一口气讲清楚Agent_RAG_Skill_MCP

Agent、RAG、Skill、MCP四者边界与协作机制详解 AI工程中,Agent是决策调度核心,RAG提供可验证的知识增强能力,Skill封装具备输入/输出/语义三重契约的原子能力,MCP则定义跨系统互操作的标准化通信协议。理解这四者的分层职责——Agent管‘怎么做’、RAG管‘知道什么’、Skill管‘能做什么’、MCP管‘怎么说话’——是构建稳定AI应用的基础。尤其在金融、电商、工业等强规则场景,RAG的chunking策略偏差或Skill的参数契约缺失,极易引发线上静默故障。本文聚焦生产级落地,结合LangChain、LlamaIndex与MCP协议的真实 阅读详情



一口气讲清楚 Agent、RAG、Skill、MCP:它们在 AI 应用里怎么分工

刚开始做 AI 应用时,很容易把 Agent、RAG、Skill、MCP 当成四种类似的技术方案:平台支持得越多,似乎能力就越强。

实际做架构时,这种理解会带来不少麻烦。有人把上传一份文档称为 RAG,把调用一次接口称为 Agent,也有人接入 MCP 后就认为应用具备了自主执行能力。概念混在一起,最后往往只剩下一段越来越长的提示词。

这四个词其实不在同一个层级:

概念

主要解决的问题

它本身不负责什么

Agent

下一步做什么,以及任务何时结束

不等于某个具体工具

RAG

当前回答需要哪些外部知识

不负责执行完整任务

Skill

一类任务应该按什么方法完成

不等于外部系统连接协议

MCP

外部能力如何用统一方式接入

不负责自主规划

 

如果想先建立一个整体印象,可以把 Agent 看成任务的控制循环,把 RAG 看成检索链路,把 Skill 看成可加载的任务包,把 MCP 看成外部连接层。

这句话足够入门,但还不够拿来做项目。下面放进一条真实的应用链路里看。

一、先把 Agent 和普通工作流分开

假设我们要做一个设备售后助手。用户输入:

设备报 E42,重启后还是不行。我的订单还在保修期内吗?如果不能在线解决,帮我申请售后。

 

系统至少要完成这些动作:识别设备和故障码、查维修手册、查订单状态、判断能否在线处理,必要时生成售后工单,并在提交前让用户确认。

如果每一步都由代码提前规定,它更接近工作流:

识别故障 -> 检索手册 -> 查询订单 -> 生成建议 -> 人工确认 -> 创建工单

 

如果系统只拿到目标和可用工具,具体查什么、先查哪一个、是否需要补问、什么时候停止由模型在运行中决定,它才更接近 Agent。

Anthropic 在《Building effective agents》中也区分了这两类系统:workflow 走预先定义的代码路径,Agent 则由模型动态决定过程和工具使用。这个区别比“有没有拖拽画布”更有用。

工程上不必刻意追求 Agent。退款审核、数据同步等步骤固定且风险较高的任务,工作流通常更可预测;资料研究、故障排查等路径难以预先穷举的任务,才更适合让 Agent 动态决策。

Agent 的核心可以抽象成一个循环:

读取目标和当前状态
  -> 选择下一步动作
  -> 调用知识或工具
  -> 观察返回结果
  -> 判断继续、补问还是结束

 

因此,调用过工具的聊天机器人未必是 Agent。只有当模型参与了多步决策,并根据执行结果调整后续行动时,“Agent”这个名称才有实际意义。

二、RAG 给 Agent 补上当前需要的知识

模型可能知道常见错误码,却不知道这家企业最新的维修手册和保修规则。把所有资料都塞进系统提示词既昂贵,也很难更新。RAG 处理的正是这个问题。

RAG 是 Retrieval-Augmented Generation,即检索增强生成。用户提问后,系统先从外部知识源检索相关内容,再把检索结果连同问题交给模型生成答案。

一条稍完整的 RAG 链路通常是:

