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
418



被折叠的 条评论
为什么被折叠?



