Rule / Skill / MCP / Agent / Memory 概念关系详解

---

一、一句话总览

Agent  是员工本人（大脑+行动力）
Skill  是他掌握的专业技能（如：代码审查、写测试用例）
Rule   是他必须遵守的公司红线制度（如：不能泄露客户信息）
MCP    是他用来操作外部工具的标准接口（如：统一的门禁卡系统）
Memory 是他的记忆系统（短期记忆 + 长期笔记本）

二、整体关系架构图

三、逐个拆解

1. Agent（员工本人）

本质：一个能自主决策、循环执行任务的 AI 实体
组成：LLM 大脑 + 感知(Input) + 决策(Planning) + 行动(Action)
Agent 是最上层的主体，其他所有概念都是它的"器官"或"工具"。

类比：一个刚入职的高智商员工

• 他有大脑（LLM），但还不知道公司规矩（没有 Rule）
• 他有学习能力，但还没学专业技能（没有 Skill）
• 他记不住之前说过什么（没有 Memory）
• 他进不了公司的任何系统（没有 MCP）

2. Rule（公司红线制度）

本质：全局性的硬约束，无论执行什么任务都必须遵守
作用域：跨所有 Skill，始终生效
存放位置：通常在 rules/ 目录下或 System Prompt 中

举例：rules/global-rules.md

1. 任何输出中不得包含用户的隐私数据（手机号、身份证号）
2. 所有代码建议必须兼容 Android API 21+
3. 回答必须使用中文
4. 当你不确定时，必须明确告知用户，禁止编造答案

类比：公司的员工手册 / 安全红线

• 无论你是做开发、做测试、还是做设计，都必须遵守
• “不能泄露客户信息” 这条规则不会因为你换了岗位就失效

3. Skill (专业技能)

本质：针对特定任务的专家级指令集（Prompt 模板 + 工作流）
作用域：仅在匹配的任务场景下被激活
存放位置：通常在 skills/ 目录下

类比：员工考取的职业资格证 / 岗位技能手册

• “Android 代码审查” 是一个 Skill
• “编写单元测试” 是另一个 Skill
• 同一个员工可以掌握多个 Skill，按需切换

4. Rule vs Skill的核心区别

实际例子：
Rule: “禁止报告代码风格问题”
Skill: “android-code-review” 中的 Workflow 步骤

当 Skill 在执行代码审查时发现了一个变量命名问题，
它想报告出来 → 但 Rule 说"禁止" → 最终不报告。

Rule 是裁判，Skill 是球员。球员必须听裁判的。

5. MCP（Model Context Protocol，标准工具接口）

本质：一套标准化协议，让 Agent 能以统一的方式调用外部工具和数据源
作用：Agent 的"手和脚"，连接真实世界
类比：公司统一的门禁卡/OA系统接口

没有 MCP 之前：

• 调用 GitLab 要写一套代码
• 调用 Jira 要写另一套代码
• 调用数据库要再写一套
• 每个工具的认证、格式、错误处理都不一样

有了 MCP 之后：

• 所有工具统一暴露为 Tool（工具）
• Agent 用同一种方式发现、调用、接收结果
• 就像 USB-C 接口，不管是充电、传数据、接显示器，一个口搞定

MCP 的三个核心角色：

6. Memory（记忆系统）

本质：让 Agent 能"记住"过去的信息，分为短期和长期两种
作用：打破单次对话的遗忘墙，实现跨会话的知识积累

类比：

• 短期记忆 = 员工开会时的白板（会议结束就擦掉）
• 长期记忆 = 员工的工作笔记本 / 公司知识库（永远留存）

没有 Memory：
第1次Review：AI 指出 “你们项目应该用 ViewBinding”
第2次Review：AI 又指出 “你们项目应该用 ViewBinding”
第3次Review：AI 还是指出… （它忘了你们用的是 DataBinding）

有了 Memory：
第1次Review：AI 指出 “你们项目应该用 ViewBinding”
用户回复：“我们团队统一用 DataBinding”
AI 记住 → 写入长期记忆
第2次Review：AI 不再提这个问题，且按 DataBinding 的最佳实践审查

四、协同工作完整流程

用户说：“帮我 Review 这段 Android 代码”

Step 1: Agent 接收任务
        ↓
Step 2: Agent 读取 Memory
        → 短期记忆：本轮对话中用户之前说过的上下文
        → 长期记忆：该项目用 Kotlin + MVVM + Hilt
        ↓
Step 3: Agent 匹配 Skill
        → 判断应该激活 "android-code-review" 这个 Skill
        → 加载 Skill 中的 Workflow、References
        ↓
Step 4: Agent 加载 Rule
        → 全局 Rule："禁止报告代码风格问题"
        → 全局 Rule："输出必须用中文"
        → 这些 Rule 叠加在 Skill 之上，作为最高优先级约束
        ↓
Step 5: Agent 通过 MCP 获取外部数据（如果需要）
        → 调用 MCP GitLab Server：拉取完整的 MR Diff
        → 调用 MCP File Server：读取本地的参考手册 .md 文件
        ↓
Step 6: LLM 大脑执行推理
        → 按照 Skill 的 Workflow 逐步执行
        → 受 Rule 约束，过滤掉不该报的问题
        → 参考 Memory 中的项目知识，避免误判
        ↓
Step 7: 输出结果
        → 按照 Skill 定义的 Output Format 格式化
        → 将本次 Review 的关键结论写入 Memory（供下次使用）

五、一句话总结表

六、层级关系总结

Rule   约束  Agent 的行为边界（最高优先级）
Skill  赋予  Agent 执行特定任务的能力
MCP    赋予  Agent 操作外部世界的"手脚"
Memory 赋予  Agent 记忆和学习的能力
Agent  是以上所有能力的集成体和执行主体