用户问题
  -> 查询改写
  -> 关键词、向量或混合检索
  -> 权限过滤与重排序
  -> 组装上下文
  -> 模型生成并附带引用

 

这里有两个容易混淆的边界。

第一,读取一个用户明确指定的文件不一定是 RAG。如果用户上传 manual.pdf,程序直接把全文交给模型,中间没有检索过程,更准确的说法是“文件上下文”。只有系统根据问题从资料集合中查找并选出相关片段,才进入了 RAG 的范畴。

第二,RAG 不保证答案正确。检索阶段可能找错资料,分片可能切断关键上下文,模型也可能忽略证据。实际验收不能只看“能否回答”,还要检查召回片段、资料版本、权限过滤、引用来源和无答案时的处理。

回到售后助手,RAG 可以找到 E42 对应的排查步骤和保修规则,但它不会替用户查询订单,也不会创建工单。知识到这里补齐了,动作还没有发生。

三、Skill 把做事方法变成可复用资产

Skill 是四个概念中最容易产生歧义的一个。不同平台对 Skill 的定义并不完全一致,有的平台把一个函数叫 Skill,有的平台把提示词模板或完整执行包叫 Skill。

本文采用 Agent Skills 规范所表达的方向:Skill 是一组可发现、可加载的任务说明和配套资源,用来告诉 Agent 某类工作应该怎样完成。一个 Skill 至少包含 SKILL.md,还可以附带脚本、参考资料和模板。

例如,售后诊断 Skill 可以这样组织:

device-diagnosis/
├── SKILL.md
├── references/
│   └── output-schema.md
└── scripts/
    └── validate-result.js

 

一个最小的 SKILL.md 可以写成:

---
name: device-diagnosis
description: 根据故障描述和检索证据生成设备诊断建议
---

# 处理步骤

1. 确认设备型号和故障码;信息不足时先追问。
2. 只基于检索到的维修资料给出建议。
3. 区分用户可执行操作和工程师操作。
4. 涉及拆机、退款或工单提交时要求人工确认。

 

它没有新增一个业务接口,却把团队反复使用的处理步骤、输出要求和风险边界沉淀了下来。其他售后 Agent 也能复用同一套方法。

Skill 也不应该无限增大。如果一个 Skill 同时覆盖售后、营销、合同和数据分析,触发条件会越来越模糊,加载后还会占用大量上下文。更实用的做法是让每个 Skill 围绕一类边界清楚、能够独立测试的任务,并为名称、描述和版本建立约束。

四、MCP 解决工具和数据的接入方式

现在 Agent 已经知道如何诊断,RAG 也找到了维修资料,下一步是查询订单和创建工单。

传统做法是给每个应用单独写一套 API 适配。应用少时没有问题;当多个 Agent 都要访问订单、数据库、文件、搜索和通知服务,重复适配会逐渐增加维护成本。

MCP,也就是 Model Context Protocol,提供了一套客户端与服务端之间的标准协议。MCP Server 可以向 AI 应用暴露 tools、resources 和 prompts 等能力,宿主应用通过 MCP Client 发现并使用它们。

在售后场景中,可以由 MCP Server 暴露:

get_order_status(order_id)  # 只读查询
create_service_ticket(...)  # 写入操作

 

Agent 决定什么时候调用哪个工具;MCP 负责工具如何被发现、描述和调用。两者的职责不能反过来。

MCP 也不是 Function Calling 的替代品。Function Calling 描述模型如何以结构化参数请求工具;MCP 处理的是应用和外部能力之间的协议与连接。一个 MCP Client 最终仍可能把 MCP Tool 转换成模型能够进行 Function Calling 的工具定义。

项目中只有一个内部接口时,直接封装函数往往更简单。工具需要被多个 Agent、IDE 或客户端复用时,MCP 才更能体现价值。无论是否采用 MCP,鉴权、最小权限、超时、重试、幂等、日志和人工确认都不能省略,尤其是写入类工具。

五、把四者放回同一条调用链

现在再看这次售后请求,四者的分工就比较清楚了:

