本文将为你逐一解析这些核心概念，助你构建清晰的 AI 技术全景图。

---

🧠 LLM：大语言模型，AI 的“大脑”

LLM (Large Language Model)​ 是在海量文本上预训练的巨大神经网络，如 GPT-4、Claude、通义千问等。

• 核心能力：理解自然语言、生成文本、进行基础推理。

• 工作方式：接收输入（Prompt），预测并生成最合理的后续内容。

• 关键局限：知识有截止日期，不了解私有数据，也无法直接操作外部系统（如数据库、文件系统）。

一句话比喻：LLM 是只会“动脑不动手”的超级顾问。

---

🤖 Agent：智能体，能“自己干活”的系统

Agent (智能体)​ 是以 LLM 为“大脑”，能够自主完成任务的系统。它不仅仅是聊天机器人，而是能感知环境、制定计划、调用工具并循环执行，直到任务完成。

一个典型的 Agent 通常包含以下模块：

• LLM：负责推理、规划与决策。

• Tools/Skills：可被调用的外部能力（如查数据库、发邮件）。

• Memory：短期对话记忆与长期知识库。

• Planner：将复杂目标拆解为具体步骤。

• Controller：执行循环：思考 → 行动 → 观察 → 调整。

一句话比喻：Agent 是“有大脑、有手脚、能闭环做事”的完整 AI 员工。

---

🛠️ Skills：技能，Agent 的“手脚”

Skill (技能)​ 是 Agent 可以调用的、封装好的“原子能力单元”，专注于完成单一、具体的任务。

• 特点：无自主决策能力，被动调用，输入固定参数，输出确定结果。

• 常见类型：

  • 工具类：调用外部 API、读写数据库、操作文件、发送邮件等。

  • LLM 衍生类：文本摘要、代码生成、情感分析等。

一句话比喻：Skill 是 Agent 工具箱里的各种专用工具。

---

🔌 MCP：模型上下文协议，AI 的“通用接口”

MCP (Model Context Protocol)​ 是由 Anthropic 提出的一种开放协议，旨在标准化 LLM/Agent 与外部工具、数据源之间的通信方式。

• 核心作用：

  • 统一接口：定义工具调用的请求/响应格式，让 Agent 能用一套标准语法调用任何工具。

  • 能力发现：Agent 可动态查询 MCP Server 以获取可用工具列表。

  • 上下文管理：规范上下文信息的传递，减少重复计算。

  • 权限与安全：内置认证、授权和加密机制，保障数据安全。

典型架构：

• MCP Client：嵌入在 Agent 或 IDE 中，负责发起请求。

• MCP Server：独立进程，封装具体工具（如文件系统、GitHub），对外提供标准化接口。

一句话比喻：MCP 是 AI 世界的“USB-C/HTTP 协议”，让 Agent 能即插即用各种工具。

---

📚 RAG：检索增强生成，AI 的“外挂知识库”

RAG (Retrieval-Augmented Generation)​ 是一种在 LLM 生成答案前，先从外部知识库中检索相关信息，再结合这些信息生成回答的技术，旨在解决模型知识陈旧和“幻觉”问题。

典型流程：

1. 数据入库：将企业文档、网页等资料通过嵌入模型转换为向量，存入向量数据库。

2. 用户提问：用户提出问题。

3. 检索：将问题也向量化，在数据库中检索最相关的文档片段。

4. 增强生成：将“用户问题 + 检索到的文档”一同交给 LLM，生成更准确、有依据的回答。

一句话比喻：RAG 是给 LLM 配了一本实时更新的“参考书”。

---

🧩 其他相关概念

• Prompt / Prompt Engineering：Prompt 是给模型的指令。Prompt Engineering 则是设计高效 Prompt 以引导模型输出期望结果的艺术，是构建 Agent 的基础。

• Embedding / 向量数据库：Embedding 将文本等非结构化数据转换为高维向量。向量数据库则高效地存储和检索这些向量，是 RAG 技术的核心组件。

• Function Calling：许多大模型支持的“函数调用”能力，允许模型输出结构化指令来调用预定义函数。MCP 可被视为一种更通用、标准化的 Function Calling 协议。

• Fine-tuning / 微调：在预训练模型基础上，使用特定领域数据进行额外训练，以提升模型在特定任务上的表现。

• Context Window / 上下文窗口：模型一次能处理的最大输入长度。它决定了 Agent 能“记住”多少信息，是构建复杂 Agent 的关键限制之一。

• Multi-Agent / 多智能体：由多个 Agent 分工协作的系统，每个 Agent 负责不同子任务（如规划、执行、评审），通过消息传递协同工作。

• Workflow / 工作流：一种更传统的确定性流程编排方式，通过预定义的节点和边来控制任务执行路径，常与 Agent 结合使用。

---

🤝 概念协同工作流

以一个实际场景为例，看看这些概念是如何协同工作的：

用户需求：“帮我分析最近三个月的销售数据，找出 Top 3 的产品，生成图表并发送到 Slack。”

执行流程：

1. Agent 接收需求：Agent 启动，LLM 理解用户意图，并将其拆解为子任务：查数据 → 分析 → 生成图表 → 发通知。

2. RAG 提供知识：若分析需要参考内部业务知识，Agent 会通过 RAG 检索相关文档，为 LLM 提供决策依据。

3. Agent 规划与调用：LLM 基于 RAG 结果，规划出执行步骤，并决定调用哪些 Skills（如 JdbcSkill、ChartSkill、SlackSkill）。

4. MCP 执行调用：Agent 通过 MCP 协议，向相应的 MCP Server 发送标准化的工具调用请求。

5. Skills 执行任务：MCP Server 接收到请求后，执行封装好的具体逻辑（如查询数据库、生成图表），并将结果返回给 Agent。

6. Agent 整合与反馈：Agent 收集所有执行结果，再次调用 LLM 进行总结和润色，最终将完整的分析报告发送到 Slack，并呈现给用户。

角色分工：

• LLM：负责思考、规划与总结。

• RAG：提供精准、实时的业务知识。

• Skills：执行查库、画图、发消息等具体操作。

• MCP：作为通用接口，连接 Agent 与各种 Skills。

• Agent：作为总指挥，负责全局调度与异常处理。

---

🚀 快速掌握核心概念

• LLM：会“说”的大脑

• RAG：实时更新的“参考书”

• Skills：能“做”的具体工具

• MCP：连接一切的“通用接口”

• Agent：统筹全局的“智能员工”