模型最多能处理多少 Token就叫Context Window也就是上下文窗口。所以以后看到什么「128K 上下文」「百万 Token 长上下文模型」「按 Token 计费」本质上说的都是一件事这个 AI 一次最多能处理多少信息以及你给它喂了多少信息。但上下文窗口越大AI 就一定越聪明吗不一定。信息太少AI 答不出来信息太多AI 又可能被无关内容干扰。所以 AI 真正要好用不只是模型能看多少而是你怎么把任务交代清楚。二、Prompt EngineeringAI 怎么听懂任务早期大家用 AI 的时候最兴奋的是只要输入一句话它就能给出答案。但很快发现同一个问题不同问法结果差别非常大。随便问一句「帮我写个方案」AI 可能会写一堆很空的话什么提升效率、优化体验、扩大影响力、增强用户黏性。看起来很完整但其实没什么用。但如果换一种问法「你是一名资深产品经理请针对一个面向开发者的 AI 工具写一份产品方案要求包含目标用户、核心痛点、功能模块、商业模式和落地路径用表格输出。」结果马上就不同了它会更具体、更有结构。Prompt Engineering之所以火了本质不是写咒语更像是给 AI 写一份工作说明书。你要告诉它扮演什么角色、完成什么任务、背景信息是什么、输出格式是什么、哪些内容不要写、什么结果才算好最好还能给它几个例子。早期 AI 圈特别流行各种「万能提示词」「神级 Prompt」「学会这 10 个提示词效率提升 10 倍」。这些内容之所以能火是因为它确实解决了早期 AI 使用里最直接的问题——怎么把任务说清楚。三、RAGAI 不再靠猜回答Prompt 再强也只能解决「任务怎么说清楚」它解决不了另一个更致命的问题模型不知道的东西它就是不知道。你让它总结你公司的内部文档它没看过你让它分析你项目里的代码它没读过你让它回答昨天才发生的事情它训练时可能根本没有。如果你硬要它回答它就只能猜。一旦 AI 开始猜就可能出现我们最熟悉的问题一本正经地胡说八道。RAGRetrieval-Augmented Generation检索增强生成的思路很简单不要让 AI 只凭记忆回答先让它查资料再让它回答。比如你有一堆公司文档、产品手册、项目代码、课程资料、客服记录。过去你直接问 AI「我们产品的退货规则是什么」如果 AI 没看过你的产品文档它大概率不知道但它又很会组织语言所以它可能会编出一个看起来很合理的答案这其实很危险。RAG 的做法是先把资料放进知识库当你提问的时候系统先去知识库找相关内容然后把找到的内容交给 AI最后让 AI 基于这些资料回答。根据员工手册年假需要提前三个工作日申请病假需要提交证明——这不是瞎编而是基于资料回答。这背后又带出了几个重要概念Embedding把文字变成一串数字、向量数据库专门用来存这些数字向量并快速检索的数据库。四、Tool CallingAI 从回答到行动AI 能准确回答问题了但如果只是停留在「说」那它永远只是个参谋。实际工作中很多场景需要的是「做」——查数据库、发邮件、调接口。Tool Calling就是让 AI 拥有执行动作的能力。它的核心是让 AI 根据用户请求识别并调用外部工具如 API、函数来执行特定动作。比如用户问「我的订单发货了吗」AI 不是自己去猜而是调用订单查询系统的接口获取真实状态再回复用户。但工具集成也有挑战每个系统的接口格式不一样有的用 REST有的用 GraphQL有的干脆没有标准 API。多工具接入时接口不统一的问题直接催生了下一个概念。五、MCPAI 统一连接外部世界MCPModel Context Protocol解决的是 AI 连接外部工具和数据源时接口混乱的问题。它本质上是一套标准化协议用来统一 AI 模型与外部工具、数据源之间的连接方式简化集成复杂度。类比一下就像电子设备有了 USB 接口标准之后不管你插鼠标还是键盘接口都一样。MCP 就是给 AI 生态做的「USB 标准」。