用户提出售后目标
        |
        v
Agent 判断下一步,发现缺少设备资料
        |
        v
RAG 检索故障码、维修步骤和保修规则
        |
        v
Agent 加载 device-diagnosis Skill,按约定格式形成诊断
        |
        v
Agent 通过 MCP 调用订单查询工具
        |
        v
需要创建工单 -> 用户确认 -> MCP 写入工具
        |
        v
Agent 汇总证据、工具结果和处理状态

 

这里还有一个没出现在标题里的角色:Runtime。它负责保存任务状态、控制最大步数、记录每次模型和工具调用,并在超时或失败时收束流程。没有这些工程约束,Agent 很容易陷入重复调用,或者在一次工具失败后继续编造结果。

前端、Java 后端和 AI 应用开发者在这条链路中的关注点也不同:

· 前端要展示流式输出、步骤状态、引用证据和工具确认界面;

· Java 后端更适合承接鉴权、事务、业务接口适配、幂等和审计日志;

· AI 应用层负责检索策略、Skill 选择、Agent 循环、模型路由与评估。

职责拆开以后,即使后续替换模型、向量库或某个业务系统,也不必整体推倒重来。

六、这些能力放进平台后,怎么真正用起来

前面的售后助手是一个简化场景。如果从底层开始实现,团队还要分别处理知识库解析、Agent 状态、Skill 加载和工具协议。为了验证业务想法,没有必要每次都先重复搭建这些基础设施。

在好易智算中,这四类能力已经做成可以直接配置和组合的对象:创建 Agent,导入并向量化资料,配置或导入 Skill,连接 MCP Server,再按任务需要绑定到工作流节点。这里的“直接使用”并非一键生成完整应用,而是省去重复建设管理和连接框架的工作。对应到前面的概念,大致是这样的:

· Agent 节点配置模型、提示词和上下文,负责理解目标与推进任务;

· 知识库经过文件上传、文档登记、分段预览和向量化,再绑定到需要检索的节点;

· Skill 用来沉淀表格分析、文档生成等可重复使用的处理方法;

· MCP Server 连接搜索、通知、业务表格和图片视频生成等外部服务。

仍以售后助手为例,可以先将产品手册和服务规则导入知识库,再配置故障诊断 Skill。需要查询订单或创建工单时,由 Agent 调用相应的 MCP 工具;涉及写入的操作,则在流程中增加人工确认。

这种拆分的价值在第二次修改时更明显。产品资料变化,主要更新知识库;诊断步骤变化,调整 Skill;业务系统接口变化,则修改对应的 MCP Server。智能体的整体任务结构不必跟着每次变化全部重做。对于同时维护多个客户项目的开发者或 AI 外包团队,已经验证过的知识结构、Skill 和工具连接也更容易复用。

这里也需要说明现阶段的边界。好易智算目前可以通过控制知识库、对象字典、规则和测试问题实现 Ontology 思路的知识治理,但还不能等同于完整的原生 Ontology 平台;算力纳管和调度也不在当前自编排 MCP 的范围内。更细粒度的运行 Trace、反馈沉淀,以及智能体变更后的审批与回滚闭环,仍是需要继续完善的方向。

这种平台化组织方式能减少重复配置,但是否适合具体项目,仍然应该用真实资料、实际工作流和目标系统接口完成一次 POC 验证。

七、什么情况下根本不用把四个都装上

技术组合应该跟着任务走,而不是跟着名词热度走。

如果只是根据企业资料回答问题,先把 RAG 做准即可,不必急着加入 Agent。流程固定的材料审核,可以使用工作流加知识检索和少量工具调用。只有当任务路径无法提前写死,需要模型根据中间结果持续决策时,再引入 Agent。

Skill 适合那些经常重复、做法已经相对稳定的任务。MCP 则适合需要跨应用复用的外部能力。一个只在单体服务内部使用的简单函数,没有必要为了“架构完整”额外包装成 MCP Server。

