1. 引言:四个概念为什么总被放在一起
在 AI 应用开发中,Agent、RAG、Skill、MCP 是四个高频出现却又容易混淆的概念。它们不是同一层的东西,而是分别解决不同的问题:Agent 负责“决策与执行”,RAG 负责“外部知识注入”,Skill 负责“能力封装与复用”,MCP 负责“工具与数据的标准化接入”。本文用通俗的语言和可运行的代码,把这四个概念一次讲清楚。
2. Agent:会“思考”并“行动”的智能体
Agent(智能体)是一个能感知环境、做出决策并执行动作的 AI 程序。它不只是“生成一句话”,而是能自主规划步骤、调用工具、观察结果并调整策略,直到完成任务。
一个典型的 Agent 循环包含四个步骤:
- 感知:接收用户目标或环境反馈。
- 规划:拆解任务,决定下一步动作。
- 行动:调用工具或生成回复。
- 观察:读取工具返回结果,决定是否继续。
下面是一个极简的 Agent 循环示例,演示“思考-行动-观察”的闭环:
import json
def call_llm(messages):
# 这里替换为真实 LLM 调用,例如 OpenAI / Claude
# 为演示,返回一个固定的“行动”指令
return {"action": "get_weather", "args": {"city": "北京"}}
def get_weather(city):
return f"{city}:晴,25℃"
def run_agent(user_goal):
messages = [{"role": "user", "content": user_goal}]
for step in range(5):
response = call_llm(messages)
action = response.get("action")
if action == "finish":
return response.get("answer")
if action == "get_weather":
result = get_weather(response["args"]["city"])
messages.append({"role": "tool", "content": result})
print(f"第 {step+1} 步:调用 get_weather,结果 = {result}")
return "达到最大步数,任务结束"
print(run_agent("北京今天天气怎么样?"))
这个例子虽然简化了 LLM 调用,但展示了 Agent 的核心:根据目标循环调用工具、读取结果、继续决策,而不是一次性生成答案。
3. RAG:给模型装上“外部知识库”
RAG(Retrieval-Augmented Generation,检索增强生成)解决的是“模型不知道最新或私有信息”的问题。它的思路是:先从一个知识库中检索与问题相关的片段,再把片段拼进提示词,让模型基于这些材料生成回答。
RAG 的典型流程分为离线索引和在线查询两个阶段:
- 离线索引:把文档切块,用 Embedding 模型转成向量,存入向量数据库。
- 在线查询:把用户问题转成向量,检索最相似的 Top-K 片段,拼入提示词后交给 LLM 生成。
下面是一个使用 FAISS 和 OpenAI Embedding 的 RAG 最小实现:
import faiss
import numpy as np
from openai import OpenAI
client = OpenAI()
def embed(texts):
resp = client.embeddings.create(model="text-embedding-3-small", input=texts)
return np.array([d.embedding for d in resp.data], dtype="float32")
1. 离线索引:文档切块 + 向量化 + 建库
docs = [
"Agent 是能自主决策和调用工具的智能体。",
"RAG 通过检索外部知识增强生成质量。",
"MCP 是模型上下文协议,用于标准化工具接入。",
]
vectors = embed(docs)
index = faiss.IndexFlatL2(vectors.shape[1])
index.add(vectors)
2. 在线查询:检索 + 拼提示词 + 生成
question = "什么是 RAG?"
q_vec = embed([question])
_, idx = index.search(q_vec, k=1)
context = docs[idx[0][0]]
prompt = f"请基于以下资料回答问题:\n资料:{context}\n问题:{question}"
answer = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": prompt}],
)
print(answer.choices[0].message.content)
RAG 的关键在于“检索质量”和“切块策略”。切块过大容易混入噪声,过小则可能截断语义,需要根据文档类型和问题形态做权衡。
4. Skill:把能力封装成可复用的“技能”
Skill(技能)是把一组提示词、工具调用逻辑或处理流程封装成一个可复用的能力单元。它让 Agent 不必每次从零编写步骤,而是像“插件”一样按需加载。
Skill 通常包含三部分:
- 触发条件:什么场景下使用该技能。
- 执行逻辑:提示词模板、工具调用序列或代码。
- 输入输出约定:参数和返回结果的格式。
下面用一个 Python 类演示如何封装一个“代码审查”技能:
class CodeReviewSkill:
name = "code_review"
description = "对一段代码进行安全性、可读性和性能审查"
def __init__(self, llm):
self.llm = llm
def can_handle(self, task):
return "审查" in task and "代码" in task
def execute(self, code):
prompt = f"""请对以下代码进行审查,输出问题列表和修改建议:
代码:
{code}
输出格式:
问题1:...