六、Context EngineeringAI 该看什么信息从 Prompt Engineering 演进而来Context Engineering的核心不只是设计单条指令而是设计整个信息流。比如你做一个 AI 客服助手它需要看到的不只是用户当前的提问还包括用户的历史订单、之前的对话记录、常见问题库、产品文档。给的信息太少AI 答不对给的信息太多AI 又被干扰。Context Engineering 要做的就是让模型拿到「刚好需要」的材料。七、SkillAI 沉淀可复用能力每次让 AI 写周报你都要重新教它格式、要求、风格。Skill的价值在于把重复性任务的执行方法沉淀为可复用的能力模块让 AI 从「临时工」变成「熟练工」。八、Computer UseAI 像人一样操作电脑Computer Use让 AI 通过理解图形界面模拟人类使用鼠标、键盘操作电脑。它突破了依赖 API 的限制使 AI 能进入大量老旧或无接口的系统。这意味着 AI 自动化不再局限于技术先进的「新系统」而是可以渗透到企业运营的每一个数字化角落真正实现「AI 替人操作电脑」。九、AgentAI 自主拆解与执行任务Agent的核心特征是围绕目标自主推进。普通聊天是「一问一答」而 Agent 的核心在于「计划-行动-观察-调整」的循环。它能围绕一个复杂目标自主拆解步骤、选择工具、执行动作、观察结果并根据反馈持续调整策略直至完成任务。在编程领域率先进入 Agent 爆发AI 编程 Agent 能做到读项目、改代码、运行测试的完整流程正在改变程序员的工作重心。十、Harness Engineering 和 Workflow随着 Agent 能力增强Harness Engineering约束工程变得至关重要。它为 Agent 套上权限控制、工具白名单、执行沙箱、人工审批、回滚机制等安全控制系统确保其在生产环境中安全、可靠地运行。而Workflow则是把 AI 像积木一样串进真实业务流程。比如客户咨询表单的完整处理流程多个步骤串联起来AI 负责判断Workflow 负责串联步骤。十一、Workspace AgentAI 成为数字员工普通 Agent 是「临时工」执行单次任务后结束。Workflow 是「自动化流水线」按预设步骤串联任务。而Workspace Agent则是「长期在岗的岗位助手」它深度融入团队工作空间理解组织上下文能持续、自主地处理某一类工作。它代表了 AI 从执行单点任务到融入持续业务流程并最终成为团队中具有上下文感知能力的长期数字员工的演进方向。总结AI 技术的演进主线是从被动聊天到主动执行核心是解决模型在真实工作场景中遇到的具体问题。理解了问题就理解了技术。面对以后再出现的新词追问它解决的是 AI 走向真实工作的哪个问题想清楚了就不会被概念迷惑。常见问题QPrompt Engineering 已经过时了吗A没有过时但它的定位变了。Prompt Engineering 是 AI 使用的基础功就像学写字要先学笔画。随着 Context Engineering 的兴起Prompt 从单条指令变成了整个信息流设计的一部分。QRAG 和 Agent 有什么本质区别ARAG 更像一次性的「搜索引擎」用户提问系统检索AI 基于检索结果生成答案。Agent 则像主动的「研究助理」它会根据初步结果判断信息是否充足自主决定是否需要换关键词、拆解问题或交叉验证具备多轮、迭代的思考与行动能力。QMCP 跟普通 API 接口有什么区别A普通 API 接口每个系统格式不一样集成成本高。MCP 是一套标准化协议让 AI 模型以统一的方式发现、描述和调用外部工具与数据源降低开发维护复杂度。以上内容由 Ai好记 转录整理。Ai好记 是一款音视频转图文笔记的 AI 学习助手支持 B站、抖音、小宇宙等平台链接及本地音视频文件转入后自动生成精华速览、思维导图和结构化笔记帮助你把几小时的视频内容变成可搜索、可复习的图文笔记。