Anthropic 在 Agent 工程文章中建议从最简单的可行方案开始,只在收益足以覆盖延迟和成本时增加复杂度。这个原则放在四者的组合上同样适用。

八、别只测最终回答,要分层验证

没有真实测试数据时,不能凭 Demo 宣称组合后的效果更好。更可靠的方式是逐层建立测试集。

RAG 层要覆盖精确问题、模糊表达、冲突资料、过期资料、无答案问题和越权资料,检查召回片段与引用是否正确。

Skill 层要测试什么请求应该触发、什么请求不应触发,加载的说明能否稳定约束输出,脚本失败后是否有明确反馈。

MCP 层要独立验证工具发现、参数校验、无权限、超时、重复提交和服务端错误。对于 create、update、send、delete 一类操作,还应验证人工确认和审计记录。

Agent 层最后做端到端测试,重点观察任务成功率、最大步数、工具误调用、失败收束、总延迟和调用成本。日志至少应能回答三个问题:模型为什么选择这个动作,工具实际返回了什么,最终结论依据什么产生。

这样即使结果出错,也能判断问题出在检索、方法、连接还是决策,而不是把所有问题都归结为“模型不够聪明”。

九、总结

Agent、RAG、Skill、MCP 并不是四选一,也不是必须同时出现的全家桶。

1. Agent 负责动态决策和多步骤推进,固定流程优先考虑普通工作流。

2. RAG 负责按问题检索外部知识,读取文件不一定构成 RAG。

3. Skill 沉淀一类任务的执行方法、资料和脚本,但具体含义要以所用平台或规范为准。

4. MCP 统一外部能力的接入方式,不替 Agent 做规划,也不能代替权限与安全治理。

5. 先用最简单的组合跑通任务,再根据知识、复用和动态决策需求逐层增加能力。

当这几个边界分清以后,AI 应用的架构会简单很多:缺知识就检查 RAG,做法不稳定就完善 Skill,工具接入混乱就整理 MCP,需要根据中间结果动态推进时再交给 Agent。

参考资料

· Anthropic:Building effective agents

· Microsoft Learn:Retrieval-augmented generation overview

· Agent Skills:Overview

· Agent Skills:Specification

· Model Context Protocol:Introduction

· Model Context Protocol:Architecture overview



拆解AI热词:Skill、MCP、RAG、Agent的本质与工程实践 在AI应用开发领域,函数调用(Function Calling)是连接大语言模型与外部能力的基础技术,它让AI能够识别并执行特定任务。其核心原理是通过标准化的描述和接口,将专用功能封装为可被模型调用的工具。这项技术的价值在于极大地扩展了AI的能力边界,使其从“通才”变为能指挥各类“专才”的协调者。在实际应用中,它构成了构建智能助手、自动化流程的基石。基于此,业界衍生出了Skill(技能)、MCP(模型上下文协议)、RAG(检索增强生成)和Agent(智能体)等更上层的架构概念。Skill本质上是函数调用的工 阅读详情

相关推荐

从对话循环视角解析MCP、Skill与RAG在AI Agent中的协同架构

在AI应用开发领域,智能助手(Agent)的核心工作机制可抽象为一个动态的对话循环。理解这一循环是构建高效Agent系统的关键。对话循环通常遵循“理解规划→工具调用→信息检索→响应生成”的流程,其本质是多轮交互中意图理解与任务执行的闭环。从技术原理看,现代Agent通过标准化协议(如MCP)实现外部工具的即插即用,通过功能单元(Skill)封装可复用的业务逻辑,并通过检索增强生成(RAG)技术接入动态知识库。这种架构的价值在于将开放域问题转化为可控的执行流程,显著提升任务完成的确定性与可靠性。在工程实践中,

weixin_33736649的博客 418

一口气讲清楚 Agent、RAG、Skill、MCP 到底是什么?

