版权所有：朱元禄 Jacky，欢迎转载，请注明出处

一、先把大脑清空：所有花里胡哨的概念，都是从「语言模型」一步步长出来的

Jacky 老师先说一句非常重要的话：

如果你一上来就试图搞懂 Agent、MCP、Skill、RAG、Workflow，一定会很懵。

因为这些都不是“本体”，它们只是围绕语言模型打的补丁。

1️⃣ 最原始的起点：语言模型（LM）

最早的语言模型，本质只有一件事：

根据已有文本，预测下一个词。

它既不懂逻辑，也不懂世界，只会“文字接龙”。

后来模型参数越来越大，在某个临界点，“看起来像是有智能了”。
于是大家给它起了一个新名字：

大语言模型（LLM）

⚠️ 注意：
名字变了，本质没变，它依然只是一个“高级文字接龙机”。

---

二、第一层“伪智能”：对话，其实是人为设计出来的

2️⃣ 为什么一问一答，就“像智能”了？

如果你把模型的输出：

• 分成 用户提问
• 和 模型回答

你就得到了今天最常见的东西：

对话式 AI

但 Jacky 老师要强调一句：

对话不是模型天生会的，是人类硬加的“角色设定”

此时你可以把模型想象成一个员工：

• 你是老板
• 它是员工小 L
• 规则只有一条：一问一答，结束就完事

⚠️ 非常重要的一句话（后面会反复用到）：

模型本身是不会自己追问的

---

三、Prompt / Context / Memory：都是“提示词工程”，不是智能

3️⃣ Prompt：给每次对话起了个名字而已

你发现：

• 每次跟小 L 说的话
• 都很重要

于是你给它起了一个听起来很高级的名字：

Prompt（提示词）

但本质是什么？

就是你每次发给模型的那段话

没有任何魔法。

---

4️⃣ Context：把 Prompt 拆了个层

后来你又发现：

• 有些是背景信息
• 有些是任务指令

于是你又发明一个词：

Context（上下文）

但本质呢？

就是把 Prompt 分了个区

---

5️⃣ Memory：用“假装记住”来实现追问

刚才说过：
模型 不能追问。

那你怎么办？

👉 你想了个办法：

• 把之前的对话
• 全部塞进 Context
• 伪装成“它记得”

你还给这堆历史对话起了个名字：

Memory（记忆）

再聪明一点的人发现：

• 历史对话太长了
• Token 太贵

于是：

• 用模型把历史对话 总结压缩
• 再塞回去

到这里你要记住一句话：

Memory 不是记忆，只是“重复投喂旧信息”

---

四、Agent 出现了：不是因为模型更聪明，而是因为加了程序

6️⃣ 真正的问题出现了：模型不会干活

模型最大的问题是什么？

• 不会上网
• 不会查数据库
• 不会读 PDF
• 不会执行代码

一句话总结：

模型只会“说”，不会“做”

---

7️⃣ 关键转折：在中间加一层程序

你不想自己：

• 帮模型查资料
• 帮模型算数据
• 再复制粘贴回去

于是你写了一个程序：

• 一头连着模型
• 一头连着工具（搜索、数据库、脚本）

在外人看来：

你在和一个“会干活的 AI”对话

于是，这个程序被起了一个非常科幻的名字：

Agent（智能体）

Jacky 老师给你一个考试级理解：

Agent = 一堆“不需要模型参与”的逻辑 + 一个模型

---

五、RAG / Web Search：给模型“外挂知识”

8️⃣ RAG 是什么？一句话就够

模型的问题：

• 知识是训练时固定的
• 过时、缺失、容易胡说

解决办法：

1. 先用程序搜索
2. 再把结果塞进 Context
3. 让模型基于这些内容回答

这个方法被起名叫：

RAG（检索增强生成）

⚠️ 核心理解：

RAG = 给 Prompt 自动加“参考资料”

---

六、Function Calling & MCP：都是“协议”，不是能力

9️⃣ Function Calling：格式约定

模型如果随便说话：

• 程序根本没法解析

于是你要求模型：

• 必须用 JSON 格式
• 明确说：要用哪个工具、参数是什么

这叫：

Function Calling

本质：

让模型“说人话” → “说机器能懂的话”

---

🔟 MCP：工具接口说明书

如果工具不写在 Agent 里，而是独立服务：

• 怎么发现？
• 怎么调用？
• 参数怎么传？

于是你又定了一套约定：

MCP（模型上下文协议）

Jacky 老师帮你一句话区分清楚：

名称	解决什么
Function Calling	模型 ↔ Agent
MCP	Agent ↔ 工具服务

它们不冲突，也互相替代不了。

---

七、Workflow / LangChain / Skill：一条从“死板”到“灵活”的线

1️⃣1️⃣ Workflow / LangChain：流程写死

• 一步一步写好
• 稳定、可控
• 不灵活

适合：

流程固定、变化少的任务

---

1️⃣2️⃣ Skill：新瓶装旧酒，但确实好用

你发现：

• 不想写一堆 if else
• 又想让 Agent 自己选流程

于是你：

• 把说明文档 + 脚本
• 放到一个目录
• 让 Agent 自己看着用

这个东西被叫做：

Skill

Jacky 老师的真实评价：

Skill = Prompt 的工程化存储

---

1️⃣3️⃣ Sub-Agent：上下文隔离

任务太复杂？

• 拆成子任务
• 用子 Agent 处理
• 不污染主上下文

本质只有一句话：

Sub-Agent = 上下文隔离

---

八、终极统一理解法（非常重要，面试必背）

🌟 Jacky 老师给你一条“通杀所有新概念”的方法论

凡是能用固定程序解决的，一定不该交给模型。
凡是模糊、需要语义判断的，才交给模型。

所以：

• Agent 干的，是不需要智能的部分
• 模型干的，是无法写死的判断

---

九、你的求职级总结（请背下来）

一句话版本（面试官最爱）

Agent 不是更聪明的 AI，而是把“确定性工作”程序化，把“不确定性判断”交给大模型的系统设计。

工作视角

• Token 贵 → 多用程序
• Token 便宜 → 多用 Agent
• 未来 → 一切向“更省心、更好用”演进