科普：Agent、RAG、MCP、Skill、SDD、Harness，AI领域的这些词到底什么意思？

AI发展实在太快了，领域内的新词每隔几天就增加几个，这些词之间到底是什么关系？它们分别解决什么问题？

今天我带你彻底梳理清楚，把这几个概念串起来讲一遍。

一、大模型：一个读过很多书，知识储备很足的人

先说什么是大模型，简单理解大模型就是通过海量数据训练出来的一个超级大脑，参数越多，模型能记住的规律和知识就越丰富。

但是它有一个局限性，只能帮你回答问题，不能帮你干活儿，比如上传文件、发送邮件等等，这些都知道怎么做，但自己做不了。

所以我们用大模型来写文案，做图片，但不能用它来发送给同事、上传至视频剪辑工具等需要动起来的操作。

总体来说大模型是基础，但它只是一个大脑，有知识、能思考，但没有行动能力。

二、RAG：让大模型学会主动检索，知识更新

大模型是厉害，但有一个问题，他学习的知识是有日期的，比如知识截止到25年5月，那么现在的新知识它就不知道了。

不知道今天发生了什么，也不知道你公司的内部文档里写了什么。

解决这个办法最直接的就是让模型重新学习，重新训练，但咱们都知道训练一个模型费用非常高，一直训练不太现实。

这样就产生了一个轻量的方案：RAG——检索增强生成

它的逻辑很简单，不改变模型本身，而是改变模型的输入，用户提问的时候，系统先去外部知识库（比如网站、公司文档等）查询相关内容，然后大模型基于基于查询到的材料生成答案。

RAG的优势主要是灵活，知识更新了，只需要更新知识库，不需要重新训练模型。它也经常被用来缓解大模型的“幻觉”问题。

模型胡说八道，大都是因为没有靠谱的参考资料，RAG正好补上了这一环。

三、Agent：给大模型装上手和脚

Agent（智能体）是建立在大模型之上的系统。

上面咱们说了大模型像一个超级大脑，那么Agent就是“大脑+手脚+规划能力”的完整系统。

不仅仅是回答问题，而是分析目标，自己能拆解步骤，调用工具、执行操作，最终实现目标。

举个例子：

你跟大模型说帮我定个去上海的机票，它会给你回复，“现在去上海的航班有XXX个，哪个最符合你的时间，你可以去XXX搜索订购”

巴拉巴拉说一堆，但是只说不做。

如果你跟Agent说同样的话，它会自己去打开浏览器、访问订票网站、填写信息、完成支付。

Agent的核心价值在于自主性，它能持续工作直到任务完成，过程中自己判断、自己纠错。

四、MCP：AI的“通用接口”

Agent有了，但它怎么连接外部工具？

以前的做法是每个工具都单独写一套接入代码，数据库要写一套，邮箱要写一套，文件系统要再写一套。

这就有一个严重的问题，要是每换一个Agent，这些代码都要重写一遍。

MCP（模型上下文协议）解决的就是这个问题。

上个月，MCP发布了迄今最大的一次更新——从有状态架构转为无状态架构。

简单说，以前的MCP像一根专线，每个连接都要绑定到特定服务器，现在变成了标准接口，任何服务器都能处理任何请求。

你可以把MCP理解为AI的USB接口——统一、通用、即插即用。

五、Skill：Agent的专业技能

Skil是某个领域的能力，就像每个人一样，都有自己的技能，比如小王会骑自行车、小李会开车、小刘会滑滑板

对应的到AI中，就出现了ppt制作Skill、PDF解析Skill等等。

MCP和Skill的关系可以这样理解：MCP提供通道，Skill提供内容。

MCP解决的是怎么连的问题，Skill解决的是能做什么的问题。

一个Agent接到任务后，会判断需要哪些Skill，然后通过MCP去调用它们。

六、SDD：先写规范，再让AI写代码

上面讲的都是AI怎么执行任务，但AI写出来的代码质量怎么样？怎么保证它写的东西是对的？

SDD解决的就是这个问题。

传统开发是需求提出、产品设计、代码编写、功能测试

SDD把它变成了需求、详细规范、AI生成代码、验证

简单来说就是让AI写代码之前先定义规范，定义好要做什么，AI再负责执行去做。

我们还知道有一个词叫Vibe coding(氛围编程),我们用口语描述需求让AI来写代码，那会不会跟SDD重复了呢？

其实二者有本质区别，vibe coding适合做原型、做试验，速度快但代码质量不稳定。SDD面向的是生产环境，追求的是可重复、可验证、可维护。

七、Harness：给AI套上缰绳

最后一个概念是Harness。

Harness原意是“马具”——马鞍、缰绳。在AI领域内，指的是包裹在大模型外侧的一套控制系统。

有一个经典的公式：Agent = Model + Harness。

大模型是引擎，Harness是整台车，为啥是整台车呢？因为它还包括方向盘、刹车、仪表盘、导航系统等多个零部件。

所以它管的并不是某一个点，而是全部内容，来确保大模型准确无误。

比如模型输出格式错了谁来纠正？工具调用失败了谁来重试？成本失控了谁来叫停？对话超长了谁来管理上下文？

这些问题都落在Harness的职责范围内。

一个关键认知转变是：决定AI Agent成败的往往不是模型本身，而是包围模型的这套基础设施。

模型能力的瓶颈很多时候在模型之外——在Harness里。

八、还需要了解的三个底层概念

以上是主干内容，要想更进一步了解AI的知识，再分享三个底层概念。

推理模型与思维链（CoT）

推理模型指专门设计用于复杂逻辑推演的模型。它会花更多时间“思考”，通过思维链（Chain of Thought） 把推理过程一步步写出来，来解决复杂问题。

普通模型像脱口而出的回答，推理模型像在草稿纸上一步步演算再给答案。

多模态模型。能同时处理文本、图像、音频、视频等多种类型数据的模型。以前的AI是基本上只会看文字，多模态则不一样了，能看文字、能识别图片，还能听语音，属于全能选手

模型蒸馏。把一个大而复杂的模型的知识，压缩到一个更小、更高效的模型中。大模型把核心知识提炼成一本薄薄的教材，小模型用更少的资源学会差不多的内容。

九、串起来，我们来看看它们是什么关系

一个典型的工作流程是：

（1）用户让Agent完成一个任务

（2）Agent拆解步骤，分析需要调用哪些Skill

（3）通过MCP调用对应的Skill

（4）大模型处理核心推理

（5）如涉及查询最新信息，进行RAG检索

（6）Harness负责全程监控、纠错、状态管理

（7）返回结果。

最后

AI的发展从能聊走向能干，从能完成变成了能可靠的完成。

希望你能在理解概念的同时能够看清技术演进的方向，也希望希望今天的科普能给你带来一些帮助和思路。