AI 人工智能

Mr.ACO的专栏 541

恶意流量检测数据集

对当前公开的恶意流量相关数据集进行归类总结,持续更新相关论文

tyutwuxuan的博客 1947

一口气讲清楚:Agent、RAG、Skill、MCP 到底是什么?

RAG 是信息增强,Skill 是能力扩展,Agent 是智能调度,MCP 是工程规范。能不能把 AI 放进现有系统,稳定、可控、可扩展地跑起来。

勤劳的小琪 755

别再手动写用例了!用AI Agent自动生成测试用例的保姆级实战(附Python代码)

本文详细介绍了如何利用AI Agent技术自动生成测试用例,大幅提升测试工程师的工作效率。通过Python代码实战演示,从环境搭建到核心Agent构建(需求解析、场景挖掘、用例编排),再到与企业工具链(TestRail、Jira)的深度集成,帮助团队实现测试用例的智能化生成与管理。

weixin_30897233的博客 659

从SN65HVD230芯片手册出发,手把手教你搞定3.3V CAN收发器电路(附典型应用图)

本文详细解析TI SN65HVD230芯片手册,指导完成3.3V CAN收发器电路设计。从关键参数解读到基础电路搭建,再到高级功能实现与EMC优化,提供完整的接口电路设计方案,并附典型应用图和故障排查指南,助力开发者提升CAN总线通信质量。

weixin_29997523的博客 524

一口气讲清楚 Agent、RAG、Skill、MCP 到底是什么?附代码实战

本文系统解析了AI应用开发中的四个核心概念:Agent(智能体)、RAG(检索增强生成)、Skill(技能)和MCP(模型上下文协议)。

m0_73571447的博客 334

STM32驱动直流有刷电机:H桥、死区与PWM调速实战

直流有刷电机是嵌入式系统中最基础的执行器之一,其核心控制逻辑围绕H桥拓扑展开——通过四个开关管组合实现启停、正反转与调速。理解死区时间(Dead Time)对防止上下管直通、保障硬件安全至关重要;而PWM调速的本质是调节电机端口平均电压,需结合互补输出与占空比映射实现平滑响应。该技术广泛应用于智能小车、电动工具及工业控制器等场景,尤其在STM32平台配合HAL库与高级定时器(如TIM1)时,可构建高鲁棒性、可复用的电机驱动框架。

weixin_42593701的博客 783

一口气讲清楚Agent、RAG、Skill、MCP:2026年AI开发者必读

前阵子跟几个同行聊天,发现大家对Agent、RAG、Skill、MCP这几个词吵得挺凶。有人觉得是噱头,有人觉得是未来。

xx_nm98的博客 308

不同网段共享打印机的方法

不同网段怎么共享打印机,跨路由怎么共享打印机

weixin_44686104的博客 1万+

Anaconda+Pycharm安装

我提前创建好一个自己项目所需的虚拟环境。步骤是:打开终端(cmd)或者 搜索 ”Anaconda Prompt“ 并打开,输入 conda create -n pytorch python=3.9 -c。

Wang_sweet的博客 3244

一口气讲清楚 Agent、RAG、Skill、MCP:用 TaoToken 统一 Key 打通四层能力

用 settings.json 与 config.toml 两份骨架,把 Agent、RAG、Skill、MCP 四层能力接到 TaoToken 统一 Key 与 API 通道上,切换模型只改模型名。文中附三步连通性验证与 401、404、循环不停止等常见报错排查,边看边改配置即可跑通最小闭环。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_35751412的博客 191

示波器实测RGMII信号:从125MHz时钟判断千兆模式,到时序抓取与PHY寄存器避坑

本文详细介绍了使用示波器实测RGMII信号的完整流程,包括125MHz时钟频率判断、时序参数测量及PHY寄存器配置避坑指南。通过实战操作和典型故障案例分析,帮助硬件工程师快速定位和解决千兆以太网接口的调试问题,提升通信稳定性。

weixin_30015371的博客 266

一口气讲清楚 Agent、RAG、Skill、MCP 到底是什么?(附完整代码实战)

