AI 圈有个规律：每隔几周就会冒出一批新名词，配上”颠覆性”的宣传文案，让人觉得如果今天没搞懂，明天就要被淘汰。
Prompt、Context、RAG、Agent、MCP、Skill、Sub-agent……
说句实话，这些词大多数时候是在描述非常普通的东西，只是被包装得很有科技感。
一切的起点：大模型只是个”接龙机器”
先说清楚基础。整个 AI 热潮的底层是大语言模型（LLM）——本质是根据已有的文字，预测下一个字是什么。参数规模足够大之后，这件事做得很好，好到让人觉得它”懂”了什么。
但它的运作方式决定了几个硬伤：
- 没有记忆：每次对话对它来说都是全新开始
- 不能主动行动：只能被动回答，无法自己发起任务
- 知识有截止日期：训练完之后，它的”世界”就冻结了
为了应对这些缺陷，工程师们开始打补丁——于是冒出了一堆名词：
| 名词 | 它实际上是什么 |
|---|---|
| Prompt | 你写给模型的指令 |
| Context | 你提供给它的背景信息 |
| Memory | 把历史对话塞回上下文里，假装它记得 |
没有什么神奇的地方，全是工程手段。
Agent：不是更聪明的 AI，是一堆普通代码
当人们发现大模型光靠”接龙”没法完成复杂任务时，**Agent（智能体）**应运而生。
这个词听起来很酷，但拆开来看：Agent 是由所有不需要智能的部分组成的程序。
它的工作流程大概是这样：
- 用户提问
- 模型说”我需要搜网”
- Agent 听到这句话，真的去调用搜索 API
- 把结果喂回给模型
- 模型继续接龙，生成回答
你以为是模型变聪明了，其实是外面套了一层代码壳在帮它干活。模型本身什么都没变，它只是学会了”开口要工具”。
RAG 和 MCP：一本参考书 + 一套通讯协议
既然 Agent 可以调用外部工具，下一步就是搞清楚两件事：怎么给它更新、更准的信息，以及怎么让它调用各种工具而不乱套。
**RAG（检索增强生成）**解决第一个问题：知识会过时，不如给模型准备一本”参考书”。用向量数据库检索相关文档片段，塞进上下文，让模型对着书回答——这就是 RAG。
**MCP（模型上下文协议）**解决第二个问题：Agent 调用工具，要不要为每个工具单独写对接代码？太麻烦了，MCP 就是一套”普通话标准”，让所有工具都说同一种协议。
很多人分不清 Function Calling 和 MCP，其实它们发生在架构的不同位置：
- Function Calling 在模型和 Agent 之间——模型怎么告诉 Agent”我要用这个工具”
- MCP 在 Agent 和外部工具之间——Agent 怎么统一调用各种服务
它们完全不重叠，MCP 也不会”取代”Function Calling。
Workflow 和 Skill：从死板到灵活的进化
用 Agent 处理复杂任务时，还有个问题：怎么控制它别乱来？
这里有个从”完全可控”到”完全自主”的光谱：
LangChain（硬编码）→ Workflow（低代码）→ Skill（说明书）→ Pure Agent（放飞自我）
- LangChain 全是代码写死的流程，稳但死板
- Workflow 拖拽操作，方便一些，但本质还是固定逻辑
- Skill 更有意思：用一个
.md文件写清楚”这件事应该怎么做”，交给 Agent 自己判断怎么执行，兼顾灵活和可控 - Pure Agent 完全自主决策——听起来厉害，实际上可能把简单任务绕成一团乱麻
**Sub-agent（子智能体）**则是用来做”上下文隔离”的：复杂任务拆给子 Agent 处理，只把结果反馈给主 Agent，防止主脑被中间步骤的废话塞满。
一条残酷定律：便利性永远赢
最后一个观察，也是最反直觉的：
那些爆火的 AI 工具，往往不是因为模型更强，也不是因为 MCP 更先进。它们火是因为足够简单——封装掉了所有配置，让普通人能直接上手。
技术史上这个规律反复出现：Springboot 臃肿但它赢了，Python 的 UV 简化包管理所以它火了，Word 明明性能不是最优但大家都在用它。
AI 领域也一样。今天你还需要知道什么是 MCP、怎么配 API Key、如何管理 Skill；未来的产品会把这些全部抹掉。用户不需要懂，就像你不需要知道自来水厂怎么运作。
那么，这些名词学还是不学？
当然要学——但要学清楚它们是什么，不是什么。
Prompt 不是魔法，是指令。Memory 不是真的记忆，是历史压缩。Agent 不是更智能的 AI，是调度程序。MCP 不是颠覆性创新，是一套接口规范。
看清楚这些之后，你反而能更快判断一个新名词是真创新还是概念复用。
当 Token 成本趋近于零、工具越来越傻瓜化，真正稀缺的可能不是”懂 AI”，而是知道用它来做什么。
