——聊聊Agent、RAG、MCP这些概念到底在做什么
你有没有这样的感觉：每天都能看到一堆AI新概念冒出来——Agent、RAG、MCP、Prompt Engineering、Skill……它们听起来都很厉害，但彼此之间到底是什么关系？如果你想做一个真正的AI应用，到底该从哪里入手？
别急。这篇文章就是帮你把这些概念串起来，画一张完整的“AI应用开发技术地图”。
一、一切从“与模型对话”开始
任何AI应用，最底层的动作都是：给模型写一段话（Prompt），然后模型给你一段回答。
这就是Prompt Engineering（提示工程）。
它看似简单，却是整个AI应用的基础。你可以把它理解为“与AI沟通的语言学”——同样的意图，用不同的措辞、结构、示例去表达，效果可能天差地别。
- 基础版：“请总结这篇文章。”
- 进阶版：“你是一位资深的商业分析师。请用三点总结下面这篇文章的核心观点，每点不超过50字。文章内容：……”
通过角色设定、思维链、格式约束等技巧，Prompt Engineering 能以最低成本、最快速度大幅提升模型输出的质量。它是所有上层建筑的“地基”。
二、当模型需要“知识外挂”
模型虽然强大，但它有一个致命短板：它的知识截止于训练时。你没法让它回答公司内部文档的内容，它也不知道今天早上的新闻。
于是有了RAG（检索增强生成）。
RAG的核心理念是：让模型“开卷考试”。在模型回答问题之前，先从你的知识库（文档、数据库、网页）中检索出相关信息，连同问题一起塞给模型，让它基于这些信息回答。
这样一来：
- 知识可以随时更新
- 答案可以溯源到具体文档
- 模型“幻觉”大幅减少
一个典型的RAG系统包括：文档切分、Embedding模型、向量数据库、检索策略等组件。它是目前企业级AI应用最主流的知识接入方式。
三、让模型不再“纸上谈兵”
有了知识，模型能回答了。但如果我们想让模型动手做事呢？比如发一封邮件、查询一下天气、操作一下Excel？
这时就需要Skill（技能）。
Skill是对一个原子能力的封装——它是一个函数，有一段描述，模型“知道”这个Skill能做什么，当它判断需要时，就会调用它。
比如：
send_email(recipient, subject, body)get_weather(city)query_database(sql)
Skill让模型从“只会说”变成了“能动手”。而多个Skill组合起来，就能完成复杂任务。
四、标准化：让“手”可以即插即用
问题来了：每个AI应用都自己定义一套Skill的调用方式，太混乱了。能不能有一个统一的标准协议，让任何AI应用都能发现和调用任何工具？
这就是MCP（Model Context Protocol），由Anthropic推出的开放标准。
你可以把它理解为AI领域的“USB接口”。MCP定义了工具如何描述自己、AI如何发现工具、如何发起调用、如何返回结果。有了它，一个Agent可以动态接入文件系统、数据库、浏览器、第三方API等任何能力，而无需为每个工具写死代码。
MCP让AI应用的能力真正实现了“可插拔”。
五、统筹全局的“大脑”
上面有了知识（RAG）、有了手脚（Skill）、有了统一接口（MCP），但还缺一个统筹者——谁来规划任务、决定先做什么后做什么、处理异常情况？
这就是Agent（智能体）。
Agent是一个完整的智能系统，它具备：
- 自主决策：把用户的模糊目标拆解成具体步骤
- 工具调用：通过MCP调用各种Skill
- 记忆管理：记住之前的对话和操作，支持长期记忆
- 循环执行：观察→思考→行动→观察，直到任务完成
如果说Skill是“手”，RAG是“知识库”，那么Agent就是“大脑+执行系统”的完整组合。
六、支撑这一切的“基础设施”
一个真正的生产级AI应用，光有上面这些还不够。还需要一层“基础设施”来保障它的可靠、安全、可维护。
- 编排框架：像LangGraph、Semantic Kernel这样的框架，帮你快速搭建Agent和RAG流水线。
- 评估体系：用RAGAS、LLM-as-a-Judge等方式，持续测试你的Prompt和检索策略是否有效。
- 可观测性：追踪每一次模型调用、消耗的token、延迟、成本，防止失控。
- 安全与治理：内容过滤、PII脱敏、权限控制，确保AI应用合规。
- 模型路由与缓存：简单问题用小模型、缓存相似问题，控制成本。
- 推理优化：用vLLM、量化技术加速模型响应，降低资源消耗。
这些虽然不那么“性感”，但恰恰是决定一个AI项目能否从Demo走向生产的关键。
七、它们如何协作？一个例子
假设你要开发一个“智能会议纪要助手”：
- Prompt Engineering：设计系统提示词，定义助手的行为规范（“你是一个专业的会议助理，输出需包含决策、待办、待讨论三项”）。
- RAG：将历史会议记录存入向量库，当用户问“上周关于预算的讨论结论是什么”时，检索相关记录。
- Skill：封装“创建会议纪要文档”“发送邮件”“添加日历事件”等能力。
- MCP：用MCP协议暴露这些Skill，让Agent可以统一调用。
- Agent：用户上传录音文件后，Agent先转写，然后分析内容，调用Skill生成纪要文档，再发邮件给参会者。如果过程中发现需要补充信息，Agent会主动提问。
- 基础设施：用LangGraph编排流程；用LangSmith追踪执行轨迹；用RAGAS评估纪要质量；用内容安全过滤敏感信息；用量化模型降低转写成本。
八、学习路径建议
如果你刚入门，可以按这个顺序逐步深入：
- 起点：Prompt Engineering。花一两周时间，掌握基础技巧，这是成本最低、见效最快的切入点。
- 第一座山：RAG。做一个简单的文档问答系统，理解知识如何外挂。
- 能力扩展：Skill封装 + Agent基础（ReAct模式）。让模型能调用工具，完成多步任务。
- 标准化：MCP协议。学习如何用MCP Server暴露工具，接入生态。
- 工程化：选择一个框架（LangGraph或Semantic Kernel），搭建完整项目。
- 生产准备：引入评估、可观测性、安全、模型优化，让应用可交付。
写在最后
这些概念看似繁多，但其实有一条清晰的逻辑线：
- Prompt Engineering：与模型对话的“语言学”
- RAG：模型的知识外挂
- Skill：模型的“手脚”
- MCP：连接手脚的“标准化接口”
- Agent：统筹全局的“大脑”
- 基础设施：让整个系统跑稳的“地基”
当你理解了这一层嵌套关系，再看那些复杂的AI框架、层出不穷的新名词时，就不会再感到迷茫。AI应用开发正处于“从原型到产品”的关键转折期，掌握这套技术栈，你就能真正驾驭大模型，而不只是它的观众。
希望这篇文章能帮你理清思路。如果你对某个环节特别感兴趣，欢迎留言，我们可以继续深入。
