扒开AI名词的皮囊，看看里面到底装了些什么
笔记作者：皮皮神大人
先讲个真实感受：去年有段时间我几乎每天都能在技术群、推特、公众号里看到新的AI名词。今天出来个 Agent，明天有人喊 MCP，后天又冒出来 Skill、Sub-agent、记忆体……感觉这帮人造词的速度比模型吐token还快。
那种焦虑我太懂了——好像不把这些词全吃透，下一秒就要被淘汰。
但后来我干了一件事：不追名词，去追工程结构。把代码拉下来，把LangGraph、LangChain、各种Agent框架的源码和架构图翻来覆去地看，突然发现这些千奇百怪的名词，大部分都能塞进一个三层架构里。而理解了这三层，你就拿到了看待所有新名词的“上帝视角”。
这篇文章就是我想用最口语化的方式，把这件事儿掰碎讲清楚。咱们一边用LangGraph当例子，一边把这些名词挨个钉在它们该在的位置上。
1. 名词爆炸的根源：大家在同一件事的不同切面上疯狂造词
很多人焦虑是因为感觉自己在学一百种完全不同的东西。但实际上，大部分新名词的本质就是“提示词 + 上下文 + 工具调用”工程化之后的不同切面。
你用一句提示词让大模型查天气，这叫简单的LLM调用。
你把查天气封装成一个函数并配上描述，这叫工具（Tool）。
你再写一个循环让模型自己决定何时调用工具、何时停止，这就形成了Agent。
你把这个Agent的状态存起来，让它记住上一次你问过什么，这就有了Memory。
你让这个Agent能调另一个Agent去处理复杂的子任务，于是就有了Sub-agent。
看出规律没？都是同一套东西，只是在工程抽象层面被起了不同的名字。
那么，为了不被带偏，我们直接画出一个统一的工程结构图视角。
2. 统一工程结构图：三层足矣
我个人总结，现在市面上90%的AI应用都能塞进这个三层结构：
- 交互/编排层（负责控制流程、编排节点、管理对话）
- 模型层（大模型核心，负责智能判断与文本生成）
- 工具/数据层（执行具体动作、知识检索、外部API）
你想象一个智能咖啡师：一个顾客进来点了一杯“老规矩”，系统需要决定“老规矩”是什么（记忆），让大模型分析意图（模型层），然后调用做咖啡的机器（工具），并且整个对话有来有回（编排）。是不是瞬间感觉三层都有了？
接下来，我们就用LangGraph作为主线例子，把每个名词扔进这三层里，看看它到底是干什么的。
3. 交互/编排层 —— “谁在讲故事，谁在决定步骤”
这一层是整个应用的导演。它不直接算答案，但它决定“下一步该干什么”。
Workflow（工作流）
最简单理解就是一串既定步骤。比如：接收消息 → 调用LLM → 返回结果。这种固定图谱就是Workflow。在LangGraph里，你定义节点和边，画出一个有向图，这个图就叫Workflow。
举个例子： 一个翻译机器人。每次都是直接走“输入原文 → 大模型翻译 → 输出”三步，没有分支，这就是Workflow。
Agent（智能体）
Agent比Workflow多了一个关键能力：动态决策。它不是一条路走到黑，而是允许模型在中间节点根据情况选择下一步走哪条边。
在LangGraph里，如果你加一条条件边（conditional edge），让模型判断“现在需要查资料还是直接回答”，那这个Workflow就变成了Agent。
对比一下：
- Workflow：像地铁，路线固定。
- Agent：像打车，每个路口能重新规划。
所以Agent本质就是 Workflow + 动态路由。很多人把Agent神秘化，其实就是把决策权交给了模型而已。
控制逻辑与流程管理
这算是上面两者的总称。LangGraph的 StateGraph 负责管理整个应用的流转状态，条件边、循环、中断恢复，这些都属于控制逻辑。它决定了你的应用是老老实实的链条还是个能跳来跳去的智能体。
Memory（记忆）
记忆其实是存储在编排层中的状态。LangGraph里有个核心概念叫 State，这个State可以在节点之间传递并且持久化。你把对话历史存进State，那就是短期记忆；你把用户偏好存进外部数据库并在每次运行时加载，那就是长期记忆。
口语化解释： 没有记忆的Agent就像每次见面都问“你叫什么来着”的同事。有记忆的Agent会说“老规矩，还是上次那个拿铁吗？”
Sub-agent（子智能体）
当一个Agent太胖了，你就可以把某些子任务分包给另一个独立的Agent。主Agent只负责委派和汇总。LangGraph里你可以把一个子图直接作为一个节点（用 add_node 加一个编译好的子图），主图决定什么时候调用它。这就是Sub-agent的工程真相。
Skill（技能）
Skill是最近被炒起来的概念，本质上就是一个打包好的提示词+工具+处理逻辑的模块。它比Tool更“肥”，通常包含了特定领域的角色设定和知识。就好像你给咖啡师装了一个“拉花技能包”，里面包含了步骤和模具。
LangChain 与 LangGraph 的恩怨
这俩词经常一起出现。用一句话概括：