概念本质类比关键能力Agent调度中枢大脑规划、决策、调用工具、反思迭代RAG知识获取方案记忆库 / 开卷资料检索文档、增强上下文Skill原子能力单元手的具体动作单一职责、可复用、可组合MCP标准化连接协议USB-C 接口统一接入外部工具与数据Agent 是大脑,Skill 是手,RAG 是记忆,MCP 是神经系统里的标准插口。

m0_73571447的博客 203

实现端到端加密的WebRTC视频会议终端

需要注意的是,上述示例代码中没有涉及到具体的加密算法和密钥交换过程,而是通过WebRTC API自动处理了加密和密钥交换的细节。然后,我们通过信令服务器将本地SDP发送给对方,并接收对方的SDP。最后,我们将对方的SDP设置为远程描述,并将最终的连接建立起来。最后,我们将对方的SDP设置为远程描述,并建立最终的连接。在本文中,我们将探讨如何使用WebRTC构建一个加密的视频会议终端,并提供相应的源代码。在本文中,我们将探讨如何使用WebRTC构建一个加密的视频会议终端,并提供相应的源代码。

WaJulia的博客 436

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

RAG、Agent、MCP、Skill一句话讲清AI底层

摘要:新一代AI工具如Trae和Cursor通过RAG、Agent、MCP、Skill等技术组合,实现了从"会说话"到"会做事"的跨越。RAG机制让AI先查询再回答,Agent赋予AI执行任务能力,MCP充当万能工具接口,Skill提供标准化流程。这些技术协同工作,使AI能理解需求、拆解任务、调用工具并完成项目开发。国内用户可通过Trae的Builder模式体验这种"能动手"的AI能力,感受与传统聊天机器人的本质差异。(149字)

2401_85343303的博客 1150

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Agent 生态全解:厘清 Agent、MCP、Skill、RAG、LangChain 与 OpenClaw

Skill 是为 Agent 场景封装的、具备单一完整功能的、可被 LLM 标准化调用的原子执行模块。它的核心价值,是弥补 LLM 的原生能力缺陷 ——LLM 无法直接发送消息、控制浏览器、操作设备、调用业务接口,这些能力都需要通过封装好的 Skill 来实现。单一职责原则:一个 Skill 仅完成一类明确的操作,比如 “发送飞书消息”“浏览器页面截图”“获取设备地理位置”,避免功能耦合导致的调用混乱;标准化接口规范。

weixin_51097521的博客 2345

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

RAG、Agent、MCP、Skill一句话讲清_AI_底层

用 Trae 输入一句话就能生成整个项目,Cursor 能 @ 文件、@ 网页——这些「能动手」的 AI 和只会聊天的 ChatGPT 有啥不同?背后是一套从 RAG、MCP 到 Agent、Skill 的底层逻辑。今天用对话帮你讲清楚。

Python_cocola的博客 839

几句话讲清楚Agent、LLM、MCP、SKill、RAG、WorkFlow

今天咱们用 5 分钟,把 AI Agent、LLM、Skill、MCP、RAG、Workflow 这些词一次性讲明白。 首先我们先来看一下AI是如何做事情的。

Python_cocola的博客 222

AI开发者的厨房秘籍:RAG、Agent、MCP、Skill一篇文章全搞懂!

本文通过"做一顿晚饭"的厨房比喻,生动解释了AI开发中的RAG、Agent、MCP、Skill和AI应用等核心技术概念。文章详细介绍了各技术的特点、适用场景、优缺点及组合使用方式,帮助开发者理解如何选择合适的技术构建AI系统。作者还提供了从简单到复杂的学习路径和实战建议,让不同水平的开发者都能找到适合自己的入门方式,最终掌握AI应用开发的完整流程。

qq_46094651的博客 1101
上一篇: 国内AI智能体搭建平台有哪些?好易智算、豆包、千帆、百炼和Dify怎么选?
下一篇: AI智能体开发平台怎么选
AI创飞人类
博客等级 码龄2年 39粉丝 47原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址