建议1:..."""
return self.llm(prompt)
使用示例
skill = CodeReviewSkill(llm=lambda p: f"[模拟审查结果] {p[:50]}...")
print(skill.can_handle("请审查这段代码"))
print(skill.execute("def f(x): return x/0"))
Skill 的价值在于“组合与复用”。一个 Agent 可以挂载多个 Skill,根据任务类型动态选择,从而把复杂能力拆解成可维护的模块。
5. MCP:统一工具接入的“标准插座”
MCP(Model Context Protocol,模型上下文协议)是 Anthropic 提出的开放协议,用于标准化“模型如何发现和调用外部工具、数据源”。它相当于给 AI 应用装上一个“标准插座”,让不同的工具和服务都能以统一方式接入。
MCP 的核心角色有三个:
- Host:运行 Agent 或应用的主程序,负责发起请求。
- Client:Host 内部的连接器,负责与 Server 通信。
- Server:暴露工具、资源和提示词的轻量服务。
下面是一个用 Python 实现的最小 MCP Server 示例,暴露一个“获取服务器时间”的工具:
from mcp.server.fastmcp import FastMCP
from datetime import datetime
mcp = FastMCP("demo-server")
@mcp.tool()
def get_server_time(timezone: str = "UTC") -> str:
"""返回指定时区的当前时间"""
return datetime.now().astimezone().isoformat()
if name == "main":
mcp.run(transport="stdio")
对应的客户端连接示例:
import asyncio
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
async def main():
server_params = StdioServerParameters(
command="python",
args=["server.py"],
)
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
await session.initialize()
tools = await session.list_tools()
print("可用工具:", [t.name for t in tools.tools])
result = await session.call_tool("get_server_time", {"timezone": "Asia/Shanghai"})
print("调用结果:", result)
asyncio.run(main())
MCP 的意义在于“生态互通”。一旦工具按 MCP 标准实现,任何支持 MCP 的 Host 都能直接使用,无需为每个应用单独写适配代码。
6. 四者如何协同工作
在实际系统中,这四个概念常常组合使用:Agent 作为“大脑”负责规划;RAG 提供“记忆”补充知识;Skill 作为“肌肉”封装可复用能力;MCP 作为“神经接口”统一连接外部工具。
一个典型的协同流程如下:
- 用户提出目标,Agent 接收并拆解任务。
- Agent 判断需要外部知识,触发 RAG 检索相关文档。
- Agent 根据任务类型选择对应 Skill,例如代码审查或数据分析。
- Skill 内部通过 MCP 调用外部工具(数据库、API、文件系统等)。
- Agent 汇总所有结果,生成最终回复。
下面是一个把四者串起来的伪代码框架:
class AIApplication:
def __init__(self, rag, skills, mcp_client):
self.rag = rag
self.skills = {s.name: s for s in skills}
self.mcp = mcp_client
def run(self, user_goal):
# 1. Agent 规划:决定是否需要检索
context = self.rag.retrieve(user_goal) if self.rag.needed(user_goal) else ""
# 2. 选择 Skill
skill = self.select_skill(user_goal)
3. Skill 通过 MCP 调用工具
tool_result = self.mcp.call(skill.required_tool, skill.parse_args(user_goal))
4. 汇总生成
return self.generate(user_goal, context, tool_result)
def select_skill(self, task):
for skill in self.skills.values():
if skill.can_handle(task):
return skill
return DefaultSkill()</code></pre>
7. 总结与选型建议
一句话总结四个概念:
Agent:会思考、会行动的“大脑”。
RAG:给大脑补充外部知识的“记忆库”。
Skill:把能力打包复用的“技能包”。
MCP:统一连接工具的“标准插座”。
选型时可以参考以下建议:
如果只是做问答机器人,优先考虑 RAG,成本低、见效快。
如果需要多步骤任务处理,引入 Agent 做规划与循环。
如果有多套可复用能力,用 Skill 做模块化封装。
如果需要接入大量异构工具,用 MCP 统一协议,避免重复适配。
这四个概念不是互相替代的关系,而是从不同维度支撑起一个完整的 AI 应用。理解它们的分工,才能在实际项目中做出合理的技术选型。
433



被折叠的 条评论
为什么被折叠?