- LangChain 是早期用“链式调用”快速搭LLM应用的框架，强调简单，但一到复杂动态流程就各种hack。
- LangGraph 可以看作LangChain的“底层引擎升级版”，直接基于图结构做状态管理，尤其擅长Agent和复杂Workflow。
所以现在很多新项目直接用LangGraph做编排，而把LangChain里的现成Tool包装拿过来用。这是理解“编排层演进”的一个好例证。
4. 模型层（LLM Core）—— “大脑只负责思考和生成”
这一层最简单但也最容易被神话。它就是那个大语言模型本身，无论是GPT-4、Claude还是本地部署的模型。
它的核心任务只有两个：
- 智能判断（要不要调工具？下一步走哪条边？）
- 文本生成（最终给用户看的自然语言）
在LangGraph里，模型通常出现在一个节点内，接收State中的消息，产出新的回复或决策。你给它什么提示词、什么上下文，它就产出相应的东西。没有魔法。
为什么要把模型层单独抽出来？
因为你随时可以换模型，而不用动编排逻辑。今天用GPT，明天换Claude，改一行代码就行。这种解耦带来的灵活性，是工程化的第一优势。
5. 工具/数据层 —— “干活的双手和查资料的图书馆”
这一层负责所有非生成类的具体动作。
Tool/Function（工具/函数）
就是一个能被模型调用的函数。比如 get_weather(city)，你写个函数，加上一个清晰的描述，模型就能在需要的时候生成调用参数。在LangGraph中，你可以把Tool绑定到模型上，然后当模型输出“我要调工具”时，你就在另一个节点里执行它，把结果送回模型。
RAG（检索增强生成）
RAG也是工具的一种，只不过它太常用了，单独立了个名号。它的本质是：先从向量数据库或搜索引擎里捞出相关文档片段，然后把这些片段塞进提示词的上下文，让模型基于这些内容回答。
举个例子： 你问“公司年假怎么算？”，系统先用你的问题去检索公司制度文件，找到相关段落，然后把这些段落跟你的问题一起喂给模型。这样模型就能回答出准确的制度条款，而不是瞎编。
优势非常明显： 让模型拥有了外部知识，而且可以实时更新，不用重新训练。工程上，它就是工具层的一个“检索节点”。
MCP（Model Context Protocol）
这个词最近火得一塌糊涂。先别慌，它既不是新模型，也不是新架构。
MCP是一个标准化协议，用来让工具提供方和AI应用之间用统一的方式对接。以前你想让模型调用天气预报API，得自己写适配，工具一多就乱套。MCP相当于制定了一个“工具接口标准”，你按这个标准暴露工具，任何支持MCP的编排层都能即插即用。
举个例子： 就像USB统一了外设接口，以前每个设备都得装不同驱动，现在插上就能认。MCP就是工具层的USB协议。它让工具/数据层的扩展变得极其丝滑，不再被供应商锁定。
6. 用一张图把所有名词钉回去
现在，我们用最直白的对应关系把它们归位。
- 交互/编排层：Agent、Workflow、LangGraph、LangChain、Sub-agent、Skill、Memory、控制逻辑
- 模型层：LLM Core、推理、智能判断、文本生成
- 工具/数据层：Tool、Function、RAG、MCP、数据库、API
当你看到一个耀眼的新名词，就做一件事：
把它按功能塞进这三层中的某一层，然后问一句：“它是不是本质上还是提示词+上下文+工具调用？”
绝大多数情况下答案是“是”。
7. 为什么理解底层工程结构才是核心竞争力？
现在回到开头说的那句话。因为你一旦看清了三层骨架，就会发现：
- 新名词不过是某一层上的微创新或重新打包。
- 你不再害怕错过哪个词，因为你已经掌握了理解它们的通用框架。
- 面试、选型、架构设计的时候，你能穿透PPT直达工程真相。
这些技术的核心优势，说到底就是三个词：解耦、可扩展、可控。
- 解耦：模型、逻辑、数据各自独立，换模型不伤筋动骨，换工具不影响思考。
- 可扩展：加新工具像插U盘，MCP让整个生态打通，RAG让知识无限外挂。
- 可控：Workflow给你确定性的流程，Agent给你灵活性，而精确的状态管理让你能随时调试、回放、中断恢复。
8. 最后，送给同样被名词暴击的你
我写这篇笔记的时候，正好在重构一个客户服务Agent。产品经理不停地提：“我们要不要加个Skill？能不能做成Multi-agent？用MCP接他们的CRM好吗？”
如果是一年前的我，估计已经开始焦虑地刷文档了。但现在我脑子里先浮现那个三层图，然后把需求翻译成：编排层加个子图，工具层接MCP封装CRM操作，模型层换个推理更好的模型。好了，能动手了。
所以，皮皮神大人给你的终极建议：
下次再有人抛出来一个你没听过的AI名词，别慌。把它拆开，看它在三层结构里属于哪一层，看它到底改变了提示词、上下文还是工具调用。大概率你会发现自己其实早就理解它的爸爸是谁了。
保持冷静，去读代码，去画架构图。那种“新词疲劳”就会慢慢变成一种“看穿本质”的快感。
本文由皮皮神大人念叨而成，如有雷同，纯属英雄所见